XGBoost와 SHAP 기법을 활용한 근로자 이직 예측에 관한 연구 :A Study on the Employee Turnover Prediction using XGBoost and SHAP

이재준

추천

검색

자료유형: 학위논문

저자정보: 이재준 (국민대학교, 국민대학교 비즈니스IT전문대학원)

지도교수: 안현철

발행연도: 2022

저작권: 국민대학교 논문은 저작권에 의해 보호받습니다.

이용수83

이 논문의 연구 히스토리 (2)

2022

XGBoost와 SHAP 기법을 활용한 근로자 이직 예측에 관한 연구

이재준 비즈니스IT 2022.01 학위논문

2021

XGBoost 기법과 SHAP 기법을 적용한 근로자 이직의도 예측 모형 연구

이재준 , 이유린 , 임도현 외 1명 한국지능정보시스템학회 학술대회논문집 2021.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

기업의 지속적인 성장과 발전을 위해서는 기업 경쟁력의 핵심인 인적 자원을 잘 관리하여야 한다. 이직은 기업의 인적 자원이 기업 외부로 빠져나가는 것을 의미하므로, 신경써서 관리해야 할 필요성이 존재한다. 특히 기업에 있어 근로자의 자발적인 이직의 경우, 입사한 지 얼마 되지 않은 청년 취업자에 대해서는 채용과 교육에 사용한 비용을 회수하지 못한다는 문제가 발생하며, 근속 기간이 긴 숙련자에 대해서는 핵심 인력의 이탈과 새로운 숙련자를 양성하기 위한 추가적인 교육 비용의 지출 등의 문제가 발생한다. 개인 차원에서도 입사 후 얼마 지나지 않은 시기에서의 이직은 경력 형성을 지연시키고, 재취업을 위한 비용이 발생하는 등 여러 문제점을 발생시킨다. 이처럼 이직으로 발생하는 사회적·경제적 비용을 줄이기 위해 이직의도를 가진 근로자를 예측하는 것이 필요하며, 기업에게 이직의도를 낮출 수 있는 요인을 제시하여 해당 요인을 개선하도록 하는 과정이 필요하다. 이를 위해 기존의 연구에서는 설명력을 가지지만 예측력은 떨어지는 로지스틱 회귀모형이나 의사결정나무 기법을 주로 사용해 왔다. 본 연구에서는 보다 예측력이 높은 모형을 개발하기 위하여 의사결정나무에 부스팅 기술을 적용한 XGBoost 기법을 사용한다. 그리고 XAI 기법 중 하나인 SHAP 기법을 적용하여 블랙박스 모형에 해당하는 XGBoost 기법에 부족한 설명력을 부여한다. SHAP기법을 적용하면 이직의도에 전반적으로 영향을 미치는 요인뿐만 아니라 직원 개개인별로 이직의도에 영향을 미치는 요인을 확인할 수 있다. 실험 결과 로지스틱 회귀분석이나 의사결정나무와 같은 전통적인 기법보다 제안 모형의 예측 정확도가 개선되었음을 확인했다. 그리고 SHAP를 적용함으로써 현 직장을 얻기 위한 구직활동 경험 여부, 국민연금 가입 여부, 최근 2년 내 영어 시험 응시 여부, 현 직장 종사상 지위, 개인 발전가능성 만족도, 급여 만족도, 일과 본인 기술 일치도, 고용 안정성 만족도가 근로자의 이직의도에 전반적으로 영향을 미치는 요인인 것으로 나타났다. 또한, 개개인의 이직의도에 영향을 미치는 요인은 그보다 더욱 다양하다는 것을 확인했다. 본 연구 결과를 통해 기업들은 근로자의 이직을 효과적으로 관리하기 위해 개인화된 전략을 수립할 수 있을 것이다.

In order for companies to continue to grow, they should properly manage human resources, which are the core of corporate competitiveness. Employee turnover means the loss of talent in the workforce. When an employee voluntarily leaves his or her company, it will lose hiring and training cost and lead to the withdrawal of key personnel and new costs to train a new employee. From an employee''s viewpoint, moving to another company is also risky because it can be time consuming and costly. Therefore, in order to reduce the social and economic costs caused by employee turnover, it is necessary to accurately predict employee turnover intention, identify the factors affecting employee turnover, and manage them appropriately in the company. Prior studies have mainly used logistic regression and decision trees, which have explanatory power but poor predictive accuracy. In order to develop a more accurate prediction model, XGBoost is proposed as the classification technique. Then, to compensate for the lack of explainability, SHAP, one of the XAI techniques, is applied. As a result, the prediction accuracy of the proposed model is improved compared to the conventional methods such as LOGIT and Decision Trees. By applying SHAP to the proposed model, the factors affecting the overall employee turnover intention as well as a specific sample’s turnover intention are identified. Experimental results show that the prediction accuracy of XGBoost is superior to that of logistic regression and decision trees. Using SHAP, we find that jobseeking, annuity, eng_test, comm_temp, seti_dev, seti_money, equl_ablt, and sati_safe significantly affect overall employee turnover intention. In addition, it is confirmed that the factors affecting an individual’s turnover intention are more diverse. Our research findings imply that companies should adopt a personalized approach for each employee in order to effectively prevent his or her turnover.

#이직의도 #XGBoost(eXtreme Gradient Boosting) #XAI(eXplainable AI) #SHAP(SHapley Addictive exPlanations) #Employee Turnover #XGBoost(eXtreme Gradient Boosting) #XAI(eXplainable AI) #SHAP(SHapley Additive exPlanations)

I. 서론 1
II. 이론적 배경 5
2.1. 이직 관련 연구 동향 5
2.2. XGBoost(eXtreme Gradient Boosting) 9
2.3. SHAP(SHapley Additive exPlanations) 11
III. 제안 모형 13
3.1. 제안 모형 13
3.2. 분석 데이터 14
IV. 연구 결과 16
V. 결론 및 한계점 23
참고 문헌 28
Abstract 32

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)