Questo capitolo inizia con una panoramica sul churn/turnover dei dipendenti e sulle motivazioni del turnover riportate dai collaboratori. Imparerai a calcolare il tasso di turnover ed esplorerai come varia lungo diverse dimensioni. Inoltre, identificherai i segmenti di talento per la tua analisi e integrerai dati pertinenti da più fonti HR per ottenere insight più utili.

Che cos’è il turnover?

Obiettivi della previsione del turnover dei dipendenti

Importare i dati su organico e turnover

Esplorare i dati

Qual è la quota di dipendenti che hanno lasciato?

Quali livelli hanno un alto tasso di turnover?

Il tasso di turnover cambia tra le sedi?

Architettura dei dati HR

Filtrare l'insieme di dati

Combinare insiemi di dati HR (I)

Combinare i dataset HR (II)

Panoramica dei dati master

Introduzione

In questo capitolo creerai nuove variabili a partire dai dati esistenti per spiegare il turnover dei dipendenti. Analizzerai i dati retributivi e calcolerai il compa-ratio per misurare l’equità retributiva di tutti i dipendenti. Per individuare le variabili più importanti che influenzano il turnover, utilizzerai il concetto di 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 questo capitolo costruirai un modello di regressione logistica per prevedere il turnover, tenendo conto della multicollinearità tra le variabili.

Suddivisione dei dati

Suddividi i dati

Conferma gli split

Introduzione alla regressione logistica

Crea il tuo primo modello di regressione logistica

Crea un modello di regressione logistica multipla

Interpretare i livelli di significatività

Multicollinearità

Rilevare la multicollinearità

Gestire la multicollinearità

Crea il tuo modello finale

Costruire il modello finale di regressione logistica

Comprendere le previsioni del modello

Interpreta i risultati

Prevedere il turnover

In questo capitolo calcolerai l’accuratezza del modello e suddividerai i dipendenti in specifici bucket di rischio. Poi formulerai una strategia di intervento e ne calcolerai l’ROI.

Convalidare i risultati della regressione logistica

Crea una matrice di confusione

Accuracy del tuo modello

Progettare una strategia di retention

Calcolare la probabilità di rischio di abbandono

Creare fasce di rischio di turnover

Tu cosa faresti?

Return on investment

Crea gli intervalli di aumento salariale

Calcola il tasso di turnover per fascia di aumento salariale

Calcola l'ROI

Riepilogo

Validazione del modello, interventi HR e 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. 

Interpreta i risultati

HR Analytics: prevedere il turnover dei dipendenti in R

esercizio interattivo pratico