Библиографическое описание:Применение нейронных сетей для прогнозирования динамики кадрового состава и поддержки управленческих решений : научное издание / Д. В. Тихоненко [и др.]. - Текст : непосредственный // Экономика строительства. - 2025. - № 10. - С. 550-552. - ISSN 0131-7768.
Аннотация:Целью исследования является выявление факторов, влияющих на текучесть кадров в компании, и определение наиболее эффективных методов прогнозирования увольнений сотрудников. Задачи исследования включают: нормализацию и подготовку данных, применение карт Кохонена и искусственных нейронных сетей для анализа взаимосвязей, сравнение точности моделей и определение наиболее значимых факторов. Гипотеза заключается в том, что текучесть кадров в большей степени определяется внутренними характеристиками трудовой среды и условиями работы, а использование комплексных моделей машинного обучения позволяет достичь более высокой точности прогнозирования. В качестве методов применялись интеллектуальный анализ данных, кластеризация с помощью самоорганизующихся карт Кохонена и моделирование на основе нейронных сетей. Для исследования использовался набор данных, содержащий сведения о сотрудниках (возраст, отдел, доход, стаж и др.), предварительно нормализованный для корректной обработки. Полученные результаты показали, что нейронные сети обеспечили более высокую точность прогнозирования (ошибка 8,1%) по сравнению с картами Кохонена (11,9%). Наибольшее влияние на вероятность увольнения оказали факторы, связанные с условиями труда, уровнем дохода, удовлетворённостью работой и балансом работа-жизнь. Выявлено, что чем шире набор факторов, учитываемых при анализе, тем выше точность модели. Практическая ценность исследования заключается в возможности использования предложенной модели для разработки персонализированных мер удержания сотрудников, а также для внедрения систем раннего предупреждения об увольнениях. Это способствует снижению текучести кадров и повышению стабильности компании.
The purpose of this study is to identify the factors influencing employee turnover within a company and to determine the most effective methods for predicting staff resignations. The research objectives include: data normalization and preprocessing, the use of Kohonen maps and artificial neural networks for analyzing interrelations, comparing model accuracy, and identifying the most significant factors. The hypothesis assumes that employee turnover is largely determined by internal characteristics of the work environment and working conditions, while the use of complex machine learning models enables higher prediction accuracy. The methods applied were data mining, clustering with self-organizing Kohonen maps, and modeling based on neural networks. The dataset used contained information on employees (age, department, income, tenure, etc.) and was pre-normalized for proper processing. The results showed that neural networks achieved higher prediction accuracy (error rate of 8.1%) compared to Kohonen maps (11.9%). The most influential factors for employee attrition were related to working conditions, salary level, job satisfaction, and work-life balance. It was found that the broader the set of factors considered in the analysis, the higher the model’s accuracy. The practical value of the study lies in the possibility of applying the proposed model to develop personalized retention strategies and to implement early-warning systems for potential resignations. This contributes to reducing employee turnover and enhancing company stability.
