데이터 사이언스 [Data Science] - HR - 비즈니스 사례 이해 및 모델 구축 계획

 

 

Introduction

 

기업에서 직원 고용 및 유지는 자본, 시간 그리고 전문 기술이 요구된다.

이는 기업의 성과와 안정성에 직결되는 중요한 과제로, 효율적인 관리가 필수적입니다.

최근 데이터 기반 접근법으로 이러한 복잡한 과정을 혁신하는 연구들이 활발히 진행되고 있다.

 

출처 : 사람인

 

커리어 플랫폼 '사람인'에 따르면 직원 1명을 채용하는데 평균 32일과 1,272만 원의 비용이 소모되는 걸 알 수 있다.

 

출처 : DIO

 

또한 채용된 인원 연봉의 15-25%가 헤드 헌팅 수수료로 지출이 된다.

특히 50인 미만의 소규모 사업장의 사업주는 HR 전담 인력 부족으로 많은 어려움을 겪는다.

 

데이터 분석과 이직 예측 모델의 필요성

이처럼 직원 이직은 운영의 효율성 및 경제성을 저하시킬 뿐만 아니라, 인재를 잃게 만들어 경쟁력을 약화시킨다.

이직 가능성을 사전에 예측하면 HR팀은 이직 위험이 높은 직원들에게 적절한 개입을 통해 이직을 예방 및 대비할 수 있다.

 

이직률 예측 모델관련 사례

 

인공지능을 이용한 신규 간호사 이직률 예측 :

• 퇴사한 간호사 1천여명의 정보를 이용하여 1년 이내 조기 이직을 88.7%의 정확도로 예측
• 3년 이내 이직률을 79.8%의 정확도로 예측함

인성 데이터를 활용한 조기 퇴사자 예측 :

• 기업에서 전형 시 진행되는 인성시험 결과 데이터를 기반으로 퇴사자 예측
• 제조직군의 '몰입', R&D 직군에서 '반사회성'이 조기 퇴직에 가장 큰 영향을 미치는 것으로 예측

 

이직 예측 모델에 사용 할 변수

 

다음과 같은 데이터를 활용하여 직원의 이직 가능성을 예측할 것이다.

• 직무 만족도 (JobSatisfaction)
• 교육 수준 (Education)
• 직무 몰입도 (JobInvolvement)
• 성과 평가 (PerformanceRating)
• 관계 만족도 (RelationshipSatisfaction)
• 워크라이프 밸런스 (WorkLifeBalance)

 

사용할 데이터셋 : 

IBM HR Analytics Employee Attrition & Performance

 

직원 이직 예측 모델 구축 과정

 

1. 데이터 수집 :  HR 부서의 내부 데이터와 외부 데이터를 통합하여 포괄적인 데이터셋 생성

2. 데이터 전처리 : 결측치 처리와 이상치 제거를 통해 데이터의 품질 향상

3. 머신러닝 모델 개발 : 랜덤 포레스트, 로지스틱 회귀, 딥러닝과 같은 기법을 활용하여 예측 모델 구축

4. 모델 평가 및 개선 : 정확도와 정밀도 같은 성능 지표를 활용해 모델의 신뢰성을 평가 및 개선

 

EDA 과정 보러가기

데이터 사이언스 [Data Science] - HR- EDA(탐색적 데이터 분석)

 

 

참고문헌

기업, 직원 1명 채용에 평균 32일, 천 만원 이상 든다! | 취업뉴스 - 사람인

헤드헌팅 수수료 톺아보기: 헤드헌팅 수수료가 높은 이유부터 낮추는 방법까지 - 탑티어 현직자

[논문]HR 애널리틱스의 최근 연구 동향 및 향후 과제

[논문]인공지능을 이용한 신규간호사 이직률 예측

DBpia