Veri madenciliği ile çalışanların yıpranma durumu tahmini ve kapsamlı performans analizi
Employee attrition prediction and comprehensive performance analysis with data mining
- Tez No: 880304
- Danışmanlar: DOÇ. DR. İLKNUR ÇEVİK TEKİN
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Veri Madenciliği Uygulaması, Çalışanların Yıpranma Durumu, Çalışanların Yıpranma Nedenleri, Makine Öğrenme, Weka, Veri Madenciliği Sınıflandırma Algoritmalarının karşılaştırılması, Decision Tree J48 algoritması, Naive Bayes algoritması, Random Forest algoritması, KNN, Adaboost Modeli, Destek Vektör Makinesi, Yapay Sinir Ağları, Lojistik Regresyon, Veri madenciliğinde Model Başarım Ölçütleri (doğruluk, kesinlik, duyarlılık, f-ölçütü ve ROC eğrisi), Data Mining Application, Employee Burnout Status, Causes of Employee Burnout, Machine Learning, Weka, Comparison of Data Mining Classification Algorithms, Decision Tree J48 Algorithm, Naive Bayes Algorithm, Random Forest Algorithm, KNN, Adaboost Model, Support Vector Machine, Artificial Neural Networks, Logistic Regression, Model Performance Metrics in Data Mining (accuracy, precision, recall, F-score, and ROC curve)
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Yönetim Bilişim Sistemleri Bilim Dalı
- Sayfa Sayısı: 130
Özet
Günümüz şirketlerinde, çalışanların yıpranma durumu önemli bir sorun haline gelmiştir. Zira bu durum; iş sürecinde bilgi, zaman, para ve emek kaybına neden olabilir. Bu araştırma, veri madenciliği ve yapay zeka gibi teknolojilerin kullanımını ele alarak, çalışanların yıpranma durumlarını erken tahmin etmeye odaklanmakta ve bu konuda veri madenciliğinde kullanılan makine öğrenim programlarının ne ölçüde yardımcı olabileceğine vurgu yapmaktadır. Özellikle, WEKA programı kullanılarak makine öğrenimi algoritmalarının başarı oranlarının değerlendirilmesi üzerinde odaklanmıştır. Yapılan bu araştırmada, gönüllü işten ayrılma nedenlerini analiz ederek çalışanların yıpranma oranlarını incelemiştir. Bunula birlikte, bu çalışma çalışanların yıpranmasına neden olan faktörleri analiz etmek ve bu faktörlerin yıpranma üzerindeki etkisini anlamak amacıyla da gerçekleştirilmiştir. Bu bağlamda, mevcut literatürdeki araştırmaların sentezi yapılarak, en etkili tekniklerin bir araya getirilmesi ve yeni veri analizi tekniklerinin uygulanmasıyla kapsamlı bir model geliştirilmiştir. Özellikle, öznitelik seçimi ve test seçimi yöntemleriyle modelin iyileştirilmesine odaklanılmıştır. Çalışmanın temel amacı, çalışanların yıpranma durumunu daha doğru ve etkin bir şekilde tahmin edebilmek için çeşitli özellik seçim stratejileri ve makine öğrenimi algoritmalarının performanslarını karşılaştırarak kapsamlı bir model oluşturmaktır. Elde edilen bulgular, SVM algoritmasının en başarılı olduğunu göstermiş ve veri seti temizliği ile öznitelik seçiminin model performansını artırdığını ortaya koymuştur. Bu tez çalışması, çalışanların yıpranma durumlarını önceden tahmin etme konusunda veri madenciliği ve makine öğrenimi tekniklerini etkin bir şekilde kullanılabileceğini göstermektedir. Bununla birlikte bu çalışma, çalışanların işten yıpranma durumunu öngörmek amacıyla yapılan araştırmaların önemini vurgulamaktadır. Ayrıca bu çalışma yapılan diğer çalışmaların kapsamı niteliğindedir fakat diğer çalışmalardan farklı olarak çeşitli özellik seçim stratejileri ve makine öğrenimi algoritmalarının performansını karşılaştırarak, en etkili kombinasyonları belirlenmeye odaklanmakta ve bu alanda yeni standartlar oluşturmayı amaçlamaktadır. Elde edilen sonuçlar, işletmelere personel yönetimi ve iş gücü planlamasında daha etkili kararlar alabilmelerine yardımcı olacak önemli bir yol haritası sunmaktadır.
Özet (Çeviri)
In today's companies, employee attrition has become a significant problem. Because this situation; It may cause loss of information, time, money and effort in the business pROCess. This research focuses on early prediction of employee attrition by addressing the use of technologies such as Data Mining and Artificial Intelligence, and emphasizes to what extent machine learning programs used in data mining can help in this regard. In particular, it focuses on evaluating the success rates of machine learning algorithms using the WEKA program. This research examined employee attrition rates by analyzing the reasons for voluntary turnover. However, this study was also conducted to analyze the factors that cause employee attrition and to understand the impact of these factors on attrition. In this context, a comprehensive model was developed by synthesizing the research in the existing literature, bringing together the most effective techniques and applying new data analysis techniques. In particular, the focus was on improving the model through feature selection and test selection methods. The main aim of the study is to create a comprehensive model by comparing the performances of various feature selection strategies and machine learning algorithms in order to more accurately and effectively predict employee attrition. The findings showed that the SVM algorithm was the most successful and revealed that data set cleaning and feature selection increased model performance. This thesis study shows that data mining and machine learning techniques can be used effectively to predict employee attrition. However, this study emphasizes the importance of research conducted to predict employee attrition. In addition, this study is a scope of other studies, but unlike other studies, it focuses on determining the most effective combinations by comparing the performance of various feature selection strategies and machine learning algorithms and aims to create new standards in this field. The results obtained provide an important road map that will help businesses make more effective decisions in personnel management and workforce planning.
Benzer Tezler
- Recommender system for employee attrition prediction and movie suggestion
Çalışan yıpranması tahmini ve film tavsiyesi için öneri sistemi
FATMA ÖZDEMİR
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. VEHBİ ÇAĞRI GÜNGÖR
DR. MUSTAFA COŞKUN
- Öğretmenlerin algılanan örgütsel destek ve örgütsel özdeşleme düzeylerinin veri madenciliği ile analizi
Analysis of teachers' perceived organizational support and organizational identification levels by data mining
AHMET BOYACI
Yüksek Lisans
Türkçe
2017
Eğitim ve ÖğretimHitit Üniversitesiİşletme Ana Bilim Dalı
YRD. DOÇ. DR. GÖKBEN BAYRAMOĞLU
- Konaklama işletmelerinde toksik liderlik ölçeğinin geliştirilmesi ve toksik liderlik, lider-üye etkileşimi, iş stresi, duygusal tükenmişlik değişkenleri bağlamında örgütsel vatandaşlık davranışının veri madenciliği yöntemi ile incelenmesi
Development of toxic leadership scale in hospitality firms andanalysis of organizational citizenship behavior in the contextof toxic leadership, leader-member exchange, job stress,emotional exhaustion variables by data mining method
NURİ ÇELİKER
Doktora
Türkçe
2020
TurizmAkdeniz ÜniversitesiTurizm İşletmeciliği Ana Bilim Dalı
PROF. DR. CEM OKTAY GÜZELLER
- Evaluation des performances des projets de l'affaire électronique basé sur GRC en utilisant le tableau de bord équilibré et management de capital client
CRM bazlı e-iş proje performanslarının dengelenmiş skorkartı ve entelektüel müşteri sermayesi yönetimi ile değerlendirilmesi
BURHAN BURÇ KILIÇER
Yüksek Lisans
Fransızca
2004
Endüstri ve Endüstri MühendisliğiGalatasaray ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF.DR. ETHEM TOLGA
- Küresel insan kaynakları stratejilerinde Bulanık Mantık temelli performans ölçümü: Türk finans sektörü üzerine bir analiz
Fuzzy Logic based performance measurement in global human resources strategies: An analysis on the Turkish finance sector
OYA ALHAN
Doktora
Türkçe
2021
İşletmeİstanbul Medipol ÜniversitesiYönetim Bilimleri Ana Bilim Dalı
DOÇ. DR. SERHAT YÜKSEL