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

Leeftijdsverschil afleiden

Job hop-index afleiden

Bepaal de anciënniteit van medewerkers

Beloning

Vergoeding verkennen

Loonkloof

Compa-ratio afleiden

Compa-level afleiden

Information value

Information Value berekenen

Welke variabelen zijn belangrijk?

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

De groei van een organisatie hangt voor een groot deel af van het behoud van personeel. Veelvuldig medewerkers verliezen schaadt het moreel van de organisatie en nieuw personeel aannemen is duurder dan huidige medewerkers behouden. Het goede nieuws is dat organisaties het behoud kunnen vergroten met datagedreven interventiestrategieën. In deze cursus ga je aan de slag met het verzamelen van data uit meerdere HR-bronnen, het verkennen en afleiden van nieuwe features, het bouwen en valideren van een logistisch regressiemodel en laat je tot slot zien hoe je de ROI berekent voor een mogelijke retentiestrategie.

HR Analytics: Exploring Employee Data in R

Ontdek hoe je personeelsverloop voorspelt en behoudstrategieën ontwerpt met R.

HR-analytics: verloop van medewerkers voorspellen in R

Voorspel het personeelsverloop en bedenk strategieën om mensen te behouden. 

Vergoeding verkennen

HR-analytics: verloop van medewerkers voorspellen in R

Praktische interactieve oefening