This chapter begins with a general introduction to employee churn/turnover and reasons for turnover as shared by employees. You will learn how to calculate turnover rate and explore turnover rate across different dimensions. You will also identify talent segments for your analysis and bring together relevant data from multiple HR data sources to derive more useful insights.

Was ist Fluktuation?

Ziele der Vorhersage von Mitarbeiterfluktuation

Headcount- und Fluktuationsdaten importieren

Daten erkunden

Welcher Anteil der Mitarbeitenden hat das Unternehmen verlassen?

Welche Ebenen haben eine hohe Fluktuationsrate?

Unterscheidet sich die Fluktuationsrate je nach Standort?

HR-Datenarchitektur

Den Datensatz filtern

HR-Datensätze kombinieren (I)

HR-Datensätze kombinieren (II)

Übersicht über die Stammdaten

Introduction

In this chapter, you will create new variables from existing data to explain employee turnover. You will analyze compensation data and create compa-ratio to measure pay equity of all employees. To identify the most important variables influencing turnover, you will use the concept of Information Value (IV).

Feature engineering

Derive age difference

Derive job hop index

Derive employee tenure

Compensation

Exploring compensation

Pay Gap

Deriving Compa-ratio

Deriving Compa-level

Information value

Calculating Information Value

Which variables are important?

Feature Engineering

In this chapter, you will build a logistic regression model to predict turnover by taking into account multicollinearity among variables. 

Data splitting

Split the data

Corroborate the splits

Introduction to logistic regression

Build your first logistic regression model

Build a multiple logistic regression model

Interpreting significance levels

Multicollinearity

Detecting multicollinearity

Dealing with multicollinearity

Building your final model

Building final logistic regression model

Understanding the model predictions

Interpret the results

Predicting Turnover

In this chapter, you will calculate the accuracy of your model and categorize employees into specific risk buckets. You will then formulate an intervention strategy and calculate the ROI for this strategy.

Validating logistic regression results

Create a confusion matrix

Accuracy of your model

Designing retention strategy

Calculate turnover risk probability

Creating turnover risk buckets

What would you do?

Return on investment

Create salary hike range

Calculate turnover rate across salary hike range

Calculate ROI

Wrap-up

Model Validation, HR Interventions, and ROI

Employee data

Das Wachstum einer Organisation hängt maßgeblich von der Mitarbeiterbindung ab. Häufige Abgänge wirken sich negativ auf die Moral aus, und neue Mitarbeitende einzustellen ist teurer, als bestehende zu halten. Die gute Nachricht: Mit datengetriebenen Interventionsstrategien können Unternehmen die Bindung erhöhen. In diesem Kurs geht es um die Datenerhebung aus mehreren HR-Quellen, das Explorieren und Ableiten neuer Features, das Erstellen und Validieren eines Logit-Modells (logistische Regression) und schließlich darum, wie sich der ROI für eine mögliche Bindungsstrategie berechnen lässt.

HR Analytics: Exploring Employee Data in R

Erfahren Sie, wie Sie Mitarbeiterfluktuation vorhersagen und Strategien zur Bindung entwickeln.

HR Analytics: Mitarbeiterfluktuation in R vorhersagen

Die Fluktuation der Mitarbeiter vorhersagen und Strategien entwickeln, um Leute zu halten. 

Ziele der Vorhersage von Mitarbeiterfluktuation

Interaktive praktische Übung