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

Ricavare la differenza di età

Deriva il job hop index

Deriva l’anzianità dei dipendenti

Retribuzione

Esplorare la retribuzione

Divario retributivo

Derivare il Compa-ratio

Derivare il livello di compa

Information Value

Calcolare l'Information Value

Quali variabili sono importanti?

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

La crescita di un'organizzazione dipende in gran parte dalla capacità di trattenere il personale. Perdere spesso collaboratori incide sul morale dell’azienda e assumere nuove persone è più costoso che mantenere quelle già in organico. La buona notizia è che, con strategie di intervento basate sui dati, le organizzazioni possono aumentare la retention. Questo corso si concentra sull’acquisizione dei dati da più fonti HR, sull’esplorazione e la creazione di nuove caratteristiche, sulla costruzione e validazione di un modello di regressione logistica e, infine, su come calcolare l’ROI per una potenziale strategia di retention.

HR Analytics: Exploring Employee Data in R

Scopri come prevedere il turnover e creare strategie di ritenzione con l'ingegneria delle caratteristiche in R.

HR Analytics: prevedere il turnover dei dipendenti in R

Prevedi il turnover dei dipendenti e pensa a delle strategie per farli restare. 

Divario retributivo

HR Analytics: prevedere il turnover dei dipendenti in R

Esercizio pratico interattivo