Weiter zum Inhalt

Startseite Python

Kurs

HR Analytics: Mitarbeiterfluktuation mit Python vorhersagen

MittelSchwierigkeitsgrad

Aktualisiert 04/2026

In diesem Kurs lernst du, wie du maschinelles Lernen im Personalwesen anwendest.

Kurs kostenlos starten

PythonMachine Learning

4 Std.

14 Videos

44 Übungen

3,500 XP

8,922

Leistungsnachweis

Beliebt bei Lernenden in Tausenden Unternehmen

Ein Team schulen?

Für Unternehmen ausprobieren

Kursbeschreibung

Unter all den Unternehmensbereichen ist HR noch am wenigsten disruptiert. Doch die neuesten Entwicklungen bei Tools und Technologien zur Datenerfassung und -analyse ermöglichen datengetriebene Entscheidungen in allen Bereichen – auch im HR. Dieser Kurs vermittelt dir eine solide Grundlage, um mit Mitarbeiterdaten zu arbeiten und ein Vorhersagemodell zur Analyse der Fluktuation zu entwickeln.

Voraussetzungen

Intermediate Python

1

Einführung in HR Analytics

In diesem Kapitel lernst du die Fragestellungen kennen, die mit HR Analytics adressiert werden. Außerdem untersuchst du einen Beispiel-HR-Datensatz, den du später weiter analysierst. Du beschreibst und visualisierst einige der wichtigsten Variablen und transformierst sowie bearbeitest den Datensatz, um ihn für die Analyse vorzubereiten.

Einführung und Überblick

Kategorische Variablen finden

Kategorien betrachten

Kategorische Variablen transformieren

Kategorien encodieren

Dummies erstellen

Deskriptive Statistik

Korrelationen in den Mitarbeiterdaten

Prozentsatz der Mitarbeitenden mit Churn

Kapitel starten

2

Mitarbeiterfluktuation vorhersagen

Dieses Kapitel führt eine der beliebtesten Klassifikationstechniken ein: den Decision Tree. Du nutzt ihn, um einen Algorithmus zu entwickeln, der die Mitarbeiterfluktuation vorhersagt.

Die Daten aufteilen

Target und Features trennen

Mitarbeiterdaten aufteilen

Einführung in die Entscheidungsbaum-Klassifikation

Gini-Index berechnen

Den Baum aufteilen

Mitarbeiterabwanderung mit Entscheidungsbäumen vorhersagen

Den Baum auf Mitarbeiterdaten fitten

Die Genauigkeit der Vorhersage prüfen

Interpretation des Entscheidungsbaums

Den Baum exportieren

Interpretation der Ergebnisse

Kapitel starten

3

Das Fluktuationsmodell evaluieren

Hier lernst du, wie du ein Modell evaluierst und verstehst, wie „gut“ es ist. Du vergleichst verschiedene Bäume, um den besten auszuwählen.

Feinabstimmung des Klassifikators zur Mitarbeiterfluktuation

Den Baum beschneiden

Stichprobengröße begrenzen

Das Modell bewerten

Genauigkeitsmetriken interpretieren

Genauigkeitsmetrik berechnen: Precision

Genauigkeitsmetriken berechnen: Recall

Sowohl Leaver als auch Stayer ansprechen

ROC-/AUC-Score berechnen

Unausgewogene Klassen

Klassen ausbalancieren

Vergleich von Modellen zur Mitarbeiterfluktuation

Kapitel starten

4

Das beste Fluktuationsmodell auswählen

In diesem abschließenden Kapitel lernst du, wie du mit Cross-Validation ein Überanpassen an die Trainingsdaten vermeidest. Außerdem erfährst du, welche Features großen Einfluss haben und welche vernachlässigbar sind. Abschließend setzt du diese neuen Fähigkeiten ein, um einen leistungsfähigeren Decision Tree zu bauen!

Hyperparameter-Tuning

Cross-Validation mit sklearn

GridSearch-Parameter einrichten

GridSearch implementieren

Wichtige Merkmale zur Vorhersage von Fluktuation

Wichtigkeit interpretieren

Wichtige Features sortieren

Wichtige Features auswählen

Entwickle und teste das beste Modell

Abschließende Gedanken

Kapitel starten

HR Analytics: Mitarbeiterfluktuation mit Python vorhersagen

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte HR Analytics: Mitarbeiterfluktuation mit Python vorhersagen heute!

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.