Providing a Hybrid Clustering Method as an Auxiliary System in Automatic Labeling to Divide Employee into Different Levels of Productivity and their Retention

Document Type : Research Paper

Authors

1 Dept. of Industrial Engineering, Iran University of Science & Technology, Tehran, Iran

2 School of Industrial Engineering, Iran University of Science & Technology

Abstract

Identifying productive employees and analyzing their turnover by data mining tools without human intervention is an attractive research field in human resource management. This study develops an innovative auxiliary system for automatic labeling of numerical data by providing a hybrid clustering algorithm of K-means and partition around medoids (PAM) methods to identify organizational productive employees and to divide them into different productivity levels. The model is evaluated by calculating the differences between actual and labeled values (93% labeling accuracy) and an innovative criterion for image processing of the final clusters using the singular value decomposition (SVD) algorithm. Ultimately, the results of the algorithm determine four labels of middle and good productive employees who leave the organization and excellent and weak productive employees who stay in the organization. According to each cluster, policies are adopted for their retaining, productivity improvement, replacement.

Keywords

Main Subjects


Article Title [فارسی]

ارائه یک روش خوشه‌بندی ترکیبی بعنوان سیستمی کمکی در برچسب گذاری اتوماتیک برای تقسیم کارکنان سازمان به سطوح مختلف بهره‌وری و حفظ آن‌ها

Authors [فارسی]

  • سید علیرضا موسویان 1
  • عبدالرحمن حائری 2
  • فاطمه مصلحی 1
1 دانشکده مهندسی صنایع- دانشگاه علم و صنعت ایران- تهران- ایران
Abstract [فارسی]

شناسایی کارمندان بهره‌ور و تجزیه و تحلیل ریزش آن‌ها با استفاده از ابزارهای داده‌کاوی بدون دخالت انسانی از زمینه‌های تحقیقاتی جذاب در مدیریت منابع انسانی است. این پژوهش با ارائه یک روش خوشه‌بندی ترکیبی از K-means و PAM یک سیستم کمکی نوآورانه برای برچسب‌گذاری اتوماتیک بر روی داده‌های عددی را ایجاد کرده است بگونه‌ای که به شناسایی کارکنان بهره‌ور سازمانی و تقسیم‌بندی آن‌ها به سطوح مختلف بهره‌وری و بررسی ریزش آن‌ها می‌پردازد. برای ارزیابی نتایج از بررسی اختلافات مقادیر واقعی و برچسب‌خورده (93 درصد دقت برچسب‌گذاری) و معیار نوآورانه پردازش تصویر خوشه‌های نهایی با استفاده از SVD استفاده شده است. نتایج حاصل از اجرای الگوریتم منجر به برچسب‌گذاری 4 خوشه تحت لیبل‌های کارمندان بهره‌ور متوسط و خوب ترک‌کننده و کارمندان بهره‌ور عالی و ضعیف باقی‌مانده در سازمان می‌شود که متناسب با هریک از خوشه‌ها سیاست‌های مربوط به حفظ، بهبود بهره‌وری و جایگزینی اتخاذ می‌شود.

Keywords [فارسی]

  • کارکنان بهره‌ور
  • ریزش کارکنان
  • خوشه‌بندی ترکیبی
  • برچسب‌گذاری اتوماتیک
  • پردازش تصویر