[논문 리뷰] IBM Employee Attrition Analysis

Shenghuan Yang, Tariqul Islam|arXiv (Cornell University)|2020. 12. 02.

AI and HR TechnologiesBusiness, Management and Accounting참고 문헌 12인용 수 18

한 줄 요약

이 연구는 랜덤 포레스트, K-means 군집화, 이元 로지스틱 회귀를 사용하여 IBM 직원 이직을 분석하여 이직의 주요 예측 변수를 규명한다. 분석 결과, 빈번한 출장(2.4배 높은 이직률), 인사부 소속, 낮은 직무 만족도를 가진 직원일수록 이직할 가능성이 더 높으며, 높은 소득, 나이, 경력은 이직 위험을 낮춘다. 이원 로지스틱 회귀 모델은 이직 예측 정확도가 88.43%에 달한다.

ABSTRACT

In this paper, we analyzed the dataset IBM Employee Attrition to find the main reasons why employees choose to resign. Firstly, we utilized the correlation matrix to see some features that were not significantly correlated with other attributes and removed them from our dataset. Secondly, we selected important features by exploiting Random Forest, finding monthlyincome, age, and the number of companies worked significantly impacted employee attrition. Next, we also classified people into two clusters by using K-means Clustering. Finally, We performed binary logistic regression quantitative analysis: the attrition of people who traveled frequently was 2.4 times higher than that of people who rarely traveled. And we also found that employees who work in Human Resource have a higher tendency to leave.

연구 동기 및 목표

• 기계 학습을 활용하여 IBM에서의 직원 이직을 이끄는 주요 요인을 규명하기 위해.
• 이원 로지스틱 회귀 및 앙상블 모델을 사용하여 직원 이직을 예측하기 위해.
• K-means 군집화를 통해 이직 위험 기반으로 직원 군집을 분류하기 위해.
• 통계 분석을 통해 인구통계학적 및 직무 관련 변수가 이직에 미치는 영향을 정량화하기 위해.
• 이직을 줄이고 직무 만족도를 향상하기 위해 인사팀이 실천할 수 있는 통찰을 제공하기 위해.

제안 방법

• 특성 중요도를 순위 매기기 위해 랜덤 포레스트를 적용하여 월급, 나이, 이직한 회사 수가 상위 예측 변수로 규명되었다.
• 이직 위험 기반으로 직원을 두 개의 군집으로 나누기 위해 K-means 군집화를 사용하여 고유한 행동 패턴을 드러냈다.
• 이원 로지스틱 회귀를 수행하여 범주형 변수 간의 이직 오즈 비율을 모델링하였으며, 이직은 이진 결과(0: 아니요, 1: 예)로 설정되었다.
• 모델 효율성을 향상시키기 위해 상관관계 행렬을 사용하여 상관관계가 낮은 특성을 제거하여 데이터 전처리를 수행했다.
• 모델 성능 평가 및 과적합 방지를 위해 데이터셋을 80% 훈련, 20% 테스트로 분할했다.
• 각 예측 변수가 이직에 미치는 영향을 정량화하기 위해 오즈 비율(OR)과 95% 신뢰구간을 계산했다.

실험 결과

연구 질문

• RQ1 IBM에서의 자발적 이직 가능성에 가장 크게 영향을 미치는 직원 특성은 무엇인가?
• RQ2 직무 역할, 출장 빈도, 결혼 상태가 직원 이직률에 어떻게 영향을 미치는가?
• RQ3 기초 인구통계학적 및 직무 관련 특성을 사용하여 기계 학습 모델이 직원 이직을 정확하게 예측할 수 있는가?
• RQ4 이직 위험이 높은 직원과 낮은 직원 간의 고유한 행동 군집은 무엇인가?
• RQ5 소득과 직급을 반영한 직무 만족도가 직원 유지를 어떻게 연관하는가?

주요 결과

• 빈번히 출장 다니는 직원은 거의 출장하지 않는 사람들에 비해 이직 위험이 2.411배 높다(p < 0.05).
• 인사부 소속 직원은 영업 대리사에 비해 이직 위험이 4.060배 높다(p < 0.05).
• 기혼 및 이혼한 직원은 미혼 직원에 비해 이직 위험은 각각 0.427배, 0.304배이다(p < 0.05).
• 여성은 남성에 비해 이직 위험이 0.659배 낮아 여성의 이직률이 낮음을 시사한다(p < 0.05).
• 야간 근무를 하는 직원은 이직 위험이 오직 0.138배에 불과하여 이직과 강한 음의 상관관계를 보인다(p < 0.05).
• 이원 로지스틱 회귀 모델은 이직 예측 정확도가 88.43%에 달하여 랜덤 포레스트(84.56% 정확도)를 능가한다.