Lewati ke konten utama

Kursus

Analitik SDM: Memprediksi Pergantian Karyawan dengan R

MenengahTingkat Keterampilan

Diperbarui 08/2024

Prediksi tingkat turnover karyawan dan rancang strategi retensi.

Mulai Kursus Gratis

RMachine Learning

4 jam

14 videos

50 Latihan

4,000 XP

4,855

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

Deskripsi Kursus

Pertumbuhan organisasi sangat bergantung pada retensi karyawan. Sering kehilangan karyawan berdampak pada moral organisasi, dan merekrut karyawan baru lebih mahal daripada mempertahankan yang sudah ada. Kabar baiknya, organisasi dapat meningkatkan retensi karyawan dengan strategi intervensi berbasis data. Kursus ini berfokus pada akuisisi data dari berbagai sumber SDM, mengeksplorasi dan menurunkan fitur baru, membangun dan memvalidasi model regresi logistik, dan akhirnya menunjukkan cara menghitung ROI untuk strategi retensi yang potensial.

Persyaratan

HR Analytics: Exploring Employee Data in R

1

Pendahuluan

Bab ini dimulai dengan pengenalan umum tentang churn/pergantian karyawan dan alasan terjadinya pergantian menurut karyawan. Anda akan mempelajari cara menghitung tingkat pergantian dan mengeksplorasinya lintas berbagai dimensi. Anda juga akan mengidentifikasi segmen talenta untuk analisis Anda serta menggabungkan data relevan dari berbagai sumber data SDM guna memperoleh wawasan yang lebih berguna.

Apa itu turnover?

Tujuan prediksi turnover karyawan

Mengimpor data jumlah karyawan dan turnover

Menjelajahi data

Berapa proporsi karyawan yang telah keluar?

Level mana yang memiliki tingkat turnover tinggi?

Apakah tingkat turnover berbeda antar lokasi?

Arsitektur data HR

Menyaring himpunan data

Menggabungkan himpunan data HR (I)

Menggabungkan himpunan data HR (II)

Gambaran umum data master

2

Rekayasa Fitur

Pada bab ini, Anda akan membuat variabel baru dari data yang ada untuk menjelaskan pergantian karyawan. Anda akan menganalisis data kompensasi dan membuat compa-ratio untuk mengukur keadilan upah seluruh karyawan. Untuk mengidentifikasi variabel terpenting yang memengaruhi pergantian, Anda akan menggunakan konsep Information Value (IV).

Rekayasa fitur

Turunkan selisih usia

Menurunkan indeks loncat kerja

Menurunkan masa kerja karyawan

Menjelajahi kompensasi

Kesenjangan Upah

Menurunkan Compa-ratio

Menurunkan Compa-level

Nilai informasi

Menghitung Information Value

Variabel mana yang penting?

3

Memprediksi Pergantian

Pada bab ini, Anda akan membangun model regresi logistik untuk memprediksi pergantian dengan mempertimbangkan multikolinearitas antarvariabel.

Pemecahan data

Membagi data

Mengonfirmasi pemisahan data

Pengantar logistic regression

Bangun model regresi logistik pertama Anda

Bangun model regresi logistik berganda

Menafsirkan tingkat signifikansi

Multikolinieritas

Mendeteksi multikolinearitas

Menangani multikolinearitas

Membangun model final Anda

Membangun model regresi logistik final

Memahami prediksi model

Menafsirkan hasil

4

Validasi Model, Intervensi SDM, dan ROI

Pada bab ini, Anda akan menghitung akurasi model dan mengategorikan karyawan ke dalam kelompok risiko tertentu. Anda kemudian akan merumuskan strategi intervensi dan menghitung ROI untuk strategi tersebut.

Memvalidasi hasil regresi logistik

Buat confusion matrix

Akurasi model Anda

Merancang strategi retensi

Hitung probabilitas risiko turnover

Membuat kelompok risiko turnover

Apa yang akan Anda lakukan?

Pengembalian investasi

Buat rentang kenaikan gaji

Hitung tingkat turnover berdasarkan rentang kenaikan gaji

Analitik SDM: Memprediksi Pergantian Karyawan dengan R

Kursus
Selesai

Memperoleh Surat Keterangan Prestasi

Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV Anda
Bagikan di media sosial dan dalam penilaian kinerja AndaDaftar sekarang

Bergabung dengan 19 juta pelajar dan mulai Analitik SDM: Memprediksi Pergantian Karyawan dengan R Hari Ini!

Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile

Buat kemajuan di mana saja dengan kursus mobile kami dan tantangan coding harian 5 menit.