Simplified Novel Approach for Accurate Employee Churn Categorization using MCDM, De-Pareto Principle Approach, and Machine Learning
-
Published:2024-02-25
Issue:2(SI)
Volume:21
Page:0706
-
ISSN:2411-7986
-
Container-title:Baghdad Science Journal
-
language:
-
Short-container-title:Baghdad Sci.J
Author:
Al Abid Faisal BinORCID,
Bakri Aryati Binti,
Alam Md. Golam RabiulORCID,
Uddin JiaORCID,
Chowdhury Shefayatuj JoharaORCID
Abstract
يعد طرد الموظفين من المنظمات مشكلة خطيرة. يجب حل مشكلة تدوير الموظفين أو اطردهم من داخل المنظمة نظرًا لأن لها تأثيرًا سلبيًا على المنظمة. يعد الاكتشاف اليدوي لتسرب الموظفين أمرًا صعبًا للغاية، لذلك تم استخدام خوارزميات التعلم الآلي ML بشكل متكرر لاكتشاف تسرب الموظفين بالإضافة إلى تصنيف الموظفين وفقًا للاستبدالهم.
باستخدام التعلم الآلي، بحثت دراسة واحدة فقط في تصنيف الموظفين حتى الآن. تم اقتراح نهج جديد لاتخاذ القرار متعدد المعايير MCDM إلى جانب مبدأ DE-PARETO لتصنيف الموظفين. يشار إلى هذا باسم مخطط SNEC .
تم تصميم نموذج AHP-TOPSIS DE-PARETO PRINCIPLE (AHPTOPDE) الذي يستخدم نظام MCDM على مرحلتين لتصنيف الموظفين. في المرحلة الأولى، تم استخدام عملية التسلسل الهرمي التحليلي AHP لتعيين الأوزان النسبية لعوامل إنجاز الموظف. في المرحلة الثانية، تم استخدام TOPSIS للتعبير عن أهمية الموظفين في إجراء تصنيف الموظفين. تم تطبيق قاعدة 20-30-50 البسيطة في مبدأ DE PARETO لتصنيف الموظفين إلى ثلاث مجموعات رئيسية وهي الموظفون المتحمسون والسلوكيون والمضطربون. يتم بعد ذلك تطبيق خوارزمية الغابة العشوائية كخوارزمية أساسية لإطار عمل الموظفين المقترح للتنبؤ بخسارة الموظفين على أساس الفصل والذي يتم اختباره على مجموعة بيانات قياسية لنظام معلومات الموارد البشرية HRIS، ويتم تقييم النتائج التي تم الحصول عليها باستخدام طرق تعلم الآلة الأخرى. تتمتع خوارزمية Random Forest ML في مخطط SNEC بدقة إجمالية مماثلة أو أفضل قليلاً وMCC مع تعقيد زمني أقل مقارنةً بمخطط ECPR باستخدام خوارزمية CATBOOST
Publisher
College of Science for Women, University of Baghdad
Cited by
1 articles.
订阅此论文施引文献
订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献