![Institutional Repository [SANDBOX]](images/dias.logo.png "Institutional Repository [SANDBOX]"){kind=logo}
Institutional Repository [SANDBOX]
Technical University of Crete
Technical University of Crete
EN
|
EL
| URI: | http://purl.tuc.gr/dl/dias/2ADA25E8-D378-415C-AAD0-22ADA9F60FD4 | ||
| Year | 2023 | ||
| Type of Item | Diploma Work | ||
| License |
|
||
| Bibliographic Citation | Sofia Kantounataki, "Employee attrition factors analysis using fs/QCA method", Diploma Work, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2023 https://doi.org/10.26233/heallink.tuc.94923 | ||
| Appears in Collections |
Σκοπός της παρούσας διπλωματικής εργασίας είναι η πρόταση ενός μεθοδολογικού πλαισίου που θα είναι σε θέση να εντοπίζει αιτιώδη μονοπάτια (ικανές και αναγκαίες συνθήκες) που οδηγούν στην αποχώρηση των εργαζομένων (employee attrition) μέσω της Ποιοτικής Συγκριτικής Ανάλυσης με ασαφή σύνολα (fuzzy-set Qualitative Comparative Analysis – fs/QCA), και να προτείνει πιθανούς τρόπους αποφυγής. Επίσης, εφαρμόζεται ο αλγόριθμος Apriori (ως αντιπροσωπευτικό παράδειγμα Association rules mining) για σύγκριση και έλεγχο ευρωστίας (robustness test) των αποτελεσμάτων των δυο μεθόδων. Τα δεδομένα που πρόκειται να αναλυθούν προέρχονται από ένα τεχνητό dataset που δημιουργήθηκε για έναν διαγωνισμό της Kaggle, και αποτελούν αντιπροσωπευτικό δείγμα αντίστοιχων πραγματικών dataset. Κύριο χαρακτηριστικό του συγκεκριμένου dataset είναι η άνιση κατανομή των δύο κλάσεων, αποχωρήσαντων και μη εργαζομένων. (imbalanced class distribution). Η μέθοδος fs/QCA βασίζεται στη θεωρία των ασαφών συνόλων και στη χρήση της Boolean άλγεβρας για να εντοπίσει αιτιώδεις συνθήκες/κριτήρια (ή συνδυασμούς αυτών), οι οποίες θα είναι αναγκαίες ή/και ικανές για την παρουσία του αποτελέσματος (αποχώρηση από την εταιρεία). Μετά την αρχική εφαρμογή της μεθόδου, θα χρησιμοποιηθεί η τεχνική Undersampling για την αντιμετώπιση της άνισης κατανομής των κλάσεων, με στόχο την βελτίωση των αποτελεσμάτων, καθώς και ο έλεγχος Χ2 για την περαιτέρω ανάλυση των αναγκαίων συνθηκών που προκύπτουν.H εξόρυξη κανόνων συσχέτισης (association rules) χρησιμοποιεί μοντέλα μηχανικής μάθησης για να αναζητήσει σε βάσεις δεδομένων συγκεκριμένα μοτίβα. Ο αλγόριθμος Apriori (Agrawal & Srikant, 1994) που χρησιμοποιείται στην παρούσα εργασία είναι ένας από τους πρώτους και πιο δημοφιλείς αλγόριθμους εύρεσης κανόνων συσχέτισης. Τα συμπεράσματα επικεντρώνονται στις αιτίες αποχώρησης των εργαζομένων από την εταιρεία, με την εξαγωγή κανόνων (αιτιωδών μονοπατιών), δίνοντας με αυτόν τον τρόπο τη δυνατότητα στην εκάστοτε εταιρεία να εντοπίσει τα δυνατά και τα αδύναμα σημεία της, καθώς και να προσδιορίσει αυτά που χρήζουν βελτίωσης, ώστε να αποτρέπεται η φυγή των εργαζομένων.
Copyright © DIAS 2013
