ESTIMATION OF EMPLOYEE ATTRITION IN BUSINESS LIFE BALANCE WITH DATA MINING METHODS

Year 2019, Volume: 17 Issue: 1, 63 - 76, 01.03.2019

Ufuk Celık

https://doi.org/10.11611/yead.519923

Cited By: 2

Abstract

The estimation of
employee attrition in business life balance is an important indicator to
understand the employee performans for human resoırces department in companies.
For such indicators, rather than classical statistical analysis, estimating
with data mining will provide more effective results. In this study, the
prediction of attrition and hence the turnover situations were estimated with
decision tree and support vector machine methods from data mining and
performace result were compared. The sample dataset for analysis was taken from
a database provided by the IBM company in scope of Watson Analytics programme. The
data set contains 35 different attributes of 1470 employees. Factors affecting attrition
were determined in the study and the estimation performance of the decision
tree and support vector machine methods were obtained for accuracy rates of 84.09%
and 91.36% respectively.

Keywords

data mining, business analytics, employee turnover, data sampling

VERİ MADENCİLİĞİ YÖNTEMLERİ İLE İŞ YAŞAM DENGESİNDE YIPRANMA DURUMU TAHMİNİ

Abstract

İş
yaşam dengesinde çalışanların yıpranma durumunun tahmini, şirketlerde insan
kaynakları departmanı için çalışan performansını anlamaya yönelik önemli bir göstergedir.
Bu tür göstergeler için klasik istatistik analizleri yerine veri madenciliği
ile tahminleme yapmak daha efektif sonuçlar verecektir. Bu çalışmada iş
hayatında yıpranma ve dolayısıyla işi bırakma durumunun tahmini veri
madenciliği yöntemlerinden karar ağacı ve destek vektör makinesi yöntemleri ile
gerçekleştirilerek performans sonuçları karşılaştırılmıştır. Analiz için örnek
veri seti IBM şirketi Watson Analytics programı kapsamında sunulan bir
veritabanından alınmıştır. Veri seti 1470 adet çalışanın 35 farklı özniteliği
içermektedir. Çalışmada yıpranmayı etkileyen faktörler belirlenmiş ve karar
ağacı ile destek vektör makinesi yöntemlerinin tahmin performansında sırasıyla
%84.09 ve %91.36 doğruluk oranları elde edilmiştir.

Keywords

veri madenciliği, iş analitiği, işten ayrılma, veri örnekleme

References

• Akpınar, P. D. H. (2014). DATA Veri Madenciliği Veri Analizi. Papatya Bilim Yayınevi.
• Altıntaş, F. Ç. (2006). Bireysel Değerlerin Örgütsel Adalet Ve Sonuçları İlişkisinde Yönlendirici Etkisi: Akademik Personel Üzerinde Bir Analiz. Dokuz Eylül Üniversitesi İşletme Fakültesi Dergisi, 7(2), 19–40.
• Black, J. S., & Porter, L. W. (2000). Management: Meeting New Challenges. Prentice Hall.
• Chi, C. G., & Gursoy, D. (2009). Employee satisfaction, customer satisfaction, and financial performance: An empirical examination. International Journal of Hospitality Management, 28(2), 245–253. https://doi.org/10.1016/J.IJHM.2008.08.003
• Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018
• Cover, T. M., & Thomas, J. A. (2006). Elements of Information Theory, 2nd Edition. Willey.
• Gribskov, M., & Robinson, N. L. (1996). Use of receiver operating characteristic (ROC) analysis to evaluate sequence matching. Computers and Chemistry, 20(1), 25–33. https://doi.org/10.1016/S0097-8485(96)80004-0
• Ihaka, R., & Gentleman, R. (1996). R: a language for data analysis and graphics. Journal of Computational and Graphical Statistics, 5(3), 299–314.
• Jed Wing, M. K. C., Weston, S., Williams, A., Keefer, C., Engelhardt, A., Cooper, T., … Hunt., T. (2018). caret: Classification and Regression Training.
• Korkmaz, O., & Erdoğan, E. (2014). İş Yaşam Dengesinin Örgütsel Bağlılık ve Çalışan Memnuniyetine Etkisi. Ege Academic Review, 14(4).
• Meyer, D., Dimitriadou, E., Hornik, K., Weingessel, A., & Leisch, F. (2018). e1071: Misc Functions of the Department of Statistics, Probability Theory Group (Formerly: E1071), TU Wien.
• Mobley, W. H. (1977). Intermediate linkages in the relationship between job satisfaction and employee turnover. Journal of Applied Psychology, 62(2), 237–240. https://doi.org/10.1037/0021-9010.62.2.237
• Mobley, W. H. (1982). Employee Turnover, Causes, Consequences, and Control. Addison-Wesley.
• Nagadevara, V., Srinivasan, V., & Valk, R. (2008). Establishing a Link Between Employee Turnover and Withdrawal Beaviours: Application of Data Mining Techniques. Research & Practice in Human Resource Management, 16(2), 81–99.
• Osuna, E., Freund, R., & Girosi, F. (1997). Support Vector Machines: Training and Applications. Cambridge, MA, USA: Massachusetts Institute of Technology.
• Özdemir, A. F., Yildiztepe, E., Binar Dokuz, M., Üniversitesi, E., Fakültesi, F.-E., & Bölümü, İ. (2018). İstatistiksel Yazılım Geliştirme Ortamı: R.,
• Quinlan, J. R. (1999). Simplifying decision trees. International Journal of Human-Computer Studies, 51(2), 497–510. https://doi.org/10.1006/IJHC.1987.0321
• Ranjan, J., Goyal, D. P., & Ahson, S. I. (2008). Data mining techniques for better decisions in human resource management systems. International Journal of Business Information Systems, 3(5), 464–481. https://doi.org/10.1504/IJBIS.2008.018597
• Sing, T., Sander, O., Beerenwinkel, N., & Lengauer, T. (2005). ROCR: visualizing classifier performance in R. Bioinformatics, 21(20), 7881.
• Stacker, M. (2015). SAMPLE DATA: HR Employee Attrition and Performance. Tarihinde 01 Kasım 2018, adresinden erişildi https://www.ibm.com/communities/analytics/watson-analytics-blog/hr-employee-attrition/
• The Comprehensive R Archive Network. (y.y.). Tarihinde 01 Kasım 2018, adresinden erişildi https://cran.r-project.org/
• The R Project for Statistical Computing. (y.y.). Tarihinde 01 Kasım 2018, adresinden erişildi https://www.r-project.org
• Therneau, T., & Atkinson, B. (2018). rpart: Recursive Partitioning and Regression Trees.
• Ülgen, E. K. (2017). Makine Öğrenimi Bölüm-4 (Destek Vektör Makineleri). Tarihinde 01 Kasım 2018, adresinden erişildi https://medium.com/@k.ulgen90/makine-öğrenimi-bölüm-4-destek-vektör-makineleri-2f8010824054