Prediktivní modelování odchodu zaměstnanců

Bc. Radka Horníková

Master's thesis

Predictive modeling of employee leave

Abstract:

Diplomová práce se věnuje prediktivnímu modelování odchodu zaměstnanců a rovněž faktorům ovlivňujícím odchod zaměstnanců. Teoretická část práce se zabývá nejprve daty obecně a poté se více zaměřuje na big data. Dále se věnuje oblasti datové analýzy a prediktivnímu modelování, přičemž vzhledem k tématu práce se zaměřuje na modely klasifikační, konkrétně na metody Naïve Bayes, logistickou regresi, rozhodovací strom a náhodný les. Teoretickou část uzavírá kapitola věnovaná oblasti lidských zdrojů. V části praktické jsou poznatky získané v teoretické části práce aplikovány při prediktivním modelování. Postupně jsou na základě dat obsahujících anonymizované záznamy o zaměstnancích vytvořeny modely Naïve Bayes, model logistické regrese, rozhodovací strom a náhodný les. Na základě porovnání kvality vytvořených modelů je vybrán nejvhodnější model pro predikci odchodu zaměstnanců. Pomocí vybraného modelu jsou v závěru práce identifikovány faktory mající na odchod zaměstnanců největší vliv.

Abstract:

The diploma thesis focuses on predictive modeling of employee leave and on factors influencing employee leave. The theoretical part of the thesis first talks about data in general and then focuses more on big data. It also deals with the field of data analysis and predictive modeling, and with regard to the topic of the work focuses on classification models, specifically on the methods of Naïve Bayes, logistic regression, decision tree and random forest. The theoretical part concludes with a chapter devoted to human resources. In the practical part of the diploma thesis, the knowledge gained in the theoretical part is applied in predictive modeling. Throughout the practical part, Naïve Bayes models, a logistic regression model, a decision tree and a random forest are created based on data containing anonymized employee records. Based on a comparison of the quality of the created models, the most suitable model for predicting of employee leave is selected. Based on a comparison of the quality of the created models, the most suitable model for predicting employees leaving is selected. Using the selected model, the factors that have the greatest influence on the employees leave are identified at the end of the work.

Keywords

big data, predikce, prediktivní modelování, CRISP-DM, klasifikace, Naïve Bayes, logistická regrese, rozhodovací strom, náhodný les, lidské zdroje

Keywords

predictive modeling, CRISP-DM, classification, big data, Naïve Bayes, logistic regression, decision tree, random forest, human resources, prediction

Language used: Czech

Date on which the thesis was submitted / produced: 21. 3. 2021

Thesis defence

• Supervisor: Ing. Tomáš Hlavsa, Ph.D.

Czech University of Life Sciences Prague

Faculty of Economics and Management

Master programme / field:
Systems Engineering and Informatics / Informatics