Predictive Analytics in Human Resource Management: A Hands-on Approach

این جلد یک راهنمای گام به گام برای پیاده سازی تجزیه و تحلیل داده های پیش بینی شده در مدیریت منابع انسانی (HRM) است. این نشان می‌دهد که چگونه می‌توان نتایج مختلف منابع انسانی را که تأثیر سازمانی دارند، به کار برد و پیش‌بینی کرد، تا به استراتژی‌بندی و تصمیم‌گیری بهتر کمک کند.

کتاب:

• مفاهیم کلیدی و کلیدی را ارائه می‌کند. نیاز و نقش تجزیه و تحلیل منابع انسانی در مدیریت کسب و کار را گسترش می دهد.
• از ابزارهای تحلیلی رایج مانند شبکه های عصبی مصنوعی (ANN) و نزدیکترین همسایه K (KNN) برای ارائه نمایش های عملی از طریق اسکریپت های R برای پیش بینی گردش مالی و غربالگری متقاضی.
• نمونه‌های شرکتی در دنیای واقعی و داده‌های کارکنان جمع‌آوری‌شده دست اول توسط نویسندگان را مورد بحث قرار می‌دهد.
• شامل تمرین‌های فصلی و مطالعات موردی برای دانش‌آموزان و معلمان است.

این راهنمای جامع و در دسترس برای دانشجویان، معلمان و محققان تجزیه و تحلیل داده ها، کلان داده ها، مدیریت منابع انسانی، آمار و اقتصاد مفید خواهد بود. همچنین برای خوانندگان علاقه مند به کسب اطلاعات بیشتر در مورد آمار یا برنامه نویسی جالب خواهد بود.

This volume is a step-by-step guide to implementing predictive data analytics in human resource management (HRM). It demonstrates how to apply and predict various HR outcomes which have an organisational impact, to aid in strategising and better decision-making.

The book:

• Presents key concepts and expands on the need and role of HR analytics in business management.
• Utilises popular analytical tools like artificial neural networks (ANNs) and K-nearest neighbour (KNN) to provide practical demonstrations through R scripts for predicting turnover and applicant screening.
• Discusses real-world corporate examples and employee data collected first-hand by the authors.
• Includes individual chapter exercises and case studies for students and teachers.

Comprehensive and accessible, this guide will be useful for students, teachers, and researchers of data analytics, Big Data, human resource management, statistics, and economics. It will also be of interest to readers interested in learning more about statistics or programming.