Dự án này tập trung vào việc phân tích và dự đoán khả năng nghỉ việc (attrition) của nhân viên dựa trên các đặc trưng nhân khẩu học và hành vi làm việc.
🎯 Mục tiêu chính:
- Xác định các yếu tố quan trọng ảnh hưởng đến quyết định nghỉ việc.
- Xây dựng mô hình Machine Learning để dự đoán khả năng nghỉ việc.
- Đề xuất giải pháp giúp doanh nghiệp giữ chân nhân viên.
- Nguồn: HR Analytics Dataset.
- Số lượng mẫu: 1000 nhân viên.
- Biến quan trọng: Tuổi, giới tính, thành phố, kinh nghiệm, học vấn, mức lương, loại hợp đồng.
- Nhãn dự đoán:
Attrition(Yes/No).
-
Khám phá dữ liệu (EDA)
- Phân tích phân phối dữ liệu.
- Trực quan hóa mối quan hệ giữa các biến và tình trạng nghỉ việc.
-
Xử lý dữ liệu
- Mã hóa biến phân loại (One-hot/Label Encoding).
- Chuẩn hóa dữ liệu.
- Xử lý mất cân bằng dữ liệu bằng SMOTE.
-
Xây dựng mô hình Machine Learning
- Logistic Regression
- Random Forest
- XGBoost
- LightGBM
- Naive Bayes
- SVM
-
Đánh giá mô hình
- Các chỉ số: Accuracy, Precision, Recall, F1-Score, ROC-AUC.
- So sánh hiệu năng giữa các mô hình.
-
Phân tích Feature Importance
- Xác định những yếu tố tác động nhiều nhất đến khả năng nghỉ việc.
- Mô hình tốt nhất: XGBoost (ROC-AUC: 0.92).
- Các yếu tố ảnh hưởng lớn nhất:
- Thâm niên làm việc
- Mức lương hiện tại
- Thành phố sinh sống
- Trình độ học vấn
- Loại hợp đồng
- Chính sách giữ chân nhân viên: tăng lương theo năng lực & thâm niên.
- Hỗ trợ phát triển sự nghiệp: đào tạo, mentoring, lộ trình thăng tiến.
- Cân bằng công việc & cuộc sống: linh hoạt thời gian làm việc, chế độ phúc lợi tốt hơn.
# Clone repo
git clone https://github.com/<username>/<repo-name>.git
cd <repo-name>
# Cài đặt thư viện
pip install -r requirements.txt
# Mở notebook
jupyter notebook
Biểu đồ phân phối nhân viên nghỉ việc vs không nghỉ việc.
🌟 Thông tin cá nhân
- Tên: Tô Huỳnh Ngọc Ngân
- Email: [email protected]
- LinkedIn: https://www.linkedin.com/in/moon0125/
- Portfolio: my-portfolio.com
⭐ Nếu thấy dự án hữu ích, hãy Star repo để ủng hộ nhé!