Improving process performance management by predicting employee attrition in international company

Abstract

Employee attrition has become significant problem, because it affects organization’s process performance, and generates both – financial and business management loss. There is a tendency of growing employee attrition rate, and this is a reason why solution should be taken to lower it. It might be possible to lower employee attrition rate and thus to find a solution to this issue by predicting employee attrition and taking proactive actions for potential leavers. For employee attrition prediction, machine learning techniques and algorithms might be used. Machine learning algorithms makes predictions, using information learned from historical data, for this reason those predictions are more accurate, than just intuition-based predictions. There exist variety of different machine learning algorithms, hence it should be chosen depending on its reliability. Decision Tree algorithm was discovered to be the most reliable (97.4% accuracy) for predictive model in this study. However, having the predictive model itself doesn’t mean, that employee attrition problem will be solved. Model, as a tool should be integrated into organization’s business process management, to ensure continuity. The appropriate framework ensuring this continuity could be process performance management, which enables process measurement, control, and it helps to achieve better results in an organization by setting up KPIs. KPIs is the crucial part of process performance management because it aligns business activities with strategy. Therefore, a strategic employee attrition solution should be connected to one of organization’s KPI, to reach the target and ensure continuity.

Darbuotojų kaita tapo didele problema organizacijoms, nes daro įtaką jų procesų veiklai, taip pat sukelia finansinius bei verslo valdymo nuostolius. Be to, pastebima tendencija, jog ši problema auga, todėl labai svarbu rasti būdą sumažinti darbuotojų kaitos rodiklius. Vienas iš galimų sprendimų sumažinti šį rodiklį yra prognozuojant darbuotojų kaitą organizacijose ir pritaikant tinkamus sprendimus darbuotojams, galimai norintiems palikti organizaciją. Mašininio mokymosi modelis ir algoritmai gali būti pritaikomi ir naudojami darbuotojų kaitai prognozuoti. Šios prognozės yra daug tikslesnės nei vien prielaidos, grįstos intuicija, nes mašininio mokymosi algoritmai atlieka prognozes, remiantis istoriniais duomenimis. Kadangi egzistuoja skirtingų mašininio mokymosi algoritmų įvairovė, šioms prognozėms turi būti pasirinktas pats patikimiausias algoritmas. Taigi, šiam prognozavimo modeliui Sprendimų medžio algoritmas buvo identifikuotas kaip pats patikimiausias (prognozuojantis 97,4 % tikslumu). Deja, vien turint darbuotojų kaitos prognozavimo modelį dar nereiškia, jog darbuotojų kaitos problema bus išspręsta. Šis modelis kaip įrankis turėtų būti integruotas į organizacijos verslo procesų valdymą, užtikrinant tęstinumą. Procesų veiklos valdymo struktūra gali būti tinkamiausia šiam tęstinumui užtikrinti, nes įgalina procesų matavimą, kontrolę ir padeda pasiekti geresnius rezultatus organizacijoje, nustatant ir matuojant veiklos rodiklius. Veiklos rodikliai yra svarbi procesų veiklos valdymo dalis, nes sujungia verslo veiklą su strategija. Todėl strateginis darbuotojų kaitos prognozavimo sprendimas turi būtinai susisieti su kuriuo nors iš organizacijos veiklos rodiklių, nes taip bus pasiektas tikslas užtikrinant sprendimo tęstinumą.