Artificial Intelligence | Business Intelligence | employee retention | Python
3
2
75
Κατάλογος Εικόνων
Εικόνα Α.1 Ενδεικτικό Screenshot Μοντέλου 81
Εικόνα Α.2 Προβλεπτικότητα Μοντέλου 82
Εικόνα Α.3 Παράγοντες που επιδρούν στην παραμονή του προσωπικού 83
Εικόνα Β.1 Εικόνα Δείγμα Αρχείου CTI 84
Εικόνα Β.2 Δείγμα Αρχείου Training MIS 90
Εικόνα Β.3 Δείγμα Αρχείου e-learning platform 91
Κατάλογος Σχημάτων
Σχήμα 2.1 Η εξέλιξη του όρου Artificial Intelligence 9 19
Σχήμα 2.2 Εφαρμογές Artificial Intelligence 20
Σχήμα 2.3 Διαδικασίες Μάθησης 65 21
Σχήμα 2.4 Τύποι Αλγορίθμων Data Mining 22
Σχήμα 3.1 Βιβλιογραφική Ανασκόπηση Λόγων Αποχώρησης Εργαζομένων 26
Σχήμα 4.1 Διάγραμμα Πληροφοριακών Συστημάτων 34
Σχήμα 4.2 Μέτρηση συναισθήματος με emoji 35
Σχήμα 4.3 Τα 5 V των Big Data 38
Σχήμα 5.1 Ροή Μηχανικής Μάθησης 39
Σχήμα 6.1 Η Διαδικασία Data Mining 48
Σχήμα 6.2 Το προτεινόμενο μοντέλο 49
Σχήμα 6.3 Αξιοπιστία πρόβλεψης μοντέλων 6, 12, 18, 24, 24+ μηνών 59
Σχήμα 6.4 Feature importance μοντέλου 6 μηνών 60
Σχήμα 6.5 Feature importance μοντέλου 12 μηνών 61
Σχήμα 6.5 Feature importance μοντέλου 18 μηνών 61
Σχήμα 6.7 Feature importance μοντέλου 24 μηνών 62
Σχήμα 6.8 Feature importance μοντέλου 24+ μηνών 62
Σχήμα 6.4 Η Βελτιστοποίηση της Διαδικασίας Μηχανικής Μάθησης 67
Σχήμα 7.1 Το τελικό μοντέλο 71
Κατάλογος Πινάκων
Πίνακας 3.1 Βιβλιογραφικές Αναφορές Λόγων Αποχώρησης 27
Πίνακας 3.2 Βιβλιογραφικές Αναφορές DataMining για Employee Retention 30
Πίνακας 3.3 Σύγκριση αλγορίθμων DataMining για Employee Retention 31
Πίνακας 5.1 Διαθέσιμα πακέτα ανάλυσης Python 42
Πίνακας 6.1 Αποτελέσματα Μοντέλου SPSS Modeler 18.0 52
Πίνακας 6.2 Χαρακτηριστικά Δειγμάτων για παραμονή 53
Πίνακας 6.3 Αξιολόγηση Δειγμάτων για μοντέλο παραμονής 55
Πίνακας 6.4 Αξιολόγηση Δειγμάτων για μοντέλα 6-12-18-24-24+ μηνών παραμονή 58
Πίνακας 6.5 Αξιολόγηση χαρακτηριστικών μοντέλων από 6 έως 24+ μηνών 60
Πίνακας 6.6 Αξιολόγηση μοντέλων από 6 έως 24+ μηνών με αλγόριθμο SVC 64
Πίνακας 6.7 Αξιολόγηση σημαντικότητας χαρακτηριστικών με αλγόριθμο SVC 65
Πίνακας Α.1 Αρχικά Δεδομένα Πρότυπου Μοντέλου 81
Πίνακας Β.1 Δεδομένα από CTI (Call Telephony Integration) 85
Πίνακας Β.2 Δεδομένα από το Βιογραφικό του Εργαζόμενου 86
Πίνακας Β.3 Δεδομένα από την Οργάνωση των Έργων 86
Πίνακας Β.4 Δεδομένα από την Αξιολόγηση της Ποιοτικής Απόδοσης 87
Πίνακας Β.5 Μεταδεδομένα από την Αξιολόγηση της Ποιοτικής Απόδοσης 87
Πίνακας Β.6 Δεδομένα από feedback της Αξιολόγησης της Ποιοτικής Απόδοσης 88
Πίνακας Β.7 Η εννιαβάθμια κλίμακα feedback των εκπροσώπων 89
Πίνακας Β.8 Τα δεδομένα από το Training MIS 89
Πίνακας Β.9 Τα δεδομένα από το e-learning platform 90
Η Τεχνητή Νοημοσύνη έχει πλέον εδραιωθεί ως επιστημονικός κλάδος της Πληροφορικής και καθημερινά αναζητούνται νέα πεδία εφαρμογής της σε όλους τους τομείς της ζωής μας. Στις επιχειρήσεις, δε, υπόσχεται ότι θα λύσει τα προβλήματα που αντιμετωπίζουν, οδηγώντας παράλληλα σε μεγάλες οικονομίες κλίμακας. Σε αυτές βρίσκει εφαρμογή η Επιχειρηματική Ευφυΐα, η οποία σε ένα πρώτο στάδιο, φιλοδοξεί να αξιοποιήσει τον τεράστιο όγκο δεδομένων που υπάρχουν στα πληροφοριακά συστήματα μίας επιχείρησης, μετατρέποντάς τον σε γνώση πολύτιμη, που θα συμβάλλει στη χάραξη στρατηγικής και τη λήψη εύστοχων αποφάσεων.
Η παρούσα διπλωματική εργασία διερευνά ένα πρόβλημα που απασχολεί όλο και περισσότερες επιχειρήσεις στις μέρες μας και αφορά στον προσδιορισμό των παραμέτρων εκείνων που οδηγούν στην παραμονή των εργαζομένων σε μια επιχείρηση εντάσεως εργασίας. Πιο συγκεκριμένα, μελετήθηκε ο τομέας των Κέντρων Τηλεφωνικής Εξυπηρέτησης, μέσα από την περίπτωση μίας μεγάλης εταιρείας με πολύχρονη παρουσία στον χώρο.
Για τον σκοπό της έρευνας σχεδιάστηκε ένα μοντέλο στη βάση μεταβλητών που αντλήθηκαν από τα πληροφοριακά συστήματα της επιχείρησης και αφορούσαν στα χαρακτηριστικά του εκάστοτε εργαζόμενου κατά την πρόσληψή του, καθώς και αυτά που προέκυψαν κατά την παραμονή του στην εταιρεία. Το μοντέλο αυτό αναλύθηκε ως προς τη δυνατότητα πρόβλεψης των πιθανοτήτων να παραμείνει ένας εργαζόμενος στην εταιρεία, για ένα ορισμένο χρονικό διάστημα, ή να αποχωρήσει. Στόχος της διαδικασίας ήταν να προσδιοριστούν οι παράμετροι που δίνουν το εγκυρότερο αποτέλεσμα πρόβλεψης, σχετικά με την παραμονή ή αποχώρηση ενός εργαζόμενου.
Η ανάλυση των δεδομένων πραγματοποιήθηκε με γλώσσα Python και πιο συγκεκριμένα με Anaconda. Βασικά ευρήματα ήταν η βαρύνουσα σημασία που έχουν μεταβλητές όπως η ενσυναίσθηση (empathy) που πρέπει να χαρακτηρίζει τους εργαζομένους, η εμπειρία, το φύλο, και η ηλικία κατά την πρόσληψή τους, ώστε να παραμείνουν στην εταιρεία για μεγαλύτερο διάστημα, πλέον των πρώτων, κρίσιμων έξι μηνών, όπου παρουσιάζεται συνήθως το μεγαλύτερο ποσοστό αποχωρήσεων.
Artificial Intelligence (ΑΙ) has long been established as a scientific discipline of Information Technology and new areas of application in all sectors of our lives are sought every day. As for enterprises, ΑΙ promises to solve crucial problems that they face and in parallel lead to large economies of scale. That is an area open to Business Intelligence which, at a first stage, attempts to make use of the large amount of data available in modern Management Information Systems, by transforming them into knowledge necessary for strategic planning and improved decision-making.
The present thesis examines a problem that more and more companies face nowadays regarding the identification of the parameters that lead to employee retention within an intensive labor company. More specifically, we studied the Call Centers sector, via the case of a top company with many years of presence in the industry.
For the purpose of this study, we developed a model upon parameters available in the company's Business Management Information System, which refer to employee characteristics during the hiring process, as well as those developed in the course of their employment. This model was analyzed with regard to its ability to predict the likelihood of an employee to stay with the company, for a specific period of time, or resign. The target of this process was to establish the parameters that yield the most accurate prediction result, as far as retaining or losing an employee is concerned.
Data analysis was made with Python language, in Anaconda environment, and pointed to the significance of variables such as empathy, that employees should express, previous experience, and the employees' gender and age at the time of their recruitment, in order for them to stay with the company for a longer time period, beyond the critical first six months, in which the biggest percentage of resignations usually takes place.
Τεχνητή Νοημοσύνη στις Επιχειρήσεις: O «κύκλος ζωής» του εργαζόμενου