Dalam bab ini Anda akan mempelajari masalah yang ditangani oleh analitik SDM, serta mengeksplorasi contoh himpunan data SDM yang akan dianalisis lebih lanjut. Anda akan mendeskripsikan dan memvisualisasikan beberapa variabel kunci, mentransformasikan dan memanipulasi himpunan data agar siap untuk analitik.

Pendahuluan dan ikhtisar

Menemukan variabel kategorikal

Mengamati variabel kategorikal

Mengonversi variabel kategorikal

Meng-encode kategori

Membuat dummy

Dummy trap

Statistika deskriptif

Korelasi dalam data karyawan

Persentase karyawan yang churn

Pengantar Analitik SDM

Bab ini memperkenalkan salah satu teknik klasifikasi paling populer: Decision Tree. Anda akan menggunakannya untuk mengembangkan algoritme yang memprediksi perputaran karyawan.

Membagi data

Memisahkan Target dan Fitur

Membagi data karyawan

Pengantar klasifikasi Decision Tree

Menghitung indeks Gini

Membagi pohon

Memprediksi churn karyawan menggunakan decision tree

Melatih tree pada data karyawan

Memeriksa akurasi prediksi

Interpretasi pohon keputusan

Mengekspor pohon

Interpretasi hasil

Memprediksi perputaran karyawan

Di sini, Anda akan mempelajari cara mengevaluasi sebuah model dan memahami seberapa “baik” model tersebut. Anda akan membandingkan berbagai pohon untuk memilih yang terbaik di antaranya.

Menyetel pengklasifikasi turnover karyawan

Memangkas pohon

Membatasi ukuran sampel

Mengevaluasi model

Menafsirkan metrik akurasi

Menghitung metrik akurasi: precision

Menghitung metrik akurasi: recall

Menargetkan karyawan yang keluar dan yang tetap

Menghitung skor ROC/AUC

Ketidakseimbangan kelas

Menyeimbangkan kelas

Perbandingan model attrition karyawan

Mengevaluasi model prediksi perputaran

Di bab terakhir ini, Anda akan mempelajari cara menggunakan cross-validation untuk menghindari overfitting pada data pelatihan. Anda juga akan mempelajari cara mengetahui fitur mana yang berpengaruh dan mana yang dapat diabaikan. Terakhir, Anda akan menggunakan keterampilan baru ini untuk membangun Decision Tree yang kinerjanya lebih baik!

Penyetelan hiperparameter

Cross-validation menggunakan sklearn

Menyiapkan parameter GridSearch

Menerapkan GridSearch

Fitur penting untuk memprediksi attrition

Menafsirkan tingkat kepentingan

Mengurutkan fitur penting

Memilih fitur penting

Kembangkan dan uji model terbaik

Pemikiran akhir

Memilih model prediksi perputaran terbaik

Employee turnover data

Di antara semua domain bisnis, SDM masih yang paling sedikit mengalami disrupsi. Namun, perkembangan terbaru dalam alat dan teknologi pengumpulan serta analisis data memungkinkan pengambilan keputusan berbasis data di semua dimensi, termasuk SDM. Kursus ini akan memberikan dasar yang kuat untuk mengelola data karyawan dan mengembangkan model prediktif untuk menganalisis perputaran karyawan.

Intermediate Python

Pelajari cara menggunakan Python untuk memproses data karyawan dan mengembangkan model prediksi.

Analitik SDM: Memprediksi Perputaran Karyawan dengan Python

Dalam kursus ini, Anda akan belajar cara menerapkan machine learning di bidang sumber daya manusia (SDM).

Interpretasi hasil

Analitik SDM: Memprediksi Perputaran Karyawan dengan Python

Latihan interaktif langsung