Так или иначе, все методы делятся по двум зонам стимулирования: моральное и материальное стимулирование. В случае, когда речь идет о материальном вознаграждении сотрудника (агента), таким эквивалентом выступают деньги. Казалось бы, рассчитать размер материального поощрения за работу не так уж и сложно, однако не всегда можно адекватно выразить в денежных единицах, особенно если речь идёт о редкой специальности, рыночная стоимость которой ещё не определена. С экономической точки зрения затраты агента можно интерпретировать как денежный эквивалент тех усилий, которые агент должен произвести для достижения того или иного действия. В рамках такой интерпретации вполне естественной выглядит идея компенсации затрат - вознаграждение со стороны организации должно как минимум компенсировать затраты агента [19]. Естественно, что таким образом невозможно удержать лучших сотрудников, либо их мотивация сильно упадёт, либо такого сотрудника переманят в другую организацию с лучшим материальным обеспечением.

Моральное стимулирование возможно проводить социально-психологическими методами. Социологические методы позволяют установить назначение и место сотрудников в коллективе, выявить лидеров и обеспечить их поддержку, связать мотивацию людей с конечными результатами производства, обеспечить эффективные коммуникации и разрешение конфликтов в коллективе [19].

Психологические методы играют важную роль в работе с персоналом, так как направлены на конкретную личность рабочего или служащего и, как правило, строго персонифицированы и индивидуальны. Главной их особенностью является обращение к внутреннему миру человека, его личности, интеллекту, образам и поведению, с тем, чтобы направить внутренний потенциал человека на решение конкретных задач организации. К наиболее важным результатам психологического планирования следует отнести:

1. формирование подразделений (рабочих групп) на основе психологического соответствия сотрудников;

2. комфортный психологический климат в коллективе;

3. формирование личной мотивации людей исходя из философии организации;

4. минимизацию психологических конфликтов;

5. разработку служебной карьеры на основе психологической ориентации работников;

6. рост интеллектуальных способностей членов коллектива и уровня их образования;

7. формирование корпоративной культуры на основе норм поведения и образов идеальных сотрудников [19].

Оценка текучести кадров

Анализ данных о работниках, покидающих предприятие, даёт информацию, исходя из которой, можно предположить, направление дальнейших исследований для установления причин и определения средств преодоления текучести кадров. При сборе и анализе показателей текучести кадров важно получать информацию по различным категориям сотрудников, особенно по тем, которых трудно найти и удержать, например высококвалифицированные рабочие и работники умственного труда [13]. Анализ потерь человеческих ресурсов требует подробной информации о стаже работы увольняющихся сотрудников для того, чтобы выявить проблемные зоны и выработать варианты их преодоления.

Существует ряд способов измерения текучести кадров: индекс текучести кадров, коэффициент выживаемости, индекс стабильности,

Индекс текучести кадров. Индекс текучести кадров определяет величину потерь компании и рассчитывается по формуле (1). Из-за своей простоты, данный показатель имеет ряд недостатков, основным из которых является то, что он охватывает всё предприятие в целом, не рассматривая отдельные группы работников, в которых этот показатель может сильно варьироваться [13].

где p - рассматриваемый период времени, DE(p) (Dismissed Employees) - количество уволившихся за определённый период, AE(p) - среднее количество работающих сотрудников за определённый период.

Коэффициент выживаемости показывает долю работников, оставшихся на предприятии после определенного периода времени. Рассчитывается по формуле (2). Такой показатель может сказать, сколько сотрудников нужно нанять сегодня, чтобы через определённое время получилось определённое количество квалифицированных сотрудников [13].

Индекс стабильности показывает, сколько работников с большим стажем работы стремится остаться в компании, и, следовательно, показывает степень непрерывности трудового найма компании. Рассчитывается по формуле (3) [13].

,

где WE (Working Employees) - количество сотрудников со стажем более года, EP(Employed count) - количество работников, устроившихся год назад.

Определение экономического ущерба, вызванного текучестью персонала

Оценивать величину экономического ущерба от текучести кадров, можно по множеству показателей, а, в общем, довольно простом виде, её можно вычислить как площадь фигуры ABCD, указанной на рисунке 2.1. На графике изображен процесс смены персонала, где линия синего цвета, отображает производительность труда сотрудника, который увольняется в точке А, а красным, новый сотрудник, начавший работу в точке С, и достигший производительности предыдущего сотрудника в точке D. Таким образом, в период времени между B и C, рабочее место будет простаивать, и предприятие будет нести как производственные расходы (амортизация рабочего места) так и расходы в виде недополученной прибыли. В период времени между C и D, предприятие несёт потери связанные с поиском и наймом нового сотрудника, а затем и на его обучение.

Данную модель, можно легко дополнить, добавив некоторые параметры, позволяющие произвести более точный расчёт. Для определения величины экономического ущерба от текучести кадров рекомендуется использовать следующие показатели:

1. Потери, вызванные перерывом в работе. Определяются как произведение среднедневной выработки на продолжительность перерыва в работе (4) [8].

,

где w - увольняющийся рабочий, ADP(w) (Average Daily Production) - среднедневная выработка рабочего, IT (Idle Time) - продолжительность простоя рабочего места.

2. Потери, вызванные снижением производительности труда у сотрудников перед увольнением. Определяется как произведение среднего уровня потери производительности рабочего на количество дней перед увольнением (5) [8].

,

где w - увольняющийся рабочий, ALP(w) (Average Lost Productivity) - средний уровень потери производительности сотрудника w, DbD (Days before Dismissing) - количество дней перед увольнением.

3. Потери, связанные с недостаточным уровнем производительности у нового сотрудника. Определяется как сумма разностей среднедневной выработки ушедшего сотрудника перед уходом и среднедневной выработки принятого сотрудника (6) [8].

4. Затраты, необходимые для поиска и отбора сотрудника.

5. Затраты, необходимые для обучения нового сотрудника.

2.2 Ведение кадрового учёта на предприятии

Кадровым учётом на предприятии обычно занимается отдельный сотрудник, либо целый отдел. Он ведётся согласно установленным стандартам, ГОСТам и потребностям предприятия. Правильное ведение учёта персонала позволяет быстро формировать необходимую для госучреждений отчётность, а так же нестандартную отчётность для управляющих.

Самое распространённое программное средство ведения кадрового учёта на предприятиях России - «1С: Зарплата и Управление Персоналом», которое обеспечивает:

1. ведение структуры предприятия в виде иерархического списка подразделений, создание, перемещение, переименование, удаление структурного подразделения [28];

2. ведение штатного расписания и штатной расстановки работников, определение для каждой позиции размера оплаты, плановой и нормативной численности персонала, вида и размера надбавок, индексацию оплаты [28];

3. ведение оперативного и полного учета кадровой информации в объеме унифицированной формы Т-2 [29] с возможностью ввода дополнительной информации по работнику в необходимом формате данных [28];

4. мониторинг за адаптацией, обучением и развитием персонала, расчёт кадрового резерва и KPI сотрудников и т.д. [28].

Таким образом, довольно большой объём информации для анализа причинно-следственных взаимосвязей текучести персонала можно получить из стандартных средств ведения учёта на предприятии. Однако для более глубокого анализа, необходимы дополнительные статистические данные, которые можно получить в ходе собеседований при приёме на должность, при увольнении с должности и в ходе рабочего процесса на предприятии.

В ходе собеседования при приёме на должность, следует сконцентрировать внимание на ожиданиях нового сотрудника относительно данной должности, его жизненную позицию, цели, которые он пытается достичь на этой должности. На основе этих данных, специалист по работе с кадрами может определить ему более подходящий отдел, начальника и специфику работы, для повышения эффективности и лояльности сотрудника [13].

Во время рабочего процесса, собирать данные о работниках необходимо регулярно, в виде интервью либо опроса, по основным категориям: удовлетворённость заработной платой, удовлетворённость возможными перспективами в компании, удовлетворённость условиями работы, отношения с руководителем и коллегами. Естественно, что анализ таких данных даст результат только в случае полной достоверности информации, которую очень сложно достичь на такие неформальные вопросы. Многие сотрудники будут скрывать свои проблемы, поэтому необходимо подходить к этому делу очень деликатно [19].

Причины ухода персонала можно собирать на собеседованиях с увольняющимися сотрудникам. Анализ этих причин даст полезную информацию, которая может поспособствовать составлению программ по удержанию сотрудников. Анкетирование (интервьюирование) сотрудника при увольнении обычно более информативно, нежели с работающим сотрудником, т.к. теперь он может рассказать всё, что его действительно беспокоило. Необходимо тщательно проанализировать причины и принять во внимание тенденции [13].



3. Описание процесса разработки системы поддержки принятия решений в управлении персоналом

Перед началом работы над самой системой, необходимо определиться с используемым методом и алгоритмом, разработать схему базы данных, которая накапливать данные для последующего анализа. Затем определить модель получения знаний из накопленных данных с известной структурой.

Результатом работы системы поддержки принятия решений, будет расчёт вероятности ухода каждого из работающих сотрудников, то, какие факторы в большей степени влияют на это желание, а так же возможные потери, которые при этом понесёт организация. Первый результат можно легко получить с использованием методов классификации, второй - в процессе классификации, а третий является составной частью, расчёт которой, не зависит от выбранного метода. Вследствие этого, поставленная задача будет решаться одним из методов классификации.

3.1 Метод решения задачи классификации

Для определения метода решения задачи классификации необходимо определиться с входными данными и типами классов, на которые будут разделяться входные данные.

Для анализа будут использованы числовые и строковые типы входных данных, с помощью которых, будут описаны характеристики объектов. Необходимо заметить, что возможны случаи противоречащих примеров, т.е. один сотрудник, с определёнными характеристиками ушел из компании, в то время как другой, с точно такими же, продолжает работать.

В качестве выходных данных будут использованы нечёткие классы, т.е. будет определяться степень принадлежности объекта к каждому классу. В рамках работы, это вероятность, с которой конкретный сотрудник может покинуть организацию.

Методы, решающие задачу классификации:

1. байесовский классификатор;

2. нейронные сети;

3. деревья решений.

Построение Байесовского классификатора, как и деревьев решений, требует независимости всех переменных, т.е. чтобы по одной переменной было невозможно вычислить другую. Теорема Байеса позволяет переставить местами причину и следствие. Зная с какой вероятностью причина приводит к некоему событию, эта теорема позволяет рассчитать вероятность того что именно эта причина привела к наблюдаемому событию [30]. Цель классификации состоит в том, чтобы понять к какому классу принадлежит объект, поэтому здесь нужна не сама вероятность, а наиболее вероятный класс. Байесовский классификатор использует оценку апостериорного максимума для определения наиболее вероятного класса. Это именно то, что и требуется найти в данной работе.

Использование нейронных сетей, затрудняется тем, что, одно из правил входных данных для нейронных сетей не выполняется - в обучающей выборке не должно быть противоречащих примеров [7]. Кроме того, в качестве выхода, потребуются вероятностно разделимые классы, которые строятся только многослойными сетями, вычислительная сложность которых очень высока.

Большинство алгоритмов построения деревьев решений являются «жадными алгоритмами». Это значит, что если один раз переменная была выбрана, и по ней было произведено разбиение на подмножества, то алгоритм не может вернуться назад и выбрать другую переменную, которая дала бы лучшее разбиение. Очень часто алгоритмы построения деревьев дают сложные деревья, в которых очень много ветвей. В таких деревьях трудно разобраться, к тому же, такие деревья разбивают обучающее множество на огромное количество подклассов, с маленьким количеством объектов входящих в них [7].

Таким образом, для решения поставленной задачи, больше всего подходит метод Байесовского классификатора.

Байесовские алгоритмы классификации

Байесовский подход основан на теореме, утверждающей, что если плотности распределения каждого из классов известны, то искомый алгоритм можно выписать в явном аналитическом виде. Более того, этот алгоритм оптимален, то есть обладает минимальной вероятностью ошибок [31].

В реальных задачах, обычно, плотности распределения классов не известны, поэтому байесовский алгоритм теряет свою оптимальность, т.к. невозможно получить плотность по выборке, без каких-либо значимых погрешностей.

Постановка задачи классификации звучит следующим образом: Имеется множество объектов X и конечное множество имён классов Y. Множество прецедентов X Ч Y является вероятностным пространством с известной плотностью распределения p(x,y) = P(y)p(x|y). Вероятности появления объектов каждого из классов P_y = P(y) известны и называются априорными вероятностями классов. Плотности распределения классов p_y(x) = p(x|y) также известны и называются функциями правдоподобия классов. Требуется построить алгоритм a(x), минимизирующий вероятность ошибочной классификации [31].

Согласно определению условной вероятности p(x,y) = p_y(x)P_y = P(y|x)p(x). Условная вероятность P(y|x) называется апостериорной вероятностью класса y для объекта x. Она может быть вычислена по формуле Байеса, если известны p_y(x) и P_y:



В данной работе, важно не просто отнести объект к определённому классу, но и определить вероятность P(y|x) принадлежности к каждому из классов y ? Y.

К числу байесовских алгоритмов классификации относят:

1. квадратичный дискриминант;

2. линейный дискриминант Фишера;

3. EM-алгоритм;

4. наивный байесовский классификатор.

Квадратичный дискриминант, как и линейный дискриминант Фишера относятся к отдельному классу байесовских алгоритмов классификации - нормальный дискриминантный анализ. Это специальный случай байесовской классификации, когда предполагается, что плотности всех классов p_y(x), y ? Y являются многомерными нормальными [32]. Эти методы позволяют относить объекты к тому либо иному классу, путём разделения пространства объектов многомерными плоскостями, но такой способ не даст оценку апостериорной вероятности.

EM (expectation-maximization) - алгоритм подразумевает уменьшение размерности анализируемых показателей, путём отсечения тех, что в наименьшей мере влияют на результаты классификации. Этот алгоритм обычно используется на больших объёмах данных, для упрощения классификации и упрощения интерпретации результатов. Поэтому применение этого алгоритма не подходит для данной работы, где производится анализ 11 показателей [33].

Наивный байесовский классификатор - основывается на предположении, что все параметры объектов независимы. Данное упрощение существенно облегчают задачу, так как оценить n одномерных плотностей гораздо проще, чем одну n-мерную плотность. Довольно простой алгоритм классификации, не зависящий от плотности распределения, хорошо подходит под требования в данной работе.

Наивный байесовский классификатор

Признаки f₁(x),…, f_n(x) являются независимыми случайными величинами. Следовательно, функция правдоподобия классов представима в виде:

y?Y

где p_yj(о_j) - плотность распределения значений j-го признака для класса y.

Оценка вероятности принадлежности объекта x к классу y по j-ому признаку может определяться несколькими путями, в данной работе будет использован multinominal bayes model (7).

Может оказаться так, что на этапе классификации встретился объект со значением какого-либо параметра, которое не встречалось на этапе обучения, тогда числитель (7) будет равен нулю. Если классификация проводится по одному признаку, то такой объект невозможно будет классифицировать, т.к. P(y|x) будет равна нулю.

При анализе большого анализа данных, возможна проблема арифметического переполнения, которая решается свойством логарифма произведения. Так как логарифм функция монотонная, ее применение к обоим частям выражения изменит только его численное значение, но не параметры при которых достигается максимум. При этом, логарифм от числа близкого к нулю будет числом отрицательным, но в абсолютном значении существенно большим чем исходное число, что делает логарифмические значения вероятностей более удобными для анализа [30]. Используя формулу (7) с логарифмами, результатом будет не вероятность, а её оценка, и для перехода к вероятности, необходимо избавиться от логарифмов путём обратного перехода по формуле



3.2 Проектирование базы данных

При построении схемы учитывались возможности стандартных средств ведения кадрового учёта на предприятии (1С: ЗУП), а так же данные, которые можно получить в ходе текущего и последнего анкетирования сотрудников в компании, а также требование к независимости переменных.

Схема базы данных является гибридной, т.к. совмещает в себе многомерные таблицы (таблицы фактов) «Questionaries» и «Hirings», а так же словари, характерные реляционной схеме БД.

Таблица «Employees», хранит персональные данные сотрудников, которые могут быть использованы для анализа, к ним относятся:

1. ФИО;

2. дата рождения;

3. пол;

4. семейное положение;

5. уровень образования;

6. оконченное учебное заведение;

7. полученная специальность;

8. дата выпуска из учебного заведения.

Таблица «Hirings», хранит данные о занимаемых сотрудниками должностях и отделах в различных компании, дате приёма и увольнения на должность, получаемой заработной плате. Анализ занимаемых должностей в предыдущих компаниях позволит проследить весь процесс развития сотрудника на предприятии, что в свою очередь позволит использовать более полные данные о сотрудниках при анализе. Также, это является единственным параметром, выходящим за рамки организации, поскольку вся другая информация является внутрикорпоративной.

Таблица «Questionaries», хранит данные о проведённых опросах уровня удовлетворённости сотрудников компании, и содержит такие сведения как:

1) дата проведения опроса;

2) опрашиваемый сотрудник;

3) уровень удовлетворённости рабочими условиями труда;

4) уровень удовлетворённости прямым начальником;

5) уровень удовлетворённости организацией работы в компании;

6) удовлетворённость уровнем заработной платы;

7) уровень уверенности в завтрашнем дне;

8) уровень улучшений, произошедших в компании, за последние три месяца;

9) уровень необходимости в повышении квалификации, для выполнения рабочих обязанностей.

Все оценки, хранящиеся в таблице «Questionaries» могут варьироваться от 0 до 2, и соответственно означают:

· 0 - плохо;

· 1 - удовлетворительно;

· 2 - хорошо.

3.2 Модель получения знаний

После определения используемых данных и разработки схемы БД, необходимо определить каким образом будет проводиться анализ имеющихся данных, для того была разработана обобщенная модель процесса получения знаний.

Процесс получения знаний будет включать в себя несколько этапов KDD в объединении с DM методами, для построения описательной модели. Модель будет строиться на основе ассоциативных правил и байесовским классификатором.



3.3 Процесс разработки системы поддержки принятия решений

Система создавалась в среде разработки программного обеспечения Visual Studio 2012 от Microsoft с использованием Windows Form Application проекта и стандартных объектов DataGridView для отображения информации в табличном виде.

Определение обучающей и тестирующей выборки

Работа программы начинается с извлечения данных обо всех работниках, уволившихся и работающих на данный момент, истории их продвижения в компании и результатах анкетирования. Затем все эти данные объединяются в одном списке и разделяются на обучающую и тестовую выборку. Данные в БД хранятся в случайном порядке, поэтому в отбор в обучающую выборку проходил по следующему алгоритму: три сотрудника в обучающую выборку, одного пропускаем.

Объекты обучающей и тестовой выборки обычно не должны пересекаться, т.к. это приводит к переобучению и смещённым оценкам, но для обучения классификатора необходимы объекты обоих классов (уволенные и не уволенные). Результатом применения классификатора на тестовой выборке и будет искомая величина - вероятность ухода сотрудника, поэтому тестовая выборка должна состоять из всех работающих на данный момент сотрудниках компании, включая тех, что были в обучающей выборке.

Обучение классификатора

Обучение классификатора проходит в несколько этапов, различающихся по анализируемым признакам. Входные данные имеют разные типы, разные диапазоны значений, и поэтому нельзя одним и тем же способом провести обучение классификатора по всем характеристикам.

Обучение разделено на четыре этапа:

1. Обучение, учитывающее развитие сотрудника в компании (продвижение по должностям и смена подразделений);

2. Обучение, учитывающее длительность работы сотрудника по не поднимающейся заработной плате (сотрудник может менять должности, подразделения, но заработная плата остаётся неизменной);

3. Обучение, учитывающее заработные платы других сотрудников в определённый момент времени на определённой должности;

4. Обучение, учитывающие, выставляемые сотрудниками, оценки при ежеквартальном анкетировании.

При обучении, учитывающем развитие сотрудника в компании и учитывающем длительность работы сотрудника по не поднимающейся заработной плате, рассчитывается то, в течение скольких лет сотрудник работает на определённой должности, или в определённом подразделении, или по одной и той же заработной плате.

При обучении, учитывающем заработные платы других сотрудников в определённый момент времени на определённой должности, временной промежуток разделяется на шесть отрезков различной длины. Это делается для того, чтобы уменьшить количество нулевых значений параметров. По той же причине значения характеристики заработная плата были разделены на отрезки по 10000 тыс. руб.

Обучение по оценкам, полученным при анкетировании, начинается с самой последней анкеты сотрудника, и каждому типу оценки, соответствует временной список, отображающий, за сколько времени до увольнения либо последнего анкетирования была поставлена оценка. Таким образом, можно проследить за тем, какие оценки выставляли сотрудники перед увольнением.

Тестирование классификатора

Тестирование классификатора на тестовых данных также разделено на такие же четыре этапа, как и при обучении. На каждом из этапов для каждого сотрудника определяется, к какому временному отрезку относится значение текущего показателя. Затем рассчитываются оценки принадлежности сотрудника к обоим классам по данному значению показателя по формуле Байеса.

После того как все значения характеристик сотрудника были учтены, оценки принадлежности сотрудника к классам переводятся в априорную вероятность принадлежности сотрудника к классу «уволенные».

Также в процессе классификации работающих сотрудников, производится расчёт возможных потерь, при увольнении сотрудника. При этом учитываются потери, вызванные перерывом в работе и потери, связанные с недостаточным уровнем производительности у нового сотрудника. Первые рассчитываются как произведение отношения константы к количеству сотрудников на данной должности на заработную плату данного сотрудника. Константа - это то, с какой скоростью предприятие может найти нового сотрудника. Отношение константы на количество сотрудников на данной должности, означает, что чем больше сотрудников этой должности работает в компании, тем быстрее найти ему замену.

Вторые рассчитываются как произведение заработной платы сотрудника на длительность его работы на последней должности и делённой на константу. Это делается из соображений о том, что новый сотрудник, замещающий этого, будет какое-то время (длительность его работы на последней должности и делённой на константу) недопроизводить благ в размере заработной платы сотрудника.

Результат работы системы

При запуске системы, она показывает список всех сотрудников с их личными данными, и рассчитанной вероятностью ухода из компании и возможными убытками. Те сотрудники, вероятность ухода которых больше 66%, подсвечиваются красным цветом.

На рисунке видно, что шесть сотрудников возможно в ближайшее время покинут компанию, и пользователь системы, будь то менеджер по персоналу либо начальник подразделения или компании может решить, нужны ли компании эти сотрудники, или выгоднее дать им уйти. Это решение менеджер может принять исходя из внешних данных, или опираясь на потенциальные потери от ухода сотрудника, рассчитанные системой. Если же принято решение об удержании какого-либо сотрудника, то при нажатии на него, появится информация о его развитии в компании.

Красным цветом отмечены «проблемные зоны», воздействовав на которые, можно сильно поднять лояльность сотрудника.

Для формы с данными о развитии сотрудника возможны следующие варианты:

1. Если красным закрашивается поле в столбце «Подразделение», значит, скорее всего, данному сотруднику необходимо изменить подразделение, в котором он работает.

2. Если красным закрашивается поле в столбце «Должность», значит, скорее всего, данному сотруднику необходимо изменить занимаемую должность.

3. Если красным закрашено поле в столбце «Дата приёма на должность», значит, скорее всего, данному сотруднику в течение длительного времени не поднимали заработную плату.

4. Если красным закрашено поле в столбце «Заработная плата», значит, скорее всего, зарплата данного сотрудника не соответствует заработным платам данного периода времени для занимаемой им должности.

Для формы с данными о проведении анкетирования (см. рисунок 3.7), логика остаётся та же, т.е. если в поле столбца «Необходимость обучения» окрашено красным, значит с большой долей вероятности, предоставив ему обучение, его лояльность повысится.



Заключение

В данной работе рассматривается проблема эффективности управления персоналом на предприятиях. Данная работа является достаточно актуальной для больших и средних предприятий любой отрасли. В особенности для высокотехнологичных предприятий, в которых обучение персонала занимает длительное время.

Для управления персоналом обычно используют лишь изменения заработной платы. В некоторых компаниях для этого могут, например, улучшить условия труда или отправить сотрудника на тренинг. Но управленцы не знают, на какого сотрудника воздействовать и на что воздействовать с большей эффективностью. Такого рода информацией может обладать только непосредственный начальник, но может сложиться ситуация, что начальник не заинтересован в продвижение какого-либо сотрудника, хотя это прибыльно компании. Таким образом, такая информация должна быть доступна для всех звеньев управления, что и позволяет сделать разработанная система поддержки принятия решений.

Целью данной работы является разработать систему поддержки принятия решений, позволяющую установить взаимосвязи между внутрикорпоративными факторами организации и желанием человеческих ресурсов покинуть организацию, для определения негативных факторов, влияющих на уход персонала, а так же для определения сотрудников, вероятность ухода которых высока.

В работе рассмотрена On-Line Analytical Processing-технология анализа данных, подход к анализу Knowledge Discovery in Databases, совокупности методов анализа - Data и Visual Mining. Затем, были рассмотрены OLAP-системы и два вида систем анализа данных: Информационно-аналитические системы и системы поддержки принятия решений и приведены их различия. Также были исследованы методы анализа, применяемые для управления персоналом, методы управления мотивацией персонала и оценки текучести кадров, с возможным экономическим ущербом, вызванным текучестью персонала. В целях получения информации, о данных, доступных для анализа предприятиям, были изучены стандартные средства ведения кадрового учёта на предприятии.

Результатом работы является система поддержки принятия решений, которая будет рассчитывать вероятность ухода каждого из работающих сотрудников, а так же возможные потери, которые при этом понесёт организация. Реализованная система позволит менеджерам по персоналу сократить текучесть кадров, за счёт информации о потенциальных желаниях сотрудников покинуть организацию, и своевременной реакции на них. Также менеджеру будут осведомлены о возможных потерях, связанных с уходом сотрудников, и может быть тогда, начнут осознавать их ценность.

Стоит отметить, что данная система является лишь прототипом, на основе которого, можно протестировать подход к анализу, и убедиться, можно ли его использовать в промышленных системах. В дальнейшем, планируется расширить спектр охватываемых в анализе факторов, добавив к уже анализируемым факторам внешние факторы, такие как, действия конкурентов, общеэкономические и политические факторы и т.д.



Библиографический список

1. Анализ бизнес информации - основные принципы // Технологии анализа данных. [Электронный ресурс] [Режим доступа: http://www.basegroup.ru/library/methodology/analysisbusinessdata] [Проверено: 20.03.2014].

2. Business intelligence technology and platforms // Search Business Analytics. [Электронный ресурс] [Режим доступа: свободный,http://searchbusinessanalytics.techtarget.com/resources/Business-intelligence-technology-and-platforms] [Проверено: 20.03.2014].

3. OLAP Research and Technology // OLAP Council. [Электронный ресурс] [Режим доступа: http://www.olapcouncil.org] [Проверено: 20.03.2014].

4. Han J. Data Mining: Concepts and Techniques Second edition /Jiawei Han, Micheline Kamber // University of Illinois at Urbana-Champaign, 2006. - 772 p.

5. Hand D. Principles of Data Mining / David Hand, Heikki Mannila, Padhraic Smyth// Massachusetts Institute of Technology-Cambridge, 2001. - 546 p.

6. Иванова-Швец Л.Н. Управление персоналом /Л.Н .Иванова-Швец, А.А. Корсакова. // Учебно-методический комплекс. - М.: Изд. Центр ЕАОИ, 2009. - 311 с.

7. Барсегян А.А. Анализ данных и процессов: учеб. пособие / А. А. Барсегян, М. С. Куприянов, И. И. Холод, М. Д. Тесс, С. И. Елизаров. - 3-е изд., перераб. и доп. - СПб.: БХВ-Петербург, 2009. -512 с.

8. Текучесть кадров // Группа компания «Баланс». [Электронный ресурс] [Режим доступа: http://www.balans.ru/ru/library/print/8/article_39.html] [Проверенно: 23.03.2014].

9. Зайцева Н.В. Построение системы поддержки принятия решений по управлению человеческим капиталом предприятия // Modern problems and ways of their solution in science, transport, production and education 2013, Июнь, 2013г.

10. Ключко В.И., Шумков Е.А., Власенко А.В., Карнизьян Р.О. Архитектуры систем поддержки принятия решений// Научный журнал КубГАУ, №86(02), 2013г.

11. Лычкина Н.Н. Современные технологии имитационного моделирования и их применение в информационных бизнес-системах и системах поддержки принятия решений // ИММОД-2005, - М., 2005. - С. 25-31.

12. Цвиркун А.Д. Имитационное моделирование в задачах синтеза структуры сложных систем. Оптимизационно-имитационный подход/А.Д. Цвиркун, В.К. Акинфиев и др. М.: Наука,1985. - 176 с.

13. Каймакова М.В. Анализ использования человеческих ресурсов: текст лекций / М. В. Каймакова. - Ульяновск: УлГТУ, 2008. - 80 с.

14. Банько Н. А. Управление персоналом / Н. А.Банько, Б. А. Карташов, Н. С. Яшин // Часть I: Учеб.пособие, Волгоград: ВолгГТУ, 2006. - 96 с.

15. Садовникова Н.О.Развитие кадрового потенциала организации / Н.О. Садовникова // Учеб.пособие, Екатеринбург, УрГПУ, 2011 - 70 с.

16. Hersey P. Management of Organizational Behavior / Paul Hersey, Kenneth H. Blanchard // Prentice-Hall, 1988. - 474p.

17. Oracle business intelligence foundation suite // Oracle. [Электронный ресурс] [Режим доступа: http://www.oracle.com/us/obiee-11g-technical-overview-078853.pdf] [Проверено: 24.04.2014].

18. Базаров Т.Ю. Управление персоналом // Т.Ю. Базаров, Б.Л. Еремин. Е.Л. Аксенова, Н.М. Малиновская - 2-е изд., перераб. и доп. - М: ЮНИТИ, 2002. - 560 с.

19. Кибанов А.Я. Управление персоналом организации / А.Я. Кибанов, И.А. Баткаева, Д.К. Захаров, Л.В. Ивановская, Е.В. Каштанова, В.Г. Коновалова, Е.А. Митрофанова, К.Э. Оксинойд, В.М. Свистунов, Г.В. Слуцкий - 3-е изд. - М.: ИНФРА-М, 2005. - 638 с.

20. Методика анализа данных - подход к решению // Технологии анализа данных. [Электронный ресурс] [Режим доступа: http://www.basegroup.ru/library/methodology/base/] [Проверено: 14.04.2014].

21. Maimom O. Introduction to Knowledge Discovery in Databases / Oden Maimom, LiorRokach // Tell-Aviv University, 2006 - 17 p.

22. Белов В.С. Информационно-аналитические системы. Основы проектирования и применения: учебное пособие, руководство, практикум / Московский государственный университет экономики, статистики и информатики. - М., 2005. - 111 с.

23. Ballard C. Data Modeling Techniques for Data Warehousing / Chuck Ballard, Dirk Herreman, Don Schau, Rhonda Bell, Eunsaeng Kim, Ann Valencic // International Technical Support Organization, 1998 - 216 p.

24. Мальцев П.А., Воронина Т.В. Онтология Business Intelligence // Научный фонд НИУ ВШЭ, 2012г. - с. 150-160.

25. Бериков В.Б., Лбов Г.С. Современные тенденции в кластерном анализе // Институт математики им. С.Л. Соболева СО РАН, 2009г. - С. 1-26.

26. Codd's 12 Rules for Relational Database Management // OLAP.com. [Электронный ресурс] [Режим доступа: http://olap.com/learn-bi-olap/codds-paper/] [Проверено: 18.04.2014].

27. Types of OLAP Systems // OLAP.com. [Электронный ресурс] [Режим доступа: http://olap.com/types-of-olap-systems/] [Проверено: 18.04.2014].

28. 1С:Зарплата и управление персоналом 8 // 1С: Предприятие 8 [Электронный ресурс] [Режим доступа: http://v8.1c.ru/hrm/] [Проверено: 21.04.2014].

29. Постановление Госкомстата РФ от 05.01.2004 N 1 «Об утверждении унифицированных форм первичной учетной документации по учету труда и его оплаты» // Консультант Плюс [Электронный ресурс] [Режим доступа: http://www.consultant.ru/document/cons_doc_LAW_47274/] [Проверено: 21.04.2014].

30. Наивный Байесовский классификатор // Денис Баженов [Электронный ресурс] [Режим доступа: http://bazhenov.me/blog/2012/06/11/naive-bayes.html] [Проверено: 21.05.2014].

31. Воронцов К. В. Лекции по статистическим (байесовским) алгоритмам классификации // Учебно-методический комплекс. - М.: ИПР-ЖР, 2008. - С. 32.

32. Воронцов К. В. Математические методы обучения по прецедентам (теория обучения машин) // Учебно-методический комплекс. - М.: ИПР-ЖР, 2008. - С. 133.

Размещено на Allbest.ru

...