[논문 리뷰] "How to make them stay?" -- Diverse Counterfactual Explanations of Employee Attrition

André Artelt, Andreas Gregoriades|arXiv (Cornell University)|2023. 03. 08.

AI and HR TechnologiesBusiness, Management and Accounting인용 수 3

한 줄 요약

이 논문은 다수의 이력 사례를 통합적으로 분석하여 직원 이탈을 줄이기 위해 정책 수준의 다양한 대체적 설명을 생성하는 혁신적인 프레임워크를 제안한다. 급여 인상 및 최근 승진 이후 경과 시간 감소와 같은 간접적 조치를 최적화함으로써, 개인 사례 설명보다 뛰어난 실용적인 인사 정책 전략을 제공한다. 이는 유지를 위한 문헌과도 부합한다.

ABSTRACT

Employee attrition is an important and complex problem that can directly affect an organisation's competitiveness and performance. Explaining the reasons why employees leave an organisation is a key human resource management challenge due to the high costs and time required to attract and keep talented employees. Businesses therefore aim to increase employee retention rates to minimise their costs and maximise their performance. Machine learning (ML) has been applied in various aspects of human resource management including attrition prediction to provide businesses with insights on proactive measures on how to prevent talented employees from quitting. Among these ML methods, the best performance has been reported by ensemble or deep neural networks, which by nature constitute black box techniques and thus cannot be easily interpreted. To enable the understanding of these models' reasoning several explainability frameworks have been proposed. Counterfactual explanation methods have attracted considerable attention in recent years since they can be used to explain and recommend actions to be performed to obtain the desired outcome. However current counterfactual explanations methods focus on optimising the changes to be made on individual cases to achieve the desired outcome. In the attrition problem it is important to be able to foresee what would be the effect of an organisation's action to a group of employees where the goal is to prevent them from leaving the company. Therefore, in this paper we propose the use of counterfactual explanations focusing on multiple attrition cases from historical data, to identify the optimum interventions that an organisation needs to make to its practices/policies to prevent or minimise attrition probability for these cases.

연구 동기 및 목표

• 개별 사례 설명이 아닌 데이터 기반 실용적인 인사 정책을 통해 직원 이탈을 방지하는 데 도전한다.
• SHAP와 같은 전통적인 해석 가능성 방법의 한계를 극복하기 위해 정책 관련 권고를 생성한다.
• 다수의 이탈 사례에서 일관된 특성값 변화를 식별하여 이탈 확률을 최소화한다.
• 핵심 직원 집단의 유지를 향상시키기 위해 확장 가능하고 일반화 가능한 권고를 인사 부서에 제공한다.
• 블랙박스 기계학습 모델과 실무적 인사 의사결정 간 격차를 메우기 위해 집단적이고 실행 가능한 변화에 초점을 맞춘다.

제안 방법

• 개별 인스턴스가 아닌 다수의 직원 이탈 사례를 동시에 대상으로 대체적 설명 기법을 적용한다.
• 클래스 불균형 문제를 해결하기 위해 데이터 표준화 및 무작위 언더샘플링을 수행한 후, IBM 직원 이탈 데이터셋에 대해 이진 분류기(예: XGBoost, 랜덤 포레스트)를 훈련시킨다.
• 급여 인상, 승진 이후 경과 시간, 직무 만족도 등의 특성에 대한 최소한이면서 일관된 변화를 식별하여 모델의 이탈 예측을 뒤집는 대체적 해답을 생성한다.
• 다양한 정책 옵션(예: 급여 인상 대비 직무 만족도 향상)을 반영하기 위해 다양한 대체적 해답을 최적화한다.
• 모델의 강건성과 데이터셋 전반의 일반화 능력을 확보하기 위해 하이퍼파rameter 튜닝 및 교차 검증을 수행한다.
• 조직의 제약 조건과 이직 방지 요인에 관한 문헌과 일치시키기 위해 실현 가능하고 현실적인 간접적 조치를 우선시한다.

실험 결과

연구 질문

• RQ1 다수의 사례에 걸쳐 적용 가능한 정책 수준의 권고를 도출하기 위해 대체적 설명 기법을 어떻게 적응시킬 수 있는가?
• RQ2 급여, 직무 만족도, 승진 시기 등의 특성 변화 조합 중에서 다수의 직원 집단에서 이탈 예측을 뒤집는 데 가장 효과적인 조합은 무엇인가?
• RQ3 다양한 대체적 해답은 실현 가능성과 인사 정책 최적화 기준과 얼마나 잘 부합하는가?
• RQ4 다중 인스턴스 대체적 설명은 개인 사례 설명보다 실용적인 인사 정책 전략을 제공하는 데 뛰어나다고 할 수 있는가?
• RQ5 조직이 대규모로 구현할 수 있는 가장 영향력 있고 저비용의 간접적 조치는 무엇인가?

주요 결과

• 급여 인상 비율을 40% 인상하면 다수의 직원 사례에서 이탈 확률이 낮은 수준으로 감소할 것으로 예측된다.
• 최근 승진 이후 경과 시간을 약 5년 감소시키면 이탈 가능성은 뚜렷이 감소한다.
• 급여 20% 인상과 직무 만족도 50% 향상의 병합 간접적 조치는 이탈 예측을 효과적으로 뒤집는 데 기여한다.
• 이 방법은 급여, 직무 만족도, 승진 시기 등을 이탈 방지에 가장 영향력 있는 요소로 규명하였으며, 기존의 유지 관련 문헌과 일치한다.
• 다수의 사례에 대해 생성된 대체적 설명은 개인 사례 설명보다 더 확장 가능하고 실용적인 인사 정책 권고를 제공한다.
• 이 접근법은 다양하고 실현 가능한 간접적 조치 전략을 도출하며, 향후 확장에서 시행 난이도 순으로 정렬할 수 있다.