[논문]XGBoost와 SHAP 기법을 활용한 근로자 이직 예측에 관한 연구

이재준; 이유린; 임도현; 안현철

doi:10.5859/kais.2021.30.4.21

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

정보시스템연구 = The Journal of information systems, v.30 no.4, 2021년, pp.21 - 42

이재준 (국민대학교 비즈니스IT전문대학원) , 이유린 (국민대학교 비즈니스IT전문대학원) , 임도현 (국민대학교 비즈니스IT전문대학원) , 안현철 (국민대학교 비즈니스IT전문대학원)

Abstract ▼ AI-Helper

Purpose 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. Design/methodology/approach 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. Findings 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.

주제어

참고문헌 (23)

고건우, 조현진, 이건창, "근로자들의 이직 의도에 영향을 주는 요인에 관한 실증연구: 공공 데이터베이스와 의사결정나무 기법을 중심으로", Information Systems Review, 제22권, 제4호, 2020, pp. 41-58

원문보기 상세보기
강만수, 윤상용, "이직이 직원 채용 비용에 미치는 영향 연구: 인적자본기업패널을 이용하여", 기업과혁신연구, 제41권, 제1호, 2018, pp. 17-28
강윤경, 배상영, 홍세희, "대졸자의 직장만족도 잠재계층과 이직의 관련성: 잠재전이분석을 이용한 전이형태와 영향요인 검증", 인적자원개발연구, 제23권, 제3호, 2020, pp. 1-31
김덕현, 유동희, 정대율, "의사결정나무 기법을 이용한 노인들의 자살생각 예측모형 및 의사결정 규칙 개발", 정보시스템연구, 제28권, 제3호, 2019, pp. 249-276.

원문보기 상세보기
김성훈, 김우진 장연주, 김현철, "설명 가능한 AI 학습 지원 시스템 개발", 컴퓨터교육학회 논문지, 제24권, 제1호, 2021, pp. 107-115
김정은, 강경주, 이영면, "연령별 이직의사 결정요인에 대한 연구: 요인별 직무만족, 요인별 생활만족을 중심으로", 노동정책연구, 제17권, 제1호, 2017, pp. 55-84
나광택, 이진영, 김은찬, 이효찬, "증권 금융 상품 거래 고객의 이탈 예측 및 원인 추론", 한국빅데이터학회지, 제5권, 제2호, 2020, pp. 215-229
배수명, 김희경, "치과위생사의 이직실태와 이직결정 요인에 관한 연구", 한국산학기술학회논문지, 제13권, 제12호, 2012, pp. 5986-5992

원문보기 상세보기
안재현, XAI 설명 가능한 인공지능, 인공지능을 해부하다, 위키북스, 2020
안철경, 정세창, "보험설계사 이직 요인과 정착률 제고 방안", 보험금융연구, 제28권, 제4호, 2017, pp. 3-33
엄남현, "국내 광고대행사 직원들의 이직의도에 영향을 미치는 요인들에 대한 심층인터뷰를 통한 탐색적 연구", 광고학연구, 제30권, 제5호, 2019, pp. 109-124
은화리, 구자복, 정태연, "직무배태성에 따른 이직과 잔류의 영향 요인에 대한 질적 연구", 한국심리학회지, 제24권, 제2호, pp. 221-250
이동훈, 김태형, "머신러닝 기법을 활용한 대졸 구직자 취업 예측모델에 관한 연구", 정보시스템연구, 제29권, 제2호, 2020, pp. 287-306.

원문보기 상세보기
이만기, "대졸 초기경력자의 이직의도에 미치는 영향요인 분석", 진로교육연구, 제26권, 제3호, 2013, pp. 61-81
이영석, 이정현, "공항 지상직 서비스 근무자의 이직행동 요인에 관한 연구 -조직헌신의 매개효과를 중심으로-", 한국산학기술학회논문지, 제17권, 제10호, 2016, pp. 147-157

원문보기 상세보기
전희주, "포아송회귀 모형을 활용한 생명보험 설계사들의 이직 요인 분석", 한국데이터정보 과학회지, 제27권, 제5호, 2016, pp. 1337-1347

원문보기 상세보기
정동균, 이종화, 이현규, "머신러닝을 이용한 국내 수입 자동차 구매 해약 예측 모델 연구: H 수입차 딜러사 대상으로", 정보시스템연구, 제30권, 제2호, 2021, pp. 105-126.

원문보기 상세보기
정인호, 이대웅, 권기헌, "청년 취업자의 이직의사 예측모형 탐색 연구: 의사결정나무모형을 중심으로", 국정관리연구, 제13권, 제3호, 2018, pp. 147-174
조장식, 강창완, 최승배, "2단계 회귀모형을 활용한 이직 결정요인 분석", 한국데이터정보과학회지, 제31권, 제1호, 2020, pp. 75-83
채주석, 박상석, 윤경희, "고용안정성 및 정보공유의 인적자원관리 정책이 경영성과에 미치는 영향: 협력적 노사관계분위기의 매개효과", 대한경영학회지, 제32권, 제8호, 2019, pp. 1371-1399
천예은, 김세빈, 이자윤, 우지환, "설명 가능한 AI 기술을 활용한 신용평가 모형에 대한 연구", 한국데이터정보과학회지, 제32권, 제2호, 2021, pp. 283-295
Chen, T., and Guestrin, C. "XGBoost: A Scalable Tree Boosting System", Knowledge Discovery and Data Mining, 2016, pp. 785-794.
Lundberg, S. M., and Lee, S.-I. "A Unified Approach to Interpreting Model Predictions", The 31st Conference on Neural Information Processing Systems, 2017, pp. 1-10.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

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

Abstract ▼ AI-Helper

주제어

표/그림 (7)

표/그림 (7)

참고문헌 (23)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

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

Abstract ▼ AI-Helper

주제어

표/그림 (7) 모든 표/그림 보기

표/그림 (7) 슬라이드로 보기

참고문헌 (23)

이 논문을 인용한 문헌

저자의 다른 논문 :

안현철 (68)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

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

표/그림 (7)

표/그림 (7)