L'attrition des employés continue de poser des défis aux organisations d'entreprise qui s'efforcent de maintenir la productivité, le savoir institutionnel et la stabilité de la main-d'œuvre. Cette étude introduit un cadre complet d'apprentissage automatique conçu dans SAP SuccessFactors pour prédire le turnover des employés, caractérisé par une haute précision prédictive et une interprétabilité du modèle. Le cadre exploite des ensembles de données de main-d'œuvre intégrés englobant des indicateurs de performance, l'évolution des rémunérations, les tendances d'engagement, l'historique des promotions et la mobilité de carrière pour identifier les signaux précoces de risque d'attrition. Un pipeline de données structuré intégrant la sélection de caractéristiques, le rééquilibrage des classes par SMOTE, et la comparaison de modèles d'ensemble a été développé pour garantir la robustesse et l'équité des prévisions. Parmi les modèles évalués, Random Forest a démontré des performances supérieures avec une précision de 86 pour cent et des métriques de précision-rappel équilibrées, soutenues par une interprétabilité basée sur SHAP pour une attribution transparente des caractéristiques. Au-delà de sa capacité prédictive, le cadre souligne l'intégration au niveau du système, permettant aux équipes RH d'intégrer les prévisions d'attrition directement dans les tableaux de bord de SAP SuccessFactors pour un soutien à la décision en temps réel. L'étude contribue à une architecture réplicable qui unit l'analyse prédictive, la gouvernance éthique et l'intelligence organisationnelle pour transformer les opérations RH d'efforts de rétention réactifs à une planification proactive de la main-d'œuvre basée sur les données. Ses implications s'étendent à la recherche académique en analytique RH et à un déploiement pratique au sein des écosystèmes de talent en entreprise, établissant une base pour une gestion intelligente et durable de la main-d'œuvre.
Manoj Parasa (Wed,) a étudié cette question.