Abstract
يعد طرد الموظفين من المنظمات مشكلة خطيرة. يجب حل مشكلة تدوير الموظفين أو اطردهم من داخل المنظمة نظرًا لأن لها تأثيرًا سلبيًا على المنظمة. يعد الاكتشاف اليدوي لتسرب الموظفين أمرًا صعبًا للغاية، لذلك تم استخدام خوارزميات التعلم الآلي ML بشكل متكرر لاكتشاف تسرب الموظفين بالإضافة إلى تصنيف الموظفين وفقًا للاستبدالهم. باستخدام التعلم الآلي، بحثت دراسة واحدة فقط في تصنيف الموظفين حتى الآن. تم اقتراح نهج جديد لاتخاذ القرار متعدد المعايير MCDM إلى جانب مبدأ DE-PARETO لتصنيف الموظفين. يشار إلى هذا باسم مخطط SNEC . تم تصميم نموذج AHP-TOPSIS DE-PARETO PRINCIPLE (AHPTOPDE) الذي يستخدم نظام MCDM على مرحلتين لتصنيف الموظفين. في المرحلة الأولى، تم استخدام عملية التسلسل الهرمي التحليلي AHP لتعيين الأوزان النسبية لعوامل إنجاز الموظف. في المرحلة الثانية، تم استخدام TOPSIS للتعبير عن أهمية الموظفين في إجراء تصنيف الموظفين. تم تطبيق قاعدة 20-30-50 البسيطة في مبدأ DE PARETO لتصنيف الموظفين إلى ثلاث مجموعات رئيسية وهي الموظفون المتحمسون والسلوكيون والمضطربون. يتم بعد ذلك تطبيق خوارزمية الغابة العشوائية كخوارزمية أساسية لإطار عمل الموظفين المقترح للتنبؤ بخسارة الموظفين على أساس الفصل والذي يتم اختباره على مجموعة بيانات قياسية لنظام معلومات الموارد البشرية HRIS، ويتم تقييم النتائج التي تم الحصول عليها باستخدام طرق تعلم الآلة الأخرى. تتمتع خوارزمية Random Forest ML في مخطط SNEC بدقة إجمالية مماثلة أو أفضل قليلاً وMCC مع تعقيد زمني أقل مقارنةً بمخطط ECPR باستخدام خوارزمية CATBOOST
Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
