In questo capitolo scoprirai i problemi affrontati dall’HR analytics ed esplorerai un insieme di dati HR di esempio che verrà analizzato in seguito. Descriverai e visualizzerai alcune variabili chiave, trasformerai e manipolerai il dataset per renderlo pronto all’analisi.

Introduzione e panoramica

Individuare le variabili categoriche

Osservare le variabili categoriche

Trasformare le variabili categoriche

Codifica delle categorie

Creare variabili dummy

Dummy trap

Statistiche descrittive

Correlazioni nei dati dei dipendenti

Percentuale di dipendenti che lasciano l’azienda

Introduzione all'HR Analytics

Questo capitolo introduce una delle tecniche di classificazione più diffuse: l’albero decisionale. Lo userai per sviluppare un algoritmo che preveda l’abbandono dei dipendenti.

Suddividere i dati

Separare target e feature

Suddividere i dati dei dipendenti

Introduzione alla classificazione con Decision Tree

Calcolo dell'indice di Gini

Suddividere l'albero

Prevedere il churn dei dipendenti con gli alberi decisionali

Addestrare l’albero sui dati dei dipendenti

Verificare l'accuratezza delle previsioni

Interpretazione dell'albero decisionale

Esportare l'albero

Interpretazione dei risultati

Prevedere l'abbandono dei dipendenti

Qui imparerai a valutare un modello e a capirne la “bontà”. Confronterai diversi alberi per scegliere il migliore.

Ottimizzare il classificatore di abbandono del personale

Potatura dell'albero

Limitare la dimensione del campione

Valutare il modello

Interpretare le metriche di accuracy

Calcolare le metriche di accuratezza: precision

Calcolare le metriche di accuratezza: recall

Targeting sia chi lascia sia chi resta

Calcolare lo score ROC/AUC

Squilibrio di classe

Bilanciamento delle classi

Confronto dei modelli di abbandono del personale

Valutare il modello di previsione del turnover

In questo capitolo finale imparerai a usare la convalida incrociata per evitare l’overfitting sui dati di training. Imparerai anche a capire quali feature sono rilevanti e quali trascurabili. Infine, userai queste nuove competenze per costruire un albero decisionale con prestazioni migliori!

Ottimizzazione degli iperparametri

Cross-validation con sklearn

Impostare i parametri di GridSearch

Implementare GridSearch

Caratteristiche importanti per prevedere l'attrition

Interpretare l'importanza

Ordinare le feature importanti

Selezionare le feature importanti

Sviluppa e testa il modello migliore

Considerazioni finali

Scegliere il miglior modello di previsione del turnover

Employee turnover data

Tra tutti i settori aziendali, l’HR è ancora quello meno trasformato. Tuttavia, i recenti sviluppi negli strumenti e nelle tecnologie di raccolta e analisi dei dati consentono decisioni guidate dai dati in ogni ambito, incluso l’HR. Questo corso ti offrirà una base solida per lavorare con i dati dei dipendenti e sviluppare un modello predittivo per analizzare il turnover.

Intermediate Python

Impara a usare Python per elaborare dati dei dipendenti e sviluppare modelli predittivi con alberi decisionali.

HR Analytics: prevedere l'abbandono dei dipendenti in Python

In questo corso imparerai come usare l'apprendimento automatico nel campo delle risorse umane.

Correlazioni nei dati dei dipendenti

HR Analytics: prevedere l'abbandono dei dipendenti in Python

esercizio interattivo pratico