VERİ MADENCİLİĞİ YÖNTEMLERİ İLE İŞ YAŞAM DENGESİNDE YIPRANMA DURUMU TAHMİNİ

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.

Anahtar Kelimeler:

veri madenciliği, iş analitiği, işten ayrılma, veri örnekleme

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

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,

PDF

___

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