Management und Vorhersage der Mitarbeiterfluktuation in Unternehmen basierend auf Big Data-Analysen und maschinellem Lernen

Im Kontext einer alternden Bevölkerung und sozialen Transformation stellen die Mitarbeiter auch höhere Anforderungen an die Unternehmenskultur und -werte, was das Risiko der Mitarbeiterfluktuation erhöht. In diesem Papier wird die Korrelation zwischen verschiedenen Indikatoren und Abgängen durch statistische Analysen und Visualisierung verschiedener Datenindikatoren sowie die Verteilung von Abgängen und Nicht-Abgängen auf verschiedenen Indikatoren untersucht, wobei die Frage, ob sie das Unternehmen verlassen haben, als Klassifikationskriterium verwendet wird. Darüber hinaus führt dieses Papier eine Pearson-Korrelationsanalyse für jeden Indikator durch und erstellt eine Korrelation-Hitzekarte, um die Korrelation zwischen den Indikatoren quantitativ zu erkunden. Um vorherzusagen, ob Mitarbeiter das Unternehmen verlassen werden, verwendet dieses Papier das Random Forest-Modell, das Support Vector Machine-Modell, das KNN-Modell, das gewöhnliche Bayes-Modell und das logistische Regressionsmodell für Training und Test. Die Ergebnisse zeigen, dass das beste Vorhersageergebnis hinsichtlich der Mitarbeiterfluktuation das Random Forest-Modell mit einer Vorhersagegenauigkeit von 98,8 % ist. Gefolgt wird es vom Support Vector Machine-Modell mit einer Genauigkeit von 95,1 %. Darüber hinaus erreichte auch das KNN-Modell eine Genauigkeit von 94,8 %. Das gewöhnliche Bayes-Modell und das logistische Regressionsmodell haben nur eine niedrigere Genauigkeitsrate von 80,4 % bzw. 77,2 %. Dies ist von großer Bedeutung für Unternehmen, um nachhaltige Entwicklung zu realisieren, und ist eine vertiefte Untersuchung und Praxis durch Unternehmensleiter wert.