Mining Model for Employees Performance Prediction
| العنوان بلغة أخرى: |
تقنيات استخراج البيانات للتنبؤ بأداء الموظفين |
|---|---|
| المصدر: | المجلة العلمية للبحوث والدراسات التجارية |
| الناشر: | جامعة حلوان - كلية التجارة وإدارة الاعمال |
| المؤلف الرئيسي: | Kandil, Amira Abd El Hamed (Author) |
| مؤلفين آخرين: | Mosaad, Sara Mohamed (Co-Author) , Haggag, Mohamed Hassan Mohamed (Co-Author) |
| المجلد/العدد: | مج38, ع3 |
| محكمة: | نعم |
| الدولة: |
مصر |
| التاريخ الميلادي: |
2024
|
| الشهر: | سبتمبر |
| الصفحات: | 1367 - 1407 |
| ISSN: |
1110-2373 |
| رقم MD: | 1552124 |
| نوع المحتوى: | بحوث ومقالات |
| اللغة: | الإنجليزية |
| قواعد المعلومات: | EcoLink |
| مواضيع: | |
| كلمات المؤلف المفتاحية: |
تقنيات التنقيب عن البيانات | أداء الموظفين | نموذج التنبؤ | Data Mining Techniques | Employee Performance | Predicting Model
|
| رابط المحتوى: |
عدد مرات التحميل
1
| المستخلص: |
يدرك المديرون وصناع القرار في مختلف الصناعات الآن الأهمية الحاسمة الإدارة الموارد البشرية (HRM) في تحديد الموظفين المؤهلين تأهيلا عاليا. تستكشف هذه الدراسة تطبيق تقنيات استخراج البيانات في التنبؤ بأداء الموظفين، والاستفادة من ممارسات إدارة الموارد البشرية لإدارة المواهب بشكل فعال من خلال مجموعات بيانات الموظفين الشاملة والخوارزميات المتقدمة. الهدف الأساسي هو تطوير نموذج تصنيف باستخدام تقنيات استخراج البيانات لتزويد المديرين ومحترفي الموارد البشرية بأداة تعتمد على البيانات لتعزيز إدارة المواهب وتحسين توظيف الموظفين. اعتمدت الدراسات السابقة في كثير من الأحيان على الحدس أو الأدلة القصصية بدلا من تقنيات استخراج البيانات الصارمة. يعالج هذا البحث هذه الفجوة من خلال تطبيق نهج قائم على البيانات، وتحقيق معدلات دقة أعلى في التنبؤ بأداء الموظفين. تمت معالجة سؤال البحث من خلال بناء نموذج تصنيف باستخدام Decision Tree (DT)، و Native Bayes، و Support Vector Machine (SVM)، مع التنفيذ باستخدام Rapid Miner. يتضمن النموذج العوامل الديموغرافية وعوامل تاريخ العمل للتنبؤ بدقة بأداء الموظف. التأثير الرئيسي لهذا البحث هو معدلات الدقة العالية لنموذج التصنيف، والتي تتراوح من 85.7% إلى 100%، اعتمادا على الخوارزمية المستخدمة. ومن خلال تحديد العوامل الحاسمة التي تؤثر على أداء الموظفين، يمكن النموذج المديرين من اتخاذ قرارات مستنيرة تعتمد على البيانات. ويؤدي هذا إلى تحسين توظيف الموظفين، وتحسين تحديد الأفراد ذوي الإمكانات العالية، وتعزيز الفعالية التنظيمية بشكل عام. بالإضافة إلى ذلك، يمكن للقدرات التنبؤية للنموذج أن تقلل من مخاطر التوظيف وتحسن إنتاجية القوى العاملة ومشاركتها. Managers and decision-makers in various industries now recognize the critical importance of Human Resource Management (HRM) in identifying highly qualified employees. This study explores the application of data mining techniques in predicting employee performance, leveraging HRM practices to effectively manage talent through comprehensive employee datasets and advanced algorithms. The primary goal is to develop a classification model using data mining techniques to provide managers and HR professionals with a data-driven tool for enhancing talent management and optimizing employee placement. Previous studies often relied on intuition or anecdotal evidence rather than rigorous data mining techniques. This research addresses this gap by implementing a data-driven approach, achieving higher accuracy rates in predicting employee performance. The research question is tackled by constructing a classification model utilizing Decision Tree (DT), Naive Bayes, and Support Vector Machine (SVM), with the implementation carried out using Rapid Miner. The model incorporates demographic and work history factors to accurately predict employee performance. The key impact of this research is the high accuracy rates of the classification model, ranging from 85.7% to 100%, depending on the algorithm used. By identifying critical factors influencing employee performance, the model enables managers to make informed, data-driven decisions. This leads to optimized employee placement, improved identification of high-potential individuals, and overall enhanced organizational effectiveness. Additionally, the model's predictive capabilities can reduce hiring risks and improve workforce productivity and engagement. |
|---|---|
| ISSN: |
1110-2373 |
عناصر مشابهة
-
A Hybrid Data Mining Approach for Credit Risk Prediction and Analysis
بواسطة: طوباسى، سارة أمجد منشور: (2015) -
Data mining : Concepts and Techniques
بواسطة: Han, Jiawei منشور: (2003) -
Data Mining Techniques for Prediction of Concrete Compressive Strength (CCS)
بواسطة: أبو زر، يوسف صالح يوسف منشور: (2020) -
The Role of the Rewards System in Improving the Performance and Motivation of Saudi Petrochemical Employees
بواسطة: Al Enezi, Abd Allah Fahad منشور: (2011) -
Data Mining Classifiers and Predictive Models Validation and Evaluation
بواسطة: الغريب، محمد عبدالله ابراهيم منشور: (2012)
