Key Fertigkeiten Mitarbeiter verlassen das Unternehmen. Diese Abreise erfolgt so pl?tzlich, dass der Umsatz von Mitarbeitern ein unertr?gliches und kostspieliges und destruktives Problem für das Unternehmen wird. Warum? Denn die Rekrutierung und Schulung einer externen Person, die mit den Details des Unternehmens v?llig nicht vertraut ist, erfordert viel Zeit und Geld.

Angesichts dieser Situation f?llt Ihnen immer ein Problem in den Sinn, wenn Ihr Kollege das Büro, in dem Sie arbeiten, ein Problem verl?sst:

"Was w?re, wenn wir vorhersagen k?nnten, wer verlassen und verstehen k?nnte, warum?"

Diese Annahmen sind jedoch irgendwie falsch, bevor man davon ausgeht, dass der Umsatz von Mitarbeitern nur eine Trennung bei der Arbeit ist oder dass sich an anderer Stelle bessere Lern-/Wachstumschancen befinden.

Egal was in Ihrem Büro passiert, Sie werden sehen, dass sie mehr ausgehen als sie eintreten.

Wenn Sie jedoch kein Muster beobachten, ignorieren Sie die volle Bedeutung des Mitarbeitersumsatzes, der in Echtzeit in Ihrem Büro stattfindet.

Sie fragen sich vielleicht: "Versuchen das Unternehmen und seine Personalabteilungen, wertvolle Mitarbeiter daran zu hindern, zu gehen?"

Ja! In diesem Artikel werden wir daher ein einfaches maschinelles Lernmodell erstellen, um den Umsatz von Mitarbeitern vorherzusagen und die Ergebnisse mithilfe von Shap -Tools zu interpretieren, damit HR -Teams basierend auf diesen Erkenntnissen handeln k?nnen.

Inhaltsverzeichnis

• Problemverst?ndnis
• Analyse, wie die Personalressourcen proaktiv reagieren k?nnen
• Was ist die Shap -Methode?
• Datensatzübersicht
• 5 Schritte zur Gestaltung von Werkzeugen/Methoden
• überarbeiten Sie den Plan
• abschlie?end
• FAQ

Problemverst?ndnis

Im Jahr 2024 stellte der von Weltungstr?ger ver?ffentlichte Marktdatenbericht eindeutig fest, dass 33% der Mitarbeiter keine M?glichkeiten für die Karriereentwicklung sahen-das hei?t, ein Drittel von ihnen lie?en aufgrund stagnierter Wachstumspfade übrig. Von 180 Mitarbeitern jedes Jahr werden 60 Mitarbeiter zurücktreten und das Unternehmen verlassen. Also, was ist Mitarbeiterumsatz? Sie k?nnten uns das fragen.

• Was ist Mitarbeiterumsatz?

Gartner, ein weltbekanntes Beratungsunternehmen, hat den Kunden in den letzten 45 Jahren Einblicke und berufliche Anleitung gegeben und die Umsatz von Mitarbeitern als ?den allm?hlichen Verlust von Mitarbeitern, wenn die Positionen nicht besetzt sind, definiert, h?ufig aufgrund des freiwilligen Rücktritts, der Pensionierung oder des internen Transfers“.

Analyse, wie die Personalressourcen proaktiv reagieren k?nnen

Die Personalabteilung ist für das Unternehmen ?u?erst zuverl?ssig und wertvoll, da die Personalabteilung die einzige Abteilung ist, die die Umsatzanalyse der Mitarbeiter und die Personalabteilung aktiv behandeln kann.

HR -Abteilungen k?nnen eine Analyse verwenden, um die Hauptursachen des Mitarbeitersumsatzes zu identifizieren, Muster/demografische Daten historischer Mitarbeiterdatenmodelle zu identifizieren und gezielte Aktionen basierend darauf zu entwerfen.

Welche Methoden/Wege sind für die Personalabteilung hilfreich? Ratet es? Die Antwort ist die Shap -Methode. Also, was genau ist es?

Was ist die Shap -Methode?

Shap ist eine Methode und ein Werkzeug zur Erkl?rung des Modells für maschinelles Lernen (ML).

Es kann auch erkl?ren, was die Mitarbeiter dazu veranlassen, freiwillig zurückzutreten, was Sie im folgenden Artikel sehen werden.

Vorher k?nnen Sie es jedoch über das PIP -Terminal und das Conda -Terminal installieren.

 <code>!pip install shap</code>

oder

 <code>conda install -c conda-forge shap</code>

IBM pr?sentierte 2017 einen Datensatz namens "IBM HR Analytics Employee Abrieb & Performance" mit Shap Tools/Methoden.

Das Folgende ist also ein kurzer überblick über den Datensatz. Sie k?nnen sich auf den folgenden Inhalt verweisen.

Datensatzübersicht

Wir werden den Datensatz von IBM HR Analytics Employee -Abnutzungsdatensatz verwenden. Der Datensatz enth?lt Informationen zu mehr als 1.400 Mitarbeitern - einschlie?lich Alter, Gehalt, Positionsrollen und Zufriedenheitsbewertung -, um Muster mithilfe von Shap -Methoden/-Tols zu identifizieren.

Wir werden dann die folgenden Schlüsselspalten verwenden:

• Abnutzung : Ob der Mitarbeiter geht
• überstunden, Arbeitszufriedenheit, monatliches Einkommen, Arbeits- und Lebensbilanz

Danach sollten Sie die Shap -Methode/das Tool in den folgenden 5 Schritten tats?chlich anwenden, um das Risiko der Mitarbeitern zu überwinden.

5 Schritte zur Gestaltung von Werkzeugen/Methoden

Schritt 1: Laden und erkunden Sie die Daten

 <code>import pandas as pd</code> Aus sklearn.model_selection importieren train_test_split<p> von sklearn.preprocessing import LabelCoder</p><h1> Laden des Datensatzes</h1><p> df = pd.read_csv ('wa <em>fn-usec</em> -hr-theplede-attrition.csv')</p><h1> Grundlegende Erkundung</h1><p> print ("Form des Datensatzes:", df.shape)</p><p> print ("Resignation Value Statistics: \ n", df ['Abrieb']. Value_Counts ())</p>

Schritt 2: Vorverarbeitung der Daten vorab zusammenarbeiten

Sobald der Datensatz geladen ist, konvertieren wir den Textwert in Zahlen und teilen die Daten in Schulungs- und Testabschnitte auf.

 <code># 將目標(biāo)變量轉(zhuǎn)換為二進(jìn)制</code><p>DF ['Abrieb'] = df ['Abrieb']. MAP ({'Ja': 1, 'nein': 0})</p><h1> Codieren alle Klassifizierungsmerkmale</h1><p> label_enc = labelCoder ()</p><p> category_cols = df.select_dtypes (include = ['object']). Spalten</p><p> Für Col in Category_Cols:</p><p> df [col] = label_enc.fit_transform (df [col])</p><h1> Definieren Sie Merkmale und Ziele</h1><p> X = df.drop ('Abrieb', Achse = 1)</p><p> y = df ['Abrieb']</p><h1> Teilen Sie den Datensatz in Training und Testen auf</h1><p> X_train, x_test, y_train, y_test = train_test_split (x, y, test_size = 0.2, random_state = 42)</p>

Schritt 3: Erstellen Sie das Modell

Jetzt werden wir Xgboost verwenden, ein schnelles und genaues Modell für maschinelles Lernen zur Bewertung.

 <code>from xgboost import XGBClassifier</code><p> von sklearn.metrics import classation_report</p><h1> Initialisieren und trainieren Sie das Modell</h1><p> model = xgbClassifier (use_label_encoder = false, eval_metric = 'logloss')</p><p> model.fit (x_train, y_train)</p><h1> Vorhersagen und bewerten</h1><p> y_pred = model.predict (x_test)</p><p> print ("Klassifizierungsbericht: \ n", klassifizierung_report (y_test, y_pred))</p>

Schritt 4: Verwenden Sie Shap, um das Modell zu interpretieren

Shap (Shapley -Additive Erkl?rungen) hilft uns zu verstehen, welche Eigenschaften/Faktoren für die Vorhersage von Abwanderungsraten am wichtigsten sind.

 <code>import shap</code><h1> Shap initialisieren</h1><p> Shap.initjs ()</p><h1> Erkl?ren Sie Modellvorhersagen</h1><p> Erkl?rer = Shap.Explainer (Modell)</p><p> Shap_values = Erkl?rung (x_test)</p><h1> Zusammenfassung</h1><p> Shap.Summary_Plot (Shap_values, x_test)</p>

Schritt 5: Visualisieren Sie Schlüsselbeziehungen

Wir werden Shap -Abh?ngigkeitsgrafiken oder Seeborn verwenden, um den Rücktritt und die überstunden zu visualisieren.

 <code>import seaborn as sns</code><p> matplotlib.pyplot als pLT importieren</p><h1> Visualisieren Sie den Rücktritt und die überstunden</h1><p> PLT.Figure (AbbSize = (8, 5))</p><p> sns.countplot (x = 'überstunden', HUE = 'ABRition', Data = df)</p><p> PLT.TITLE ("Resignation und überstunden")</p><p> Plt.xlabel ("überstundensituation")</p><p> Plt.ylabel ("Graf")</p><p> Plt.Show ()</p>

Ausgabe:

Lassen Sie uns nun unseren Fokus auf 5 gesch?ftliche Erkenntnisse aus unseren Daten verlagern

Von den 5 Erkenntnissen sind jedoch 3 wichtige Erkenntnisse aus IBM -Datens?tzen, die auf Shap -Ans?tzen basieren, etwas, auf das Unternehmen und HR -Abteilungen aktiv achten sollten.

3 wichtige Erkenntnisse aus IBM -Datens?tzen basierend auf der Shap -Methode:

1. Mitarbeiter, die überstunden arbeiten, gehen eher auf.
2. Niedrige Arbeitspl?tze und Umweltzufriedenheit erh?hen das Abwanderungsrisiko.
3. Das monatliche Einkommen hat auch Auswirkungen, ist aber nicht so bedeutsam wie überstunden und Arbeitszufriedenheit.

Daher kann die Personalabteilung die obigen Erkenntnisse verwenden, um bessere L?sungen zu finden.

überarbeiten Sie den Plan

Nachdem wir nun wissen, welche Faktoren wichtig sind, kann die Personalabteilung diese 4 L?sungen befolgen, um die Personalrichtlinien zu leiten.

1. überprüfung von Vergütungspl?nen

Die Mitarbeiter haben Familien, die unterstützen, Rechnungen zu zahlen und den Lebensstil zu pflegen. Wenn Unternehmen ihre Vergütungspl?ne nicht erneut besuchen, verlieren sie wahrscheinlich ihre Mitarbeiter und konkurrenzte bei ihren Gesch?ftsteilen mit wettbewerbsf?higen Nachteilen.

2. überstunden reduzieren oder Anreize bieten

Manchmal kann die Arbeit gewartet werden, aber Stress kann nicht. Warum? Denn überstunden bedeutet nicht Motivation. Eine nerv?se Schulter ohne Motivation kann zu verschiedenen Unsicherheit und Gesundheitsproblemen führen.

3. Verbesserung der Arbeitszufriedenheit durch Mitarbeiterfedback

Feedback ist nicht nur ein Tool, um voranzukommen, sondern auch ein Implementierungszyklus/eine Richtlinie für eine unsichtbare Zukunft. Wenn der Mitarbeiterumsatz ein Problem ist, sind die Mitarbeiter die L?sung. Das Fragen hilft, vorausgesetzt, es wird sich erodieren.

4. F?rdern ein besseres Gleichgewicht zwischen Arbeit und Leben

Die Menschen beitreten nicht nur wegen des sozialen Drucks, sondern auch wegen des sozialen Drucks, um ihr wahres Selbst und ihre F?higkeiten zu entdecken. Wenn Sie einen Job finden, der beide Ziele entspricht, kann sie dazu beitragen, ihre Produktivit?t zu verbessern. über-auszuneitierende F?higkeiten k?nnen jedoch für Unternehmen kontraproduktiv und unlogisch sein.

Daher sind Shap-basierte Methodendatens?tze sehr geeignet:

• Vorhersage der Abwanderung
• Arbeitsoptimierung
• Interpretierbares AI -Tutorial (Form/Limette)
• Wichtigkeitsvisualisierung
• Personalanalyse Dashboard

abschlie?end

Durch die Vorhersage von Mitarbeitern k?nnen Unternehmen den besten Mitarbeitern helfen, die besten Mitarbeiter zu behalten und somit die Gewinne zu maximieren. Daher durch maschinelles Lernen und Shap das Unternehmen

Das obige ist der detaillierte Inhalt vonVorhersage der Mitarbeiterabnutzung mit Shap: Ein HR Analytics Guide. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!