Вывод по сформированной прикладной модели и ее апробации

В последней, проектной части данной магистерской диссертации были определены метрики для анализа методами Data Mining и было приведено обоснование выбора. Далее была произведена попытка извлечения метрик. Была произведения не большая модификация исходной базы данных для удобства извлечения метрик. Часть метрик не удалось извлечь ввиду большого количества данных и относительно не большой вычислительной мощи.

Благодаря полученным метрикам для анализа мы смогли апробировать модель для выявления сотрудник с возможным желанием уволиться. Используемые модели были — алгоритм С4.5 и наивный байесовский классификатор. Несмотря на наивность некоторых метрик, модель показала не плохой результат и относительно низкие показатели отклонений. Можно сделать вывод, что с достаточно хорошими метриками процент отклонений был бы ниже.

Заключение

В данной магистерской диссертации была цель представить прикладную модель отслеживания желающих уволиться сотрудник на основании данных учета рабочего времени.

В первой части магистерской диссертации был представлен аналитический обзор материалов, посвященных теме увольнения сотрудников. В данной части все найденный материалы никак не были связанны с анализом данных. Принципиальное отличие всего данного исследования заключается как раз в том, что оно рассматривает сотрудника через базу данных учета рабочего времени.

Во второй части магистерской диссертации был представлен теоретический обзор методов и моделей Data Mining. Также в ней было приведено описание исходной базы данных для анализа. В качестве модель исследования были выбраны алгоритмы C4.5 (логическая модель) и наивный байесовский классификатор (вероятностная модель).

В третьей, заключительной части магистерской диссертации была посвящена прототипированию модели анализа данных. Был произведен выбор метрик, обоснование их, а также последующее извлечение метрик. К сожалению не все метрики удалось извлечь. Полученные метрики были прогнаны через реализованные алгоритмы анализа данных и получены достаточно неплохие результаты при поставленных метриках.

В заключении можно сделать вывод, что методы и модели Data Mining вполне возможно использовать в предсказании желаний уволиться у сотрудников, но перед этим необходима тщательный и долгий процесс работы с метриками и алгоритмами. Так как в исследованиях Data Mining некоторые этапы повторяются, то можно сказать, в будущем вполне возможно получить систему сигнализированы об увольнении с достаточно высокой точностью.

Также следует упомянуть, что не стоит забывать традиционные методы прогнозирования увольнения сотрудников (имеется в виду непосредственное общение и человеческий мониторинг). Еще далеко до того момента, когда алгоритм и вычислительные машины смогут заменить хороших специалистов, работающих непосредственно с персоналом.

В дальнейшем необходимо будет доработать извлечение всех необходимых метрик, а затем провести апробацию с ними. В случае успешного тестирования и удовлетворительных результатов необходимо будет разработать систему, которая смогла бы работать непосредственно с актуальной базой данной и выявлять сотрудников с возможным желанием уволиться в реальном времени.