با توجه به نقش کلیدی نیروی انسانی در توسعه و تقویت سازمان ها ، داده کاوی در مدیریت منابع انسانی یک ابزار اساسی برای بهبود کیفیت فرآیند منابع انسانی محسوب می شود.با مدیریت منابع انسانی مبتنی بر داده، میتوان به صورت دقیقتر از پرسنل خود استفاده ،مشکلات را بهتر تشخیص و راهکارهای مناسبی برای حل آنها ارائه داد. همچنین، با مجموع دادههای مختلف، میتوان از نقاط قوت و ضعف سازمان برای بهبود عملکرد نیرو و بهبود فرآیندهای منابع انسانی استفاده کرد و بهره وری سازمان را افزایش داد.
داده کاوی چیست؟
داده کاوی ترجمه عبارت data mining ، مجموعه ای از جستجوها و گزارش ها و ابزارهای پشتیبانی تصمیم گیری بر اساس داده های تاریخی سازمان است که می تواند حتی چشم انداز آینده را پیش بینی کند. به عبارتی دیگر داده کاوی، فرآیند استخراج اطلاعات و یافتن ناهنجاریها و الگوها در مجموعه دادههای بزرگ است که با توجه به رویدادهای جاری شرکت یا سازمان، بحران های پیش آمده، تئوری های سازمان و مدیریت و مستندسازی تجارب مدیران تدوین می گردد و سپس با پیدا کردن ارتباط بین این اطلاعات، برای چالشها راه حل ارائه می شود.
داده کاوی برای نوآوری پربازده در زمینه های مختلف مانند مدیریت مشتری، مدیریت تولید یا مدیریت مالی سازمان ها بسیار حیاتی است. در سال های اخیر، داده کاوی در زمینه مدیریت منابع انسانی نیز بسیار مورد توجه قرار گرفته است.
اهمیت نیروی انسانی چیست؟
نیروی انسانی نقش کلیدی در توسعه و تقویت سازمان ها ایفا میکند. پرداخت، مدیریت عملکرد، آموزش و توسعه، استخدام و تقویت ارزشهای کسبوکار عناصر مهم و ضروری یک شرکت هستند و در نهایت، تحت پوشش نیروی انسانی قرار میگیرند. مدیریت منابع انسانی بخش مهم یک سازمان است و باعث می شود افرادی که در آن سازمان مشغول به کار هستند، به طور مستقیم وغیرمستقیم مسئول اهداف شرکت باشند. مدیریت منابع انسانی بهترین استعدادها را استخدام یا حفظ می کند اما اغلب به دلیل سیاست ضعیف استخدام یا فرسودگی شغلی، آن ها را از دست می دهد.
داده کاوی در مدیریت منابع انسانی
در حال حاضر در سازمان ها، داده های فراوانی در مورد فرآیندهای مختلف مدیریت منابع انسانی ( استخدام، نگهداشت، آموزش، ارزیابی عملکرد) تولید می شود. محققان را در سال های اخیر به سمت استفاده از تکنیک ها و روش های داده کاوی به عنوان یک رویکرد موثر برای پردازش داده های منابع انسانی جهت تصمیم گیری های بهتر پیرامون مسائل مختلف سازمانی سوق داده است. در این راستا روش های پژوهشی نوینی نیز برای استفاده از داده های بزرگ در تجزیه و تحلیل و تصمیمات سازمانی مد نظر محققان قرار گرفته است. استفاده از داده در مدیریت منابع انسانی به هر نوع داده ای اطلاق میشود که با کارکرد و عملکرد انسانی در سازمان مرتبط باشد.
این دادهها شامل اطلاعات شخصی کارمندان، تاریخچه کاری، اطلاعات مربوط به شرایط قرارداد، عملکرد، ساختار سازمانی و هوش هیجانی و اصول رفتاری می شود .
داده کاوی در مدیریت منابع انسانی به مدیران و کارشناسان منابع انسانی کمک میکند تا به صورت دقیقتر پرسنل خود را به کار گیرند و بهره وری سازمان را با بهبود عملکرد پرسنل، افزایش دهند.
با تجمیع دادههای مختلف، میتوان از نقاط قوت و ضعف سازمان برای بهبود عملکرد پرسنل و بهبود فرآیندهای منابع انسانی استفاده کرد.به همین منظور پیشنهاد ما ارزیابی های سازمانی است تا درک عمیق تری از سازمان خود داشته باشید .
تکنیک های داده کاوی
داده کاوی به گروه های زیر تقسیم می شود:
- طبقه بندی
- خوشه بندی
- قواعد مشارکت
- رگرسیون
هر یک از این شیوه ها خود شامل روش های مختلفی می باشند. برای داده کاوی در حوزه مدیریت منابع انسانی بیشتر از روش طبقه بندی استفاده می شود که از طریق آن مدیران میتوانند درک قویتری از منابع نیروی انسانی خود به دست آورند.
روش طبقه بندی
روش طبقه بندی از تکنیک های ریاضی مانند درختان تصمیم، شبکه های عصبی، ماشین های بردار پشتیبان و … برای طبقه بندی استفاده می کند. به عبارتی طبقه بندی، فرآیند یافتن مدلی که توصیف کننده کلاس ها و مفاهیم داده است و داده ها را به گروه های مشخص تفکیک میکند. الگوریتم های طبقه بندی از تجربیات گذشته یاد می گیرد و این یادگیری بر اساس تجربه، نشان دهنده یک گام اساسی در تقلید از توانایی های استقرایی مغز انسان است که بر اساس آن مغز می تواند مسئله ی شناسایی یک گروه از دسته ها را انجام دهد. در روش طبقه بندی فرآیندی، داده های اصلی و موردنیاز از داده های بزرگ جدا می شود.
مهم ترین تکنیک های طبقه بندی عبارتند از:
- درختان تصمیم
درختان تصمیم روشی برای نمایش مجموعه ای از قوانین است که به یک رده یا مقدار منتهی می شود. پس از طبقه بندی داده ها، می توان نتایج را در نموداری به نام درخت تصمیم ترسیم کرد. درخت های تصمیم نوع بسیار مهمی از الگوریتمهای دادهکاوی هستند که برای مدلسازی نظارت شده مورد استفاده قرار میگیرند. با استفاده از روش درختان تصمیم، داده ها به گروه های مجزا تبدیل شده و این امر موجب فاصله بیشتر بین گروه ها شود. الگوریتم های متنوعی برای درختان تصمیم طراحی شده است. بسیاری از محصولات تجاری داده کاوی از مجموعه ای الگوریتم ها استفاده می کنند و معمولا هر کدام از آن ها در یک بخش قدرت دارند و برای انتخاب هر یک از این الگوریتم ها، باید بررسی های لازم توسط گروه متخصص انجام شود.
درختان تصمیم یکی از عمومی ترین روش های طبقه بندی در مدیریت منابع انسانی مبتنی بر داده است
کاربرد روش درخت تصمیم
درختان تصمیم یکی از پرکاربردترین الگوریتم ها در بین الگوریتم های داده کاوی است. روش درختان تصمیم به علت درک سریع و راحت آن بیش از سایر روش ها مورد توجه پژوهشگران قرار گرفته است. درخت تصمیم در مسائلی کاربرد دارد که بتوان آن ها را به صورتی مطرح نمود که پاسخ واحدی به صورت نام یک دسته یا کلاس ارائه دهند.از درخت تصمیم برای طبقهبندی یا پیشبینی بر اساس پاسخ سؤالات قبلی استفاده میشود. این مدل، شکلی از یادگیری نظارتشده است؛ به این معنا که آموزش و آزمایش مدل بر روی مجموعه دادهای که شامل طبقه بندی موردنظر است، انجام میشود. ممکن است این مدل همیشه نتواند پاسخ قطعی و روشنی ارائه دهد. در عوض، گزینههایی را در اختیار محققان داده قرار میدهد تا بتوانند بر اساس آنها تصمیماتی ناآگاهانه بگیرند.
درختهای تصمیم از تفکر انسانی تقلید میکنند. بنابراین متخصصان داده معمولاً بهراحتی میتوانند نتایج را متوجه شده و تفسیر کنند.
عملکرد درخت تصمیم
برای درک بهتر نحوهی عملکرد درخت تصمیم، به تعریف برخی اصطلاحات مربوط به آن می پردازیم.
- گره ریشه: به پایهی درخت تصمیم، گره ریشه می گویند.
- تقسیم: فرایند تقسیم یک گره به چندین زیرگره را میگویند.
- گره تصمیم: زمانی که یک زیرگره به زیرگرههای بیشتری تقسیم میشود، به آن گرهی تصمیم میگویند.
- گره برگ: زمانی که یک زیرگره به زیرگرههای بیشتری تقسیم نمیشود و در واقع نشاندهندهی خروجی احتمالی است، به آن گرهی برگ میگویند.
- هرس: فرایند حذف زیرگرههای یک درخت تصمیم را میگویند.
- شاخه: زیرمجموعهای که چندین گره تشکیل شده است.
گرهی ریشه در ابتدای درخت قرار دارد. مجموعهای از گرههای تصمیم از گره ریشه منشعب و باعث تصمیماتی اجرایی می شود. از گرههای تصمیم به گرههای برگ میرسیم که نشاندهندهی نتایج آن تصمیمات هستند. هر گره تصمیم نشاندهندهی یک سؤال یا نقطهی انشعاب است و گرههای برگی که از یک گره تصمیم منشعب میشوند، نشاندهندهی پاسخهای ممکن هستند. درست مانند رشد برگ روی شاخه، گرههای برگ نیز از گرههای تصمیم ایجاد میشوند. به همین دلیل است که به زیرمجموعههای این الگوریتم شاخه میگوییم.
-
شبکه های عصبی
کامپیوترها حجم زیادی داده را بسیار سریع تر از مغز انسان پردازش می کنند، اما هنوز ظرفیت اعمال عقل و تخیل را در کار با داده ها ندارند.
شبکه های عصبی یکی از راه هایی است که به کامپیوترها کمک می کند بیشتر شبیه انسان ها استدلال کنند. امروزه برای حل مسائل در بسیاری از حوزهها مانند خودروهای خودران، شناسایی گونه، فشردهسازی تصویر، پیشبینی بازار بورس، مدیریت منابع انسانی و …. از روش شبکه عصبی استفاده میشود. شبکههای عصبی مانند مغز انسان عمل می کنند: نورونهایی که به هم وصل شدهاند تشکیل یک شبکه را میدهند. برای انجام یک کار ساده مثل بلند کردن مداد، پیام مورد نظر از تعداد زیادی نورون عبور میکند. عملکرد یک شبکه عصبی بسیار ساده است: متغیرها به صورت ورودی وارد میشوند و پس از انجام محاسبات، یک خروجی برگشت داده میشود.
پیشنهاد مطالعه :
نتیجه گیری
مدیریت منابع انسانی مبتنی بر داده بینش کافی بر چگونگی تولید اطلاعات و تصمیم گیری در حوزه منابع انسانی رو فراهم می کند .علت اینکه تاکنون کمتر به داده کاوی در حوزه منابع انسانی پرداخته شده؛ نبود اطلاعات مورد نیاز در بسیاری از سازمان هاست .اما در دهه های اخیر با توسعه این سیستم ها، تا حدود زیادی مشکل جمع آوری داده های مربوط به حوزه مدیریت منابع انسانی برطرف شده است و می توان داده کاوی را به عنوان ابزاری سودمند برای مدیریت منابع انسانی جهت رسیدن به اهداف عالی سازمان دانست.
اگر سازمان شما در زمینه سیستم سازی و یا مدیریت منابع انسانی نیاز به مشاوره و یا راهنمایی دارد با ما در ارتباط باشید.
منبع : هیئت تحریریه مدیرنو