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

Derive age difference

Derive job hop index

Derive employee tenure

Compensation

Exploring compensation

Pay Gap

Deriving Compa-ratio

Deriving Compa-level

Information value

Calculating Information Value

Which variables are important?

Feature Engineering

In this chapter, you will build a logistic regression model to predict turnover by taking into account multicollinearity among variables. 

Gegevens splitsen

Splits de data

Onderbouw de splitsingen

Introductie tot logistische regressie

Bouw je eerste logistische regressiemodel

Bouw een meervoudig logistiek regressiemodel

Significantieniveaus interpreteren

Multicollineariteit

Multicollineariteit detecteren

Omgaan met multicollineariteit

Je definitieve model bouwen

Eindmodel met logistische regressie bouwen

De modelvoorspellingen begrijpen

Interpreteer de resultaten

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. 

Significantieniveaus interpreteren

HR-analytics: verloop van medewerkers voorspellen in R

Praktische interactieve oefening