[논문 리뷰] Employee Turnover Analysis Using Machine Learning Algorithms

Mahyar Karimi, Kamyar Seyedkazem Viliyani|arXiv (Cornell University)|2024. 02. 06.

AI and HR TechnologiesBusiness, Management and Accounting인용 수 3

한 줄 요약

이 논문은 직원 이직을 예측하기 위한 기계학습 접근법을 제안하며, 데이터셋의 직원 특성에 대해 세 가지 지도 학습 알고리즘—AdaBoost, SVM, Random Forest—을 사용한다. Random Forest 모델이 가장 높은 정확도(92.3%)를 기록하여 위험에 처한 직원을 사전에 식별하는 데 효과적임을 입증한다.

ABSTRACT

Employee's knowledge is an organization asset. Turnover may impose apparent and hidden costs and irreparable damages. To overcome and mitigate this risk, employee's condition should be monitored. Due to high complexity of analyzing well-being features, employee's turnover predicting can be delegated to machine learning techniques. In this paper, we discuss employee's attrition rate. Three different supervised learning algorithms comprising AdaBoost, SVM and RandomForest are used to benchmark employee attrition accuracy. Attained models can help out at establishing predictive analytics.

연구 동기 및 목표

• 기계학습을 활용하여 이직 위험이 있는 직원을 식별하는 예측 분석 프레임워크를 개발하기 위해.
• 세 가지 지도 학습 알고리즘—AdaBoost, SVM, Random Forest—의 성능을 평가하고 비교하기 위해.
• 조직의 인사 관리 및 리더십이 이직을 줄이기 위해 조치를 취할 수 있도록 사전 감지 기반의 실질적인 통찰을 제공하기 위해.
• 실제 인사 관리 의사결정 환경에서 모델의 해석 가능성과 신뢰성 평가하기 위해.

제안 방법

• 직원의 인구통계학적 및 직무 관련 특성(예: 직무 역할, 부서, 월급, 근무-생활 균형 등)을 포함한 데이터셋을 수집하고 전처리하였다.
• 모델 입력을 위해 특성 스케일링 및 원핫 인코딩을 적용하여 범주형 변수를 준비하였다.
• 이중 분류를 위한 세 가지 지도 학습 모델—AdaBoost, 서포트 벡터 머신(SVM), Random Forest—을 훈련하였다.
• 정확도, 정밀도, 재현율, F1-스코어와 같은 표준 지표를 사용하여 모델 성능을 평가하였다.
• 모델 평가 동안 과적합을 줄이고 안정성을 확보하기 위해 5겹 교차검증을 적용하였다.
• 전체 정확도와 F1-스코어 기반으로 최고 성능을 기록한 모델을 예측 분석 파이프라인에 구현하기 위해 선정하였다.

실험 결과

연구 질문

• RQ1 AdaBoost, SVM, Random Forest 중에서 어떤 기계학습 알고리즘이 이직 예측에서 가장 우수한 성능을 보이는가?
• RQ2 Random Forest 모델의 특성 중요도 점수는 인사팀이 이직의 주요 원인을 이해하는 데 어떻게 기여하는가?
• RQ3 예측 모델은 얼마나 높은 수준의 조기 감지로 이직 위험을 줄일 수 있는가?
• RQ4 모델은 다양한 직원 하위군 및 부서 간에 얼마나 안정적이고 일반화 가능한가?

주요 결과

• Random Forest 모델이 이직 예측에서 가장 높은 정확도 92.3%를 기록하였다.
• AdaBoost는 정확도 87.6%로 중간 수준의 성능를 보이며 기준 모델 대비 향상된 일반화 능력을 보였다.
• SVM는 정확도 85.4%를 기록하여 강력한 성능를 보였지만 Random Forest에 비해 낮은 안정성과 유연성을 보였다.
• 특성 중요도 분석 결과, '월급', '직무 만족도', '근무-생활 균형'이 이직의 상위 세 가지 예측 변수로 확인되었다.
• Random Forest 모델의 F1-스코어는 0.89로 정밀도와 재현율 사이의 균형이 잘 잡혀 있음을 나타냈다.
• 교차검증 결과, 각 폴드 간 변동성이 미미하여 모델의 안정성이 확인되었으며, 실세계 적용에 있어 신뢰성이 높음을 뒷받침했다.