Eine Studie zur Vorhersage der Arbeitsengagement unter Verwendung von maschinellem Lernen

Ziele Das Arbeitsengagement kann mit wichtigen Arbeitsergebnissen in Verbindung gebracht werden. Eine Möglichkeit für Organisationen, das Arbeitsengagement zu erhöhen, besteht darin, Technologien des maschinellen Lernens zu nutzen, um das Arbeitsengagement der Mitarbeiter vorherzusagen, sodass die Führungskräfte im Bereich Humanressourcen (HR) proaktive Maßnahmen ergreifen oder Nachfolgeplanungen durchführen können. Diese Arbeit hat zum Ziel, ein zuverlässiges Modell zur Vorhersage des Arbeitsengagements unter Verwendung von Techniken des maschinellen Lernens zu entwickeln. Design/Methodik/Ansatz Diese Studie verwendete den Datensatz, der bei International Business Machines (IBM) Watson Analytics in der IBM-Community verfügbar ist, und wandte ein verallgemeinertes lineares Modell (GLM) an, einschließlich linearer Regression und binomialer Klassifikation. Diese Studie hatte im Wesentlichen zwei primäre Ansätze. Erstens beabsichtigt diese Arbeit, die Rolle der Variablen im Modell zur Vorhersage des Arbeitsengagements besser zu verstehen. Zweitens soll die Studie die prognostische Leistung des GLM einschließlich linearer Regression und binomialer Klassifikation bewerten. Ergebnisse In diesen Ergebnissen konnte erstens das Arbeitsengagement der Mitarbeiter mit vielen individuellen Faktoren vorhergesagt werden. Zweitens zeigte dieses Modell für jedes Modell eine herausragende prognostische Leistung. Praktische Implikationen Die in diesem Papier verwendeten Vorabzugriffs- und Modellierungsmethoden können als Fahrplan für den Leser betrachtet werden, um die in dieser Studie unternommenen Schritte nachzuvollziehen und Verfahren zur Identifizierung der Ursachen vieler anderer Probleme im Bereich des HR-Managements anzuwenden. Originalität/Wert Diese Arbeit ist die erste, die versucht, das leistungsfähigste Modell zur Vorhersage des Arbeitsengagements basierend auf einer begrenzten Anzahl von Merkmalen, einschließlich der Demografie der Mitarbeiter, unter Verwendung von Techniken des maschinellen Lernens zu entwickeln.