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.

What is turnover?

Objectives of employee turnover prediction

Importing headcount and turnover data

Exploring the data

What proportion of employees have left?

Which levels have high turnover rate?

Is turnover rate different across locations?

HR data architecture

Filtering the dataset

Combining HR datasets (I)

Combining HR datasets (II)

Master data overview

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. 

Découpage des données

Scinder les données

Corroborer les découpages

Introduction à la régression logistique

Créez votre premier modèle de régression logistique

Construire un modèle de régression logistique multiple

Interpréter les niveaux de signification

Multicolinéarité

Détecter la multicolinéarité

Gérer la multicolinéarité

Construire votre modèle final

Construire le modèle final de régression logistique

Comprendre les prédictions du modèle

Interpréter les résultats

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

La croissance d’une organisation dépend largement de la fidélisation des collaborateurs. Des départs fréquents nuisent au moral des équipes, et recruter de nouveaux employés coûte plus cher que de conserver ceux en poste. La bonne nouvelle, c’est qu’il est possible d’améliorer la rétention grâce à des stratégies d’intervention fondées sur les données. Ce cours couvre l’acquisition de données à partir de multiples sources RH, l’exploration et la création de nouvelles variables, la construction et la validation d’un modèle de régression logistique, et, pour finir, la manière de calculer le ROI d’une stratégie de rétention potentielle.

HR Analytics: Exploring Employee Data in R

Découvrez comment prévoir le turnover et concevoir des stratégies de rétention avec R.

Analytique RH : prédire l’attrition des employés en R

Prévoir le taux de rotation du personnel et élaborer des stratégies de fidélisation. 

Interpréter les niveaux de signification

Exercice interactif pratique