Vorhersage der Mitarbeiterabnutzung mit Shap: Ein HR Analytics Information

Hochqualifizierte Mitarbeiter verlassen ein Unternehmen. Dieser Schritt erfolgt so plötzlich, dass die Abnutzung von Mitarbeitern zu einer teuren und disruptiven Angelegenheit wird, die für das Unternehmen zu heiß ist. Warum? Es braucht viel Zeit und Geld, um einen kompletten Außenseiter mit den Nuancen des Unternehmens einzustellen und auszubilden.

Wenn Sie sich dieses Szenario ansehen, stellt sich immer eine Frage in Ihrem Kopf, wenn Ihr Kollege das Büro verlässt, in dem Sie arbeiten.

„Was wäre, wenn wir vorhersagen könnten, wer verlassen und verstehen könnte, warum?“

Bevor jedoch davon ausgeht, dass die Abnutzung von Mitarbeitern eine bloße Arbeitssrennung ist oder dass irgendwo eine bessere Lern-/Wachstumschance vorhanden ist. Dann sind Sie in Ihren Annahmen etwas falsch.

Additionally, was auch immer in Ihrem Büro passiert, Sie arbeiten, Sie sehen, dass sie mehr ausgehen als hereinzukommen.

Wenn Sie es jedoch nicht in einem Muster beobachten, verpassen Sie den ganzen Punkt der Angestellten -Abnutzung, die in Ihrem Büro dwell in Aktion stattfindet.

Sie fragen sich: „Unternehmen und ihre Personalabteilungen versuchen, wertvolle Mitarbeiter daran zu hindern, ihre Arbeit zu verlassen?“

Ja! In diesem Artikel werden wir daher ein einfaches Modell für maschinelles Lernen erstellen, um die Abnutzung der Mitarbeiter vorherzusagen, wobei wir ein Shap -Software verwenden, um die Ergebnisse zu erklären, damit HR -Groups auf der Grundlage der Erkenntnisse Maßnahmen ergreifen können.

Das Drawback verstehen

Im Jahr 2024 veröffentlichten Weltmetrics den Marktdatenbericht, in dem eindeutig 33% der Mitarbeiter ihre Arbeit lassen, weil sie keine Möglichkeiten für die Karriereentwicklung sehen – das heißt, ein Drittel der Abflüge ist auf stagnierende Wachstumspfade zurückzuführen. Von 180 Mitarbeitern treten 60 Mitarbeiter in einem Jahr von ihren Arbeitsplätzen im Unternehmen zurück. Was ist Angestellte Abnutzung? Vielleicht möchten Sie uns fragen.

• Was ist Angestellte Abnutzung?

Gartner hat 45 Jahre lang Einblicke und Experten -Leitlinien für Kundenunternehmen weltweit zur Verfügung gestellt und die Abnutzung von Mitarbeitern als „den schrittweise Verlust der Mitarbeiter, wenn die Positionen nicht nachgefüllt werden, häufig aufgrund freiwilliger Rücktritt, Pensionierungen oder internen Übertragungen“ definiert.

Wie hilft Analytics dabei, HR proaktiv damit anzugehen?

Die Rolle der Personalabteilung ist für ein Unternehmen äußerst zuverlässig und wertvoll, da die Personalabteilung die einzige Abteilung ist, die aktiv und direkt an Analysen und Humanressourcen von Mitarbeitern arbeiten kann.

HR kann Analysen verwenden, um die Grundursachen für die Abnutzung von Mitarbeitern zu ermitteln, historische Datenmodellmuster/Demografie der Mitarbeiter zu identifizieren und gezielte Aktionen entsprechend zu entwerfen.

Welche Methode/Ansatz ist nun für die Personalabteilung hilfreich? Irgendwelche Vermutungen? Die Antwort ist der Shap -Ansatz. Additionally, was ist das?

Was ist der Shap -Ansatz?

Shap ist eine Methode und ein Werkzeug, mit dem die Erklärung der Erklärung verwendet wird Maschinelles Lernen (ML) Modellausgabe.

Es fügt auch das Warum hinzu, was den Mitarbeiter freiwillig zurückgetreten hat, was Sie in dem folgenden Artikel sehen werden.

Vorher können Sie es jedoch über das PIP -Terminal und das Conda -Terminal installieren.

!pip set up shap

oder

conda set up -c conda-forge shap

IBM präsentierte 2017 einen Datensatz mit dem Titel „IBM HR Analytics Worker Abrieb & Efficiency“ mithilfe des Shap -Instruments/der Shap -Software/-methode.

Hier finden Sie den Datensatzüberblick, dass Sie sich unten ansehen können.

Datensatzübersicht

Wir werden die verwenden IBM HR Analytics Mitarbeiter -Abnutzungsdatensatz. Es enthält Informationen über 1.400 Mitarbeiter – Dinge wie Alter, Gehalt, Arbeitsrolle und Zufriedenheitswerte, um Muster mithilfe des Shap -Ansatzes/-werkzeugs zu identifizieren.

Dann werden wir Schlüsselspalten verwenden:

• Attrition: Ob der Mitarbeiter gegangen oder blieb
• Im Laufe der Zeit, Arbeitszufriedenheit, monatliches Einkommen, Arbeitslebensbilanz

Danach sollten Sie den Shap -Ansatz/-werkzeug praktisch in die Tat umsetzen, um das Risiko der Mitarbeiterabnutzung zu überwinden, indem Sie diese 5 Schritte befolgen.

Schritt 1: Laden und erkunden Sie die Daten

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import LabelEncoder

# Load the dataset

df = pd.read_csv('WA_Fn-UseC_-HR-Worker-Attrition.csv')

# Primary exploration

print("Form of dataset:", df.form)

print("Attrition worth counts:n", df('Attrition').value_counts())

Schritt 2: Vorverarbeitung der Daten vorab zusammenarbeiten

Sobald der Datensatz geladen ist, ändern wir die Textwerte in Zahlen und teilen die Daten in Coaching und Testen auf.

# Convert the goal variable to binary

df('Attrition') = df('Attrition').map({'Sure': 1, 'No': 0})

# Encode all categorical options

label_enc = LabelEncoder()

categorical_cols = df.select_dtypes(embody=('object')).columns

for col in categorical_cols:

    df(col) = label_enc.fit_transform(df(col))

# Outline options and goal

X = df.drop('Attrition', axis=1)

y = df('Attrition')

# Cut up the dataset into coaching and testing

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

Schritt 3: Erstellen Sie das Modell

Jetzt werden wir verwenden Xgboostein schnelles und genaues Modell für maschinelles Lernen zur Bewertung.

from xgboost import XGBClassifier

from sklearn.metrics import classification_report

# Initialize and practice the mannequin

mannequin = XGBClassifier(use_label_encoder=False, eval_metric="logloss")

mannequin.match(X_train, y_train)

# Predict and consider

y_pred = mannequin.predict(X_test)

print("Classification Report:n", classification_report(y_test, y_pred))

Schritt 4: Erklären Sie das Modell mit Shap

Shap (Shapley Additive Erklärungen) hilft uns zu verstehen, welche Merkmale/Faktoren für die Vorhersage von Abnutzung am wichtigsten sind.

import shap

# Initialize SHAP

shap.initjs()

# Clarify mannequin predictions

explainer = shap.Explainer(mannequin)

shap_values = explainer(X_test)

# Abstract plot

shap.summary_plot(shap_values, X_test)

Schritt 5: Visualisieren Sie Schlüsselbeziehungen

Wir werden tiefer mit Formabhängigkeitsdiagramme oder SeaBorn -Visualisierungen von Abnutzung im Vergleich zu Zeit graben.

import seaborn as sns

import matplotlib.pyplot as plt

# Visualizing Attrition vs OverTime

plt.determine(figsize=(8, 5))

sns.countplot(x='OverTime', hue="Attrition", information=df)

plt.title("Attrition vs OverTime")

plt.xlabel("OverTime")

plt.ylabel("Depend")

plt.present()

Ausgabe:

Lassen Sie uns nun unseren Fokus auf 5 geschäftliche Erkenntnisse aus den Daten verlagern

Von 5 Erkenntnissen gibt es jedoch 3 wichtige Erkenntnisse aus dem Shap-basierten IBM-Datensatz, auf den die Unternehmen und die Personalabteilungen aktiv aufmerksam machen sollten.

3 Key -Erkenntnisse des IBM -Shap -Ansatzes:

1. Mitarbeiter, die Überstunden arbeiten, gehen mit größerer Wahrscheinlichkeit.
2. Niedrige Arbeits- und Umweltzufriedenheit erhöht das Risiko einer Abnutzung.
3. Das monatliche Einkommen wirkt sich ebenfalls aus, aber weniger als Überstunden und Arbeitszufriedenheit.

Die HR -Abteilungen können additionally die oben genannten Erkenntnisse verwenden, um bessere Lösungen zu finden.

Pläne überarbeiten

Nachdem wir nun wissen, worauf es ankommt, kann die Personalabteilung diesen 4 Lösungen folgen, um die Personalpolics zu leiten.

1. Vergütungspläne erneut besuchen

Die Mitarbeiter haben Familien, die zu ernähren sind, Rechnungen zu zahlen und einen Lebensstil zu führen. Wenn Unternehmen ihre Vergütungspläne nicht erneut besuchen, verlieren sie am wahrscheinlichsten ihre Mitarbeiter und sind für ihre Unternehmen einen wettbewerbsfähigen Nachteil ausgesetzt.

2. Überstunden reduzieren oder Anreize bieten

Manchmal kann die Arbeit warten, aber Stressfaktoren können nicht. Warum? Weil Überstunden nicht gleich den Anreizen sind. Spannte Schultern, aber kein Anreiz bringt verschiedene Arten von Unsicherheiten und gesundheitlichen Problemen zur Welt.

3. Verbessern Sie die Arbeitszufriedenheit durch Suggestions der Mitarbeiter selbst

Suggestions ist nicht nur etwas, das man vorantreiben kann, sondern es ist eine eindeutige Implementierungsschleife/Leitfaden für die Zukunft. Wenn die Abnutzung von Mitarbeitern ein Drawback ist, sind Mitarbeiter die Lösung. Das Fragen hilft hilft unter der Annahme von Eodes.

4. Breiten Sie einen besseren Begriff der Arbeitslebensbilanz vor

Die Menschen schließen sich Jobs nicht nur wegen gesellschaftlicher Druck an, sondern um zu entdecken, wer sie wirklich sind und welche Fähigkeiten ihre Fähigkeiten haben. Einen Job zu finden, der in diese beiden Ziele passt, hilft, ihre Produktivität zu steigern. Über zu übermäßiges Fähigkeiten kann jedoch für die Unternehmen kontraproduktiv und kontraintuitiv sein.

Daher ist dieser Shap-basierte Ansatz-Datensatz perfekt für:

• Abnutzungsvorhersage
• Personaloptimierung
• Erklärbare AI -Tutorials (Type/Limette)
• Wichtigkeitsvisualisierungen aufweisen
• HR Analytics Dashboards

Abschluss

Die Vorhersage von Angestellten Abrieb kann Unternehmen helfen, ihre besten Menschen zu behalten und die Gewinne zu maximieren. Mit maschinellem Lernen und Gestalt können die Unternehmen sehen, wer und warum möglicherweise gehen. Das Shap -Software/-ansatz hilft HR, Maßnahmen zu ergreifen, bevor es zu spät ist. Durch die Verwendung des Shap -Ansatzes können Unternehmen einen Backup-/Nachfolgeplan erstellen.

Häufig gestellte Fragen

Jyoti Makkar ist Schriftsteller und AI-Generalist, warfare kürzlich eine Plattform namens WorkSpacetool.com mit, um die beste Software program für geschäftliche Anforderungen zu entdecken, zu vergleichen und auszuwählen.