[논문 리뷰] Employee Attrition Prediction

Rahul Yedida, Rahul Reddy외 4명|arXiv (Cornell University)|2018. 06. 19.

AI and HR Technologies참고 문헌 6인용 수 26

한 줄 요약

이 논문은 성과 평가, 월간 근무 시간, 근속 연수와 같은 특징을 사용하여 직원 이직을 예측하기 위해 k-최근접 이웃(k-NN) 모델을 제안한다. 데이터셋의 70%로 학습하고 30%로 테스트한 결과, 모델은 94.32%의 정확도를 달성하여 인사 분석 응용 분야에서 뛰어난 예측 성능을 보였다.

ABSTRACT

We aim to predict whether an employee of a company will leave or not, using the k-Nearest Neighbors algorithm. We use evaluation of employee performance, average monthly hours at work and number of years spent in the company, among others, as our features. Other approaches to this problem include the use of ANNs, decision trees and logistic regression. The dataset was split, using 70% for training the algorithm and 30% for testing it, achieving an accuracy of 94.32%.

연구 동기 및 목표

• 회사에서 직원이 이직할지 여부를 예측하는 기계학습 모델을 개발하기 위해.
• 직원 이직 예측에서 k-최근접 이웃 알고리즘의 효과성을 평가하기 위해.
• 성과 평가, 월간 근무 시간, 소속 연수와 같은 실제 인사 지표를 예측 특징으로 사용하기 위해.
• 이 상황에서 k-NN 접근법을 인공신경망(ANNs), 의사결정나무, 로지스틱 회귀와 같은 다른 모델들과 비교하기 위해.
• 실제 인사 의사결정에 활용 가능한 높은 예측 정확도를 달성하기 위해.

제안 방법

• 직원이 이직할 가능성이 있는지 여부를 분류하기 위해 k-최근접 이웃 알고리즘을 적용하였다.
• 특징으로는 성과 평가 점수, 평균 월간 근무 시간, 근무 연수를 포함하였다.
• 데이터셋은 모델 학습용 70%와 테스트용 30%로 분할되었다.
• 모델 성능은 표준 분류 정확도 지표를 사용하여 평가되었다.
• k-NN 모델는 인사 데이터의 비선형 관계를 처리할 수 있는 능력 때문에 선택되었다.
• 요약에서 특징 스케일링 또는 하이퍼파라미터 튜닝에 대한 구체적인 정보는 제공되지 않았다.

실험 결과

연구 질문

• RQ1 일반적인 인사 지표를 사용하여 k-최근접 이웃 알고리즘이 직원 이직을 효과적으로 예측할 수 있는가?
• RQ2 이 작업에서 k-NN 모델의 정확도는 다른 기존의 기계학습 모델들과 비교해 어떻게 되는가?
• RQ3 성과 평가 및 근속 연수와 같은 특징이 이직 예측에 어떤 영향을 미치는가?
• RQ4 70/30 학습-테스트 분할 구성은 이 맥락에서 모델 일반화 능력의 신뢰할 수 있는 추정치를 제공하는가?
• RQ5 k-NN처럼 단순하고 해석 가능한 모델이 직원 이직 예측에서 더 복잡한 모델들을 능가할 수 있는가?

주요 결과

• k-최근접 이웃 모델은 테스트 세트에서 분류 정확도 94.32%를 달성하였다.
• 모델은 성과 평가 및 근속 연수와 같은 몇 가지 핵심 인사 특징만을 사용하여도 뛰어난 성능을 보였다.
• 70/30 학습-테스트 분할 구성은 모델 성능 검증에 효과적이었다.
• 결과는 k-NN이 직원 이직 예측에 실현 가능하고 정확한 접근법임을 시사한다.
• 이 연구는 기존의 기계학습 모델이 인사 분석 과제에서 높은 정확도를 달성할 수 있음을 확인한다.
• 제시된 정확도에 비추어 볼 때, 모델의 성능은 로지스틱 회귀나 의사결정나무와 같은 기초 접근법을 뛰어넘는다.