In dit hoofdstuk leer je welke vraagstukken met HR-analytics worden aangepakt en verken je een voorbeeldgegevensset over HR die je later verder gaat analyseren. Je beschrijft en visualiseert enkele kernvariabelen en transformeert en bewerkt de gegevensset zodat deze klaar is voor analyse.

Introductie en overzicht

Categorische variabelen vinden

Categorische variabelen bekijken

Categorische variabelen transformeren

Categorieën encoderen

Dummyvariabelen maken

Dummy trap

Beschrijvende statistiek

Correlaties in de werknemersdata

Percentage medewerkers met churn

Introductie tot HR-analytics

Dit hoofdstuk introduceert een van de populairste classificatietechnieken: de Decision Tree. Je gebruikt deze om een algoritme te ontwikkelen dat het personeelsverloop voorspelt.

De gegevens splitsen

Target en features scheiden

Medewerkersdata splitsen

Introductie tot Decision Tree-classificatie

Gini-index berekenen

De boom splitsen

Medewerkersverloop voorspellen met beslissingsbomen

De boom afstemmen op werknemersdata

De nauwkeurigheid van je voorspelling controleren

Interpretatie van de beslisboom

De boom exporteren

Resultaten interpreteren

Verloop van medewerkers voorspellen

Hier leer je hoe je een model evalueert en begrijpt hoe ‘goed’ het is. Je vergelijkt verschillende bomen om de beste te kiezen.

De churn-classifier voor medewerkers finetunen

De boom snoeien

De steekproefgrootte beperken

Het model evalueren

Nauwkeurigheidsmaten interpreteren

Nauwkeurigheidsmaat berekenen: precision

Nauwkeurigheidsmaten berekenen: recall

Richten op zowel vertrekkers als blijvers

De ROC/AUC-score berekenen

Klassenonevenwicht

Klassen balanceren

Vergelijking van modellen voor personeelsverloop

Het model voor verloopvoorspelling evalueren

In dit laatste hoofdstuk leer je hoe je kruisvalidatie gebruikt om overfitting op de trainingsgegevens te voorkomen. Je leert ook welke features impact hebben en welke verwaarloosbaar zijn. Tot slot gebruik je deze nieuwe vaardigheden om een beter presterende Decision Tree te bouwen!

Hyperparametertuning

Cross-validation met sklearn

GridSearch-parameters instellen

GridSearch implementeren

Belangrijke features voor het voorspellen van verloop

Belang interpreteren

Belangrijkste features sorteren

Belangrijke features selecteren

Ontwikkel en test het beste model

Tot slot

Het beste verloopvoorspellingsmodel kiezen

Employee turnover data

Van alle bedrijfsdomeinen is HR nog het minst ontwricht. Met de nieuwste ontwikkelingen in tools en technologieën voor gegevensverzameling en -analyse kun je echter in alle onderdelen, dus ook in HR, datagedreven beslissingen nemen. Deze cursus geeft je een stevige basis om met werknemersgegevens te werken en een voorspellend model te ontwikkelen om personeelsverloop te analyseren.

Intermediate Python

Leer hoe je Python gebruikt voor personeelsdata en een voorspellend model voor personeelsverloop.

HR-analytics: verloop van medewerkers voorspellen in Python

In deze cursus leer je hoe je machine learning kunt gebruiken in HR.

Belang interpreteren

HR-analytics: verloop van medewerkers voorspellen in Python

Interactieve oefening met praktijkervaring