[논문 리뷰] Employee turnover prediction and retention policies design: a case study

Edouard Ribes, Karim Touahri외 1명|arXiv (Cornell University)|2017. 07. 05.

Customer churn and segmentation참고 문헌 38인용 수 24

한 줄 요약

이 논문은 인사정보시스템(HRIS) 데이터를 활용한 기계학습 기반 접근법을 제안하며, 모델 출력 결과를 바탕으로 맞춤형 유지를 정책으로 설계한다. 예측 모델링과 민감도 분석을 조합함으로써 인재 이동 및 맞춤형 인centives와 같은 전략적 조치를 통해 이직률을 40% 감소시킬 수 있음을 입증한다.

ABSTRACT

This paper illustrates the similarities between the problems of customer churn and employee turnover. An example of employee turnover prediction model leveraging classical machine learning techniques is developed. Model outputs are then discussed to design \& test employee retention policies. This type of retention discussion is, to our knowledge, innovative and constitutes the main value of this paper.

연구 동기 및 목표

• 기업 환경에서 고객 이탈 예측 기법을 직원 이직에 적용한다.
• 기존 기계학습 기법을 활용해 데이터 기반의 직원 이직 예측 모델을 개발한다.
• 모델 출력 결과를 실행 가능한, 근거 기반의 유지 정책으로 번역한다.
• 예측된 위험 점수에 대한 민감도 분 析을 통해 특정 유지 전략의 효과성을 테스트한다.
• 예측 분석과 인사 정책 설계 간의 격차를 직원 계획 수립 분야에서 해소한다.

제안 방법

• 도메인 전문 지식과 문헌 검토를 바탕으로 인사정보시스템(HRIS) 데이터에서 직무 경력, 성과 평가, 소속 위치, 팀 구조 등 특징을 설계하였다.
• SMOTE 및 기타 리샘플링 기법을 활용해 클래스 불균형 문제를 해결한 다수의 기계학습 알고리즘(예: 랜덤 포레스트, XGBoost)을 적용하였다.
• 실제 익명화된 데이터셋을 대상으로 교차검증 및 성능 지표(예: AUC, 정밀도-재현율)를 통해 최고 성능을 보인 모델을 선정하였다.
• 예측 이직률에 영향을 미치는 다섯 가지 별도의 유지 정책(P1–P5)을 시뮬레이션하여 민감도 분 析를 수행하였다.
• 모델가산 위험 점수를 활용해 개입 대상을 우선순위 정하고, 고위험 대상자 중심으로 자원 낭비를 최소화하였다.
• 전체 직원의 18%에 대상 조치를 시행한 후 이직률 감소 정도를 추정함으로써 정책 효과성을 검증하였다.

실험 결과

연구 질문

• RQ1 HRIS 데이터를 기반으로 훈련된 기계학습 모델은 얼마나 정확하게 직원의 자발적 이직을 예측할 수 있는가?
• RQ2 이전 이직을 효과적으로 줄이는 유지 정책(예: 이전, 관리자 변경, 인센티브 등)은 무엇인가?
• RQ3 모델 출력 결과에 대한 민감도 분 析는 비용 효율적인 유지 전략 설계를 얼마나 잘 이끌 수 있는가?
• RQ4 특징 설계 과정에 도메인 전문 지식을 통합할 경우, 이직 예측 모델의 해석 가능성과 신뢰성은 어떻게 향상되는가?
• RQ5 이직률 감소를 위해 인력 이동과 대상 유지 프로그램 사이의 최적의 균형은 무엇인가?

주요 결과

• 모델은 약 40%의 직원이 자발적 이직 위험이 높다고 예측하여, 심각한 유지 도전 과제를 시사하였다.
• 대상 유지 정책를 시행한 후 실제 이직률은 24%로 감소하여, 원래 위험 수준의 40%를 완화한 것으로 나타났다.
• 전체 직원의 18%만 개입이 필요했으며, 이 중 위험에 처한 직원의 25.4%는 새로운 관리자가 필요했고, 11.11%는 유지 인센티브가 필요했다.
• 가장 효과적인 유지 전략은 역할 간 인재 이동이었으며, 이는 외부 채용이나 단독 인센티브보다 이직률 감소에 더 효과적임을 시사한다.
• 모델의 성능은 특징 품질에 민감했고, 보상 데이터의 상세한 누락으로 인해 합리적 경제적 트레이드오프를 모델링하는 데 제한이 있었다.
• 이 연구는 예측 모델링과 정책 시뮬레이션을 조합함으로써 인사 팀이 조치 우선순위를 정하고 유지 효율성을 향상시킬 수 있음을 입증하였다.