Build your ultimate AI agent
รายละเอียดคอร์ส
การเติบโตขององค์กรขึ้นอยู่กับการรักษาพนักงานเป็นสำคัญ การสูญเสียพนักงานบ่อยครั้งส่งผลต่อขวัญกำลังใจในองค์กร และการสรรหาพนักงานใหม่มีต้นทุนสูงกว่าการรักษาพนักงานเดิม ข่าวดีคือองค์กรสามารถเพิ่มอัตราการรักษาพนักงานได้ด้วยกลยุทธ์ที่อิงข้อมูล คอร์สนี้ครอบคลุมการนำข้อมูลจากแหล่ง HR หลายแหล่งมาใช้งาน การสำรวจและสร้างฟีเจอร์ใหม่ การสร้างและตรวจสอบโมเดล logistic regression และการคำนวณ ROI สำหรับกลยุทธ์การรักษาพนักงาน
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
บทนำ
บทนี้เริ่มต้นด้วยภาพรวมของการลาออกของพนักงานและสาเหตุที่พนักงานระบุ จากนั้นจะเรียนรู้วิธีคำนวณอัตราการลาออกและวิเคราะห์อัตราดังกล่าวในมิติต่าง ๆ รวมถึงการระบุกลุ่มพนักงานที่ต้องการวิเคราะห์ และการรวบรวมข้อมูลจากแหล่ง HR หลายแหล่งเพื่อดึงข้อมูลเชิงลึกที่เป็นประโยชน์มากยิ่งขึ้น
- Turnover คืออะไร?50 XP
- วัตถุประสงค์ของการพยากรณ์การลาออกของพนักงาน50 XP
- การนำเข้าข้อมูลจำนวนพนักงานและการลาออก100 XP
- สำรวจข้อมูล50 XP
- พนักงานสัดส่วนเท่าใดที่ลาออกไปแล้ว?100 XP
- ระดับใดมีอัตราการลาออกสูง?100 XP
- อัตราการลาออกแตกต่างกันตามสถานที่ตั้งหรือไม่?100 XP
- สถาปัตยกรรมข้อมูล HR50 XP
- การกรองชุดข้อมูล100 XP
- การรวมชุดข้อมูล HR (I)100 XP
- การรวมชุดข้อมูล HR (II)100 XP
- ภาพรวมข้อมูลหลัก100 XP
2
Feature Engineering
ในบทนี้ จะสร้างตัวแปรใหม่จากข้อมูลที่มีอยู่เพื่ออธิบายการลาออกของพนักงาน วิเคราะห์ข้อมูลค่าตอบแทนและสร้าง compa-ratio เพื่อวัดความเป็นธรรมด้านค่าจ้างของพนักงานทุกคน และใช้แนวคิด Information Value (IV) เพื่อระบุตัวแปรที่มีอิทธิพลต่อการลาออกมากที่สุด
3
การพยากรณ์การลาออก
ในบทนี้ จะสร้างโมเดล logistic regression เพื่อพยากรณ์การลาออก โดยคำนึงถึงปัญหา multicollinearity ระหว่างตัวแปรด้วย
4
การตรวจสอบโมเดล กลยุทธ์ HR และ ROI
ในบทนี้ จะคำนวณความแม่นยำของโมเดลและจัดกลุ่มพนักงานตามระดับความเสี่ยง จากนั้นจะกำหนดกลยุทธ์การแทรกแซงและคำนวณ ROI ของกลยุทธ์ดังกล่าว
R
HR Analytics: การพยากรณ์การลาออกของพนักงานด้วย R
เรียนจบแล้ว

