1 / 18

作者： Chien, C.-F. and Chen, L.-F.

Data Mining to Improve Personnel Selection and Enhance Human Capital: A Case Study in High-Technology Industry. 作者： Chien, C.-F. and Chen, L.-F. 來源： Expert Systems with Applications, Vol. 34, 2008, pp. 280-290. 授課教師：黃三益教授 組員：徐慎宜 (M954020009) 唐筠 (D954020008) 林皇吉 (D954020004).

haracha
Télécharger la présentation

作者： Chien, C.-F. and Chen, L.-F.

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Data Mining to Improve Personnel Selection and Enhance Human Capital: A Case Study in High-Technology Industry 作者：Chien, C.-F. and Chen, L.-F. 來源：Expert Systems with Applications, Vol. 34, 2008, pp. 280-290. 授課教師：黃三益教授 組員：徐慎宜(M954020009) 唐筠(D954020008) 林皇吉(D954020004)

  2. Background & Motivation • 人力資源為高科技產業關鍵 • 直接影響：人才招募與挑選方式 • 過去研究：利用「靜態」的性質 • 高科技產業迅速變動 • 靜態的性質不適用 • 工作內容開始跨部門非單一化 • 挑選員工變得相當困難 • 必須要有新的挑選員工方式 • 高科技產業特徵（半導體業為例） • 製程複雜、高不確定性、短產品生命週期、利潤低、人資招募困難 • 以「工程師 (engineer)」最為重要

  3. Background & Motivation (cont.) • 高科技產業人資問題 • 高離職率、招募正確人才困難、挑選困難 • 問題核心：如何挑選人才到合適職位、如何增加員工在職年限 • DM雖高度發展，在人資領域的應用卻不足 • 本文目的 • 發展一個DM framework以進行人才挑選 • 以association rule的方式找出個人特徵與工作行為(包括工作表現、任職時間)的關連

  4. Empirical study-Background • 公司背景 • 1987成立 • 2005二月底止，共有18570位員工 • 平均年齡30.6歲，平均服務4.8年 • 2.4%博士，26.5%碩士，17.6%學士，23.9%專科，29.6%高中 • 人資問題背景 • 高科技產業壓力大：人員流動率高 • 雖然經過嚴格挑選過程，仍有高離職率和工作表現不佳之情況 • 人資部門只能以有限的資訊來預測應徵者的工作表現 • 應徵過程的表現也常誤導人資部門

  5. Empirical study-Problem definition & Objective • 目的 • 依據應徵者人文基本資料，預測工作行為 • 亦考量招募管道與工作職位 • 從中找出相關的association rules

  6. Empirical study- DM process & Results • DM Process • 資料來源：台積電 • 時間：2001~2004 • 職位數/資料數 ：19/52895/3825 • DM技術 • 以CHAID發展decision tree並建立association rule

  7. Empirical study-Data preparation • 資料前處理及相關說明

  8. Empirical study-Data preparation (cont.) • 職位說明

  9. Empirical study-DM & Model construction • 以CHAID技術發展decision tree • 考量任何可能性 • Decision tree 合適性 • Confidence & Lift • Tree pruning • 方式確保每個葉節點樣本數>20 • 結果 • 50條association rule與工作表現有關 • 16條association rule與任期有關 • 職位、學校、學歷與工作經驗與工作表現、任期最相關 • 離職原因：結果太過分歧且無法實行，不予以討論

  10. Empirical study-Interpretation & Knowledge extraction • 50條rule30條有意義之rule • 針對招募管道、學歷、工作經驗進行討論 • 招募管道 • 工作表現 • 內部招募之員工>自外部招募之員工好，可能性較高 • 招募高潛力員工（碩士以上、自tier 1學校畢業之學生） • 內部管道>外部管道。 • 職位C • 外部管道招募且有過一年以上工作經驗之員工，三個月內離職的可能性比內部管道招募之員工較高 • 在招募上改變作法，對於成功雇用之員工發與現金獎勵。 • 職位B • 內外部管道招募之員工三個月內離職的比率相當 • 正設法修改職位B之工作範圍

  11. Empirical study-Interpretation & Knowledge extraction • 學歷 • 工作表現 • tier 1大學且學歷較高者，工作表現較好。 • 招募管道 • 外部 • tier 1大學表現比起其他學校好 • 內部 • tier 1與tier 2大學表現比起其他學校好 • 職位A • tier 1大學且工作表現好的員工，在一年內離職的比率比其他學校高 • 正著手改變職位A的工作內容，並計畫讓工作表現好之員工可以輪調到其他職位

  12. Empirical study-Interpretation & Knowledge extraction • 工作經驗 • 工作表現 • 一年以上經驗者>無經驗者 • 若同時具有高學歷的特質，工作表現更好 • 主修化學或材料工程的工作表現較好 • 離職率 • 一年以上經驗者三個月內離職比例>無經驗者 • 職位C尤其明顯 • 已著手針對職位C工作內容進行改變

  13. Empirical study-Knowledge using • 第一 • 與tier1大學成立合作專案(URP)，學生畢業直接任職 • 第二 • 針對透過URP成功聘用之員工，提供現金獎勵 • 第三 • 針對某些職位負責範圍進行調整 • 第四 • 著手發展職位輪調機制 • 第五 • 針對URP計畫已發展出特定輔導模式，加強員工聘用

  14. Conclusion & Critique • 貢獻 • 除解決台積電人才招募問題 • DM對高科技產業人力資源問題為可行技術 • 限制 • 只針對工程師（engineer）一職進行研究 • 單一個案外部有效性稍嫌不足 • 疑點 • 學校是何分出3個tier？又各自包含哪些學校？ • 年齡的部分是哪些種類？ • 只提到職位A、B、C，其他職位之差異？

  15. Thank You

  16. Decision tree example (BACK)

  17. Confidence and Lift (BACK)

  18. Example of association rules (BACK)

More Related