基于数据挖掘技术的人员流失分析与预测
《基于数据挖掘的银行客户流失预测的研究》范文

《基于数据挖掘的银行客户流失预测的研究》篇一基于数据挖掘的银行客户流失预测研究一、引言随着市场竞争的日益激烈,银行客户流失问题已成为银行业务发展的重要挑战之一。
为了有效地降低客户流失率,提高业务竞争力,基于数据挖掘的银行客户流失预测研究显得尤为重要。
本文旨在通过分析银行客户数据,建立客户流失预测模型,为银行制定有效的客户保留策略提供科学依据。
二、数据挖掘概述数据挖掘是一种从大量数据中提取有用信息的过程,通过对数据的分析、处理和建模,发现数据中的潜在规律和模式。
在银行客户流失预测中,数据挖掘技术可以有效地提取客户信息、交易行为、服务体验等关键因素,为预测模型提供有力的支持。
三、数据来源与处理本文所使用的数据主要来源于某银行的客户数据系统。
首先,对数据进行清洗和预处理,包括去除重复数据、处理缺失值、异常值等。
其次,根据研究目的和需求,选取与客户流失相关的特征变量,如客户基本信息、交易行为、服务体验等。
最后,将数据进行标准化处理,以便进行后续的分析和建模。
四、预测模型建立本文采用机器学习算法建立客户流失预测模型。
具体步骤如下:1. 特征选择:根据数据特点,选择合适的特征变量,如客户年龄、性别、职业、收入水平、交易频率、交易金额、服务满意度等。
2. 模型训练:采用监督学习算法,如逻辑回归、决策树、随机森林等,对数据进行训练,建立预测模型。
3. 模型评估:采用交叉验证等方法,对模型的性能进行评估,包括准确率、召回率、F1值等指标。
4. 模型优化:根据评估结果,对模型进行优化,如调整特征权重、调整模型参数等,以提高预测精度。
五、实证分析以某银行为例,采用上述方法建立客户流失预测模型。
首先,对数据进行预处理和特征选择。
其次,采用逻辑回归和随机森林两种算法进行模型训练。
最后,对两种模型的性能进行评估和比较。
实验结果表明,随机森林算法在客户流失预测中具有较高的准确率和召回率。
通过对模型的分析,发现客户年龄、性别、交易行为等因素对客户流失具有显著影响。
基于数据挖掘的客户流失预测与管理研究

基于数据挖掘的客户流失预测与管理研究客户流失是企业经营过程中的一大难题,因为客户的流失会对企业的营收和市场份额产生负面影响。
因此,准确预测和管理客户的流失成为企业的一项重要任务。
本文将基于数据挖掘的方法,研究客户流失的预测与管理。
首先,我们需要理解客户流失的定义。
客户流失指客户停止购买或使用企业产品或服务的情况。
在进行客户流失预测和管理之前,我们需要收集大量的客户数据,并对其进行分析和处理。
数据挖掘技术可以帮助我们挖掘出隐藏在海量数据中的有价值信息,从而提供决策支持。
在数据挖掘的过程中,我们可以利用多种算法来预测客户的流失情况。
以下将介绍两种常用的算法:决策树和逻辑回归。
决策树是一种常用的分类算法,它通过构建一棵树状的决策规则来进行分类预测。
在客户流失预测中,可以将客户的特征作为决策树的节点,将客户是否流失作为分类结果。
通过对历史数据进行决策树的训练,我们可以得到一个能够识别客户流失风险的模型。
当有新客户的信息输入到决策树中时,我们可以根据决策树的规则判断该客户是否有流失的可能性。
逻辑回归是一种常用的二分类算法,它通过拟合一个用于描述两个分类结果之间关系的函数来进行分类预测。
在客户流失预测中,我们将客户的特征作为自变量,将客户是否流失作为因变量,通过逻辑回归模型来拟合客户流失的概率。
当有新客户的特征输入时,我们可以利用逻辑回归模型预测该客户流失的概率,从而采取相应的管理措施。
除了以上两种算法,还有其他许多数据挖掘算法可以用于客户流失的预测,如支持向量机、随机森林等。
选择何种算法应根据实际情况综合考虑。
在进行客户流失预测的过程中,还应注意以下几点。
首先,特征选择非常重要。
应选择与客户流失相关的特征,如购买频率、消费金额、服务投诉次数等,来构建模型。
通过对特征的分析,我们可以了解哪些因素对客户流失有影响,有针对性地制定相应的管理策略。
其次,数据的质量和准确性对预测结果有重要影响。
收集到的数据应尽量完整和准确,避免缺失值和异常值的存在。
应用数据挖掘预测客户流失

应用数据挖掘预测客户流失一、引言客户流失是企业中必须考虑的问题之一,对于企业来说,维持现有客户和吸引新客户对于企业的发展非常重要。
而流失问题一旦出现,对企业所造成的负面影响很大,不仅会导致财务损失,还会破坏企业品牌形象。
因此,如何减少客户流失,维护客户忠诚度成为企业需要解决的难题。
而数据挖掘技术可以为企业在这方面提供帮助。
通过分析大量的历史数据,企业可以预测哪些客户可能会离开,及时采取措施留住他们。
二、客户流失的影响客户流失对于企业来说,是非常严重的问题。
它可能带来以下的负面影响:1.损失客户价值一位客户不仅可以带来现有的收入,还可能通过口碑带来更多的新客户。
而一旦该客户流失,企业不仅会失去他的收益,还会因为他的不满而带来更多的流失风险,甚至可能影响到整个品牌形象。
2.增加营销成本企业需要花费更多的成本吸引新客户。
而一个流失的客户,需要花费更多的时间和金钱去争取新客户才能补偿。
3.影响企业经济生态客户的忠诚度是企业经济生态的核心,客户流失会破坏生态平衡,甚至可能带来连锁反应影响整个市场。
三、如何使用数据挖掘预测客户流失为了提高企业的客户满意度和忠诚度,预测客户流失是非常重要的。
数据挖掘技术为企业预测客户流失提供了良好的方法。
1.数据收集数据收集是预测客户流失的第一步。
企业需要收集相关的客户数据,包括客户基本信息,购买历史,客户服务记录等等。
同时,企业还可以考虑从社交媒体,网络评论等外部渠道收集更多的数据。
2.数据清洗和预处理在将数据用于预测之前,需要对其进行清洗和预处理。
包括去除重复数据,填充缺失值,进行特征选择和标准化等操作。
这些操作可以提高模型的准确性,避免因噪声等干扰因素而影响预测结果。
3.建模和训练模型建立模型是预测客户流失的核心部分。
可以使用分类器算法,如决策树、逻辑回归等来构建预测模型。
训练模型需要使用历史数据,通过分类器算法进行训练,并对其进行测试和验证。
4.预测和应用一旦模型成功训练,可以开始使用它来预测客户的流失风险。
基于数据挖掘技术的客户流失预测模型构建与分析

基于数据挖掘技术的客户流失预测模型构建与分析随着市场竞争日益激烈,企业注重客户关系管理变得越来越重要。
管理者通过了解客户特征和行为,可以提高客户满意度,增加客户忠诚度,从而提高企业效益。
客户流失是企业经营中不可避免的问题,如何利用现有信息找到潜在客户并尽快防止其流失已经成为企业关注的焦点。
近年来,基于数据挖掘技术的客户流失预测模型受到越来越广泛的关注,并成为了许多企业管理者思考的焦点问题。
一、数据源和数据挖掘工具数据源是建立客户流失预测模型的基础,相关的数据来源有许多种,例如销售数据、客户满意度、客户行为数据等等。
本文以一家网络购物平台为例,使用该公司所存储的销售数据和客户满意度数据作为基础数据。
这些数据以电子表格的形式存在于公司数据库中,可供分析师使用。
使用数据挖掘工具进行分析是构建客户流失预测模型的关键,目前最常使用的工具是SPSS。
二、数据预处理与特征选择在使用SPSS进行数据挖掘之前,需要对数据进行预处理和特征选择。
数据预处理是指将原始数据进行清理和规范化处理的过程。
对于销售数据来说,需要将数据进行清理和筛选,排除异常值和数据缺失的情况,并将数据进行规范化处理。
客户满意度数据的处理步骤与销售数据类似,需要将数据进行清理并标准化。
特征选择是数据挖掘过程中的另一项重要工作,根据业务需求选择与客户流失相关的特征,过多或过少的特征都将影响模型的预测精度。
常用的特征选择方法有Wrapper、Filter和Embedded等多种方法。
Wrapper方法需要预设模型,即先定义出预测模型,再挑选特征观察哪些特征能让模型更精确。
Filter方法则是根据一定的规则选出数据的特征,不需要事先定义所需的模型。
综合考虑,本文选择了Wrapper方法作为特征选择的工具。
三、建立客户流失预测模型建立客户流失预测模型需要经过多轮数据科学流程。
首先,将数据划分成训练集和测试集,使用训练集对模型进行训练,通过不断优化模型,在测试集上验证其精度,尽量避免模型过拟合的情况。
《2024年基于数据挖掘的银行客户流失预测的研究》范文

《基于数据挖掘的银行客户流失预测的研究》篇一基于数据挖掘的银行客户流失预测研究一、引言在金融行业竞争激烈的现代社会,客户流失已经成为银行不得不面对的严重问题。
准确地预测客户流失对于银行而言至关重要,它可以帮助银行在适当的时候采取有效措施来保持现有客户或改进服务以避免流失。
基于数据挖掘的银行客户流失预测研究旨在利用大数据分析工具和算法来发现潜在的流失风险和因素,以便制定更为有效的应对策略。
二、研究背景及意义随着信息技术的发展和互联网的普及,大数据时代为银行业带来了前所未有的发展机遇,同时也带来了挑战。
客户数据的爆炸式增长使得传统的分析方法无法应对。
因此,通过数据挖掘技术对银行客户数据进行深度分析和处理,可以有效提高银行在竞争激烈的市场环境中的竞争优势,而基于数据挖掘的客户流失预测正是这一应用领域的重要组成部分。
三、数据挖掘与银行客户流失预测1. 数据来源与处理本研究所用数据来源于某银行的客户数据仓库,包括客户基本信息、交易信息、偏好信息等。
通过对数据进行清洗、整理和预处理,我们获得了可用于分析的有效数据集。
2. 算法选择与实现本研究的算法主要采用了决策树、随机森林和逻辑回归等模型进行客户流失预测。
首先,我们使用决策树算法进行初步的特征选择和风险评估;然后,通过随机森林算法进一步优化模型;最后,采用逻辑回归算法对模型进行最终评估和预测。
3. 特征选择与解释在数据挖掘过程中,我们选取了多种与客户流失相关的特征,如客户活跃度、交易频率、产品使用情况等。
通过算法分析和解释这些特征,我们可以找出影响客户流失的关键因素。
四、实验结果与分析1. 模型性能评估通过对模型的训练和测试,我们发现随机森林算法在预测客户流失方面具有较高的准确率。
此外,我们还采用了其他指标如召回率、精确率等对模型性能进行了评估。
2. 关键因素分析通过算法分析和解释,我们发现客户活跃度和交易频率是影响客户流失的关键因素。
同时,我们也发现了其他一些影响较小的因素,如地理位置和年龄等。
基于数据挖掘的用户流失预测研究

基于数据挖掘的用户流失预测研究在互联网时代,随着互联网应用越来越广泛,企业和消费者之间的联系变得更加紧密。
企业可以通过互联网建立自己的平台,通过数据分析了解客户需求,改善用户体验,提高客户满意度。
然而,客户流失却是困扰企业的一大问题。
为了解决这个问题,很多企业开始使用数据挖掘技术对用户流失进行预测,并着手制定相应的措施。
今天我们就来探讨一下基于数据挖掘的用户流失预测研究。
一、数据挖掘技术的应用数据挖掘技术是通过数据分析寻找结构模式的过程。
这种技术可以帮助企业理解客户的需求和行为,为企业提供经验决策支持。
目前,数据挖掘技术已经被广泛应用在商业领域,尤其是在客户关系管理(CRM)中。
通过数据挖掘技术,企业可以识别客户的需求和行为,并根据这些信息制定相应的措施。
由于客户的需求和行为是动态变化的,因此数据挖掘技术需要时刻跟进和改进,以提高其预测精度和实用性。
二、用户流失预测用户流失是众多企业面临的一项重要问题。
如果企业能够提前识别用户流失的迹象,就可以采取相应的措施,留住用户,提高客户满意度。
用户流失预测主要依靠数据挖掘技术。
数据挖掘技术可以对大量的客户信息进行分析和处理,从而找到一些与流失相关的特征。
这些特征包括用户的付费习惯、浏览习惯、使用频率等。
通过监测这些特征,企业可以及早发现用户流失的趋势,并采取相应的措施阻止用户流失。
三、数据挖掘预测模型数据挖掘预测模型是建立在数据挖掘技术的基础之上的。
它可以通过对大量数据进行分析和处理,找到一些与用户流失相关的特征。
这些特征可以在未来的预测中用作参考。
数据挖掘预测模型有许多种类型。
其中,最常用的模型包括聚类分析、关联规则分析、分类分析和时间序列分析。
每种模型都有其特定的应用场合和优点。
企业可以根据具体的情况,选用适合自己的预测模型。
四、应用案例有许多企业已经开始使用数据挖掘技术的用户流失预测模型进行分析和预测。
据统计,Google、Facebook、Netflix和Amazon都在使用类似的模型来预测用户流失。
基于数据挖掘的流失预测模型研究

基于数据挖掘的流失预测模型研究随着消费者需求的日益多样化,企业面临着的一个巨大的挑战是如何保持客户的忠诚度和稳定的收入来源。
客户流失的情况已经成为了制约企业发展的重要因素之一,为了避免客户流失并且达到更好的营收效果,企业需要建立一套有效的流失预测模型,及时对潜在的客户流失进行预警和干预。
数据挖掘作为一种快速发展的技术,被广泛应用于企业的决策制定和实践中。
在客户流失预测方面,数据挖掘技术可以帮助企业从历史数据中发现变化趋势、找到异常点和特征规律,预测潜在客户流失,为企业提供更为准确的决策依据。
一般情况下,基于数据挖掘的流失预测模型需要包含数据预处理、数据建模、模型评估和应用实践四个重要环节。
数据预处理是模型建立的前提和基础,也是模型性能好坏的决定因素之一。
其主要任务是从原始数据中提取有价值的信息,去除冗余和噪声,通过数据清洗、数据整合、数据转换和数据规约等方法,为后续的模型建立做好数据准备。
数据预处理的一个关键环节是特征选择,通过对特征的筛选,可以减少模型复杂度和计算开销,提高预测的准确率,同时也可以帮助企业更好地理解客户的需求和行为特征。
数据建模是流失预测模型的核心环节,其目标是通过现有的数据进行建模,找到最为适合数据的数学方法和模型结构,在预测未知客户流失时具有可靠性和高准确率。
数据建模通常包含两个步骤:模型选择和模型训练。
在模型选择阶段,需要通过对比不同的建模方法和模型算法来确定最佳的模型类型,一般常用的建模方法包括决策树、神经网络、支持向量机、朴素贝叶斯、随机森林等;在模型训练阶段,需要从已有的数据中生成一个最优的模型,用于后续的预测和干预。
模型评估是衡量模型表现好坏的重要环节,其主要任务是评估模型的预测准确度和可靠性,以及找到模型存在的问题和改进空间。
模型评估通常可以采用基于历史数据的交叉验证、留一验证和自举验证等方法,通过比较模型预测结果和实际的客户流失情况,评估模型的表现和可靠性。
模型评估结果反馈可以帮助企业完善模型架构和参数,优化模型性能,在未来有效应对客户流失情况。
《2024年基于数据挖掘的银行客户流失预测的研究》范文

《基于数据挖掘的银行客户流失预测的研究》篇一基于数据挖掘的银行客户流失预测研究一、引言随着信息技术的迅猛发展,数据挖掘技术逐渐成为企业业务发展的重要支撑。
特别是在银行业务中,客户流失问题一直是银行关注的焦点。
为了有效应对客户流失问题,银行需要准确预测客户流失的可能性,并采取相应的措施进行干预。
本文旨在探讨基于数据挖掘的银行客户流失预测研究,以期为银行提供有益的参考。
二、数据挖掘技术概述数据挖掘是指从海量数据中提取出有价值的信息和规律,以便为决策提供依据。
在银行业务中,数据挖掘技术广泛应用于客户行为分析、风险控制、营销策略等方面。
针对客户流失预测,数据挖掘技术可以通过分析客户的交易记录、消费习惯、个人信息等数据,发现与流失相关的特征和规律,从而建立预测模型。
三、银行客户流失预测的研究背景及意义随着市场竞争的加剧,银行客户流失现象愈发普遍。
客户流失不仅导致银行收益减少,还可能影响银行的声誉和长远发展。
因此,准确预测客户流失并采取有效措施留住客户对于银行来说至关重要。
通过数据挖掘技术进行客户流失预测,可以帮助银行深入了解客户需求和行为特征,发现潜在流失风险,为制定针对性的营销策略和客户服务策略提供依据。
四、研究方法与数据来源本研究采用数据挖掘技术,以某银行的客户数据为研究对象。
首先,对数据进行清洗、整理和预处理,以便进行后续分析。
然后,通过分析客户的交易记录、消费习惯、个人信息等数据,提取与流失相关的特征。
接着,采用机器学习算法建立预测模型,并对模型进行评估和优化。
最后,将预测结果应用于实际业务中,验证其有效性。
五、特征选择与模型建立在特征选择方面,本研究主要考虑客户的交易记录、消费习惯、个人信息等方面的特征。
具体包括客户的基本信息(如年龄、性别、职业等)、交易行为(如交易频率、交易金额、交易渠道等)、消费习惯(如偏好产品类型、消费水平等)。
通过分析这些特征与客户流失之间的关系,提取出与流失相关的关键特征。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
基于数据挖掘技术的人员流失分析与预测李高国 斯比泰电子有限公司人员流失指标是一个公司员工稳定和员工满意度的衡量参数,而流失率是目前人力资源部门常用的指标。
如何评价人员流失的各项因素,识别各因素的影响级别,建立起现有数据的分析与预测模型,使得人力资源部门作出有效的改善措施。
文章采用数据挖掘技术方法,应用朴素贝叶斯原理作为分类器,建立各因素在独立条件下的概率模型,从而作出在一定综合条件下留任还是离职选择预测。
示例表明这种预测具备较高的参考性。
数据挖掘 贝叶斯 分类 预测摘 要:关键词:引言人员流失是每个企业必须认真面对的问题,特别是在一些知识管理尚不完善的企业,人员的流失不仅给项目带来交期的延误,项目的成本增加,甚至项目被迫中断的问题,而且,对于人员流失严重的企业,大大阻碍了企业的发展。
人员流失的因素很多,潜在的有企业文化,个人价值观,市场环境,就业环境和工作环境等,但是这些因素最终都会在一些可衡量的比如薪水和性格倾向表现出来,形成员工留任还是离开行为的选择倾向。
本文应用数据挖掘技术,通过对过去五年来人员的数据样本进行收集,分类,采用朴素贝叶斯 [1]方法,进行人员在分类条件下的去留选择预测,对现有条件的改善具有参考意义。
一、数据挖掘概念、特点与应用数据挖掘( Data Mining)就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的但又是潜在有用的信息和知识的过程。
数据挖掘是在没有明确假设的前提下去挖掘信息、发现知识。
数据挖掘是一种新的商业信息处理技术,其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理,从中提取辅助商业决策的关键性数据。
按企业既定业务目标,对大量的企业数据进行探索和分析,揭示隐藏的、未知的或验证已知的规律性,并进一步将其模型化的先进有效的方法。
二、朴素贝叶斯原理朴素贝叶斯分类器是一种基于贝叶斯理论的分类器。
它的特点是以概率形式表达所有形式的不确定,学习和推理都由概率规则实现,学习的结果可以解释为对不同可能的信任程度。
P(H)是先验概率,或 H的先验概率。
P(H|X)是后验概率,或条件X下,H的后验概率。
后验概率 P(H|X)比先验概率P(H)基于更多的信息。
P(H)是独立于X的。
为了对未知样本 X 分类,先对每个类Ci 计算P(X|Ci)P(Ci)。
样本X 被归类到Ci,当且仅当:三、样本选择本文分析数据样本来自某公司某部门 2005年以来人事档案,结合部分人员的 MBTI测试数据(该部门 2008年起进行内部人员的性向评估)。
为了保护相关人员信息,本文只留需要参与分析的数据,略去部分无关明细。
经过筛选后的 42个样本数据如表一:四、数据预处理1.薪酬离散化将连续型的薪酬人工进行离散化等级表二。
2.员工服务年限离散化为了便于分类识别,结合人员年度调薪可能带来的影响,服务年限也分按5 等级离散化。
如表三。
3.离散化后的定性分布趋势图(见图一)分析:a) 员工在服务时段 1.0-2.0 年离职最多,其次为1 年内离职。
b) 在职的员工中,服务1 年以内和四年以上者居多,说明中坚力量的不足,在梯队建设上有脱节现象。
管理研究表1.人员样本数据库表 2 Salary_Level表 3 各时间段在职与离职人数分布注:①WT=Working Time 为截止评估时间的服务时间。
离职人员为离职时间与入职时间之差。
②Yes_Count: 在各服务时断目前仍在职的人数。
③NO_count: 在各服务时段内已经离职人数。
c) 在现有在职人员中,除了2-3 年时间段异常外,其它各时间段的平均工资均比离职人员的同期间段工资有所提高,说明薪酬情况略有所改善,符合市场规律。
4.性向影响度筛选如何界定在M BTI[2]中各性向的影响度,(E,I),(S,N)(T,F),(J,P)。
观察表4 数据可以看出,不论人员在职或者离职,(S,N)(T,F),(J,P),各性向比重差异较大,变化不明显,影响度较小。
而(E,I)中,比例相对在离职人员中E(外向型)为主,而在职人员中I(内向型) 为主,性向浮动较大。
所以,可以考虑(E,I)作为影响因子加入到分类器中,进行分析评估。
表4 各性向在职与离职人员的数量5.毕业生从属性影响度在当前服务的人员中,不存在过去招聘培养的毕业生,因此毕业生属性也成为影响人员稳定一大因素。
因此加以考虑,如下为样本中的分类统计。
五、属性挑选与定义通过以上数据的筛选和离散化处理,取得如下属性作为评估因子,S1:服务时间分类因子;集合S1={S11,S12,S13,S14,S15} 表示各服务时间段。
S2:薪酬等级分类因子;集合S2={S21,S22,S23,S24,S25} 表示薪酬分类水平。
S3:性向分类(E,I)因子;集合S3={S31,S32 }={E, I} 表示性格外向型和内向型。
S4:毕业生从属分类因子;集合S4={S4 } 表示从属毕业生。
图1 各服务时间段人员在职与离职走势及各时段在职离职人员平均工资水平部分走势六、数据分类通过以上数据分类因子识别,应用 Microsoft ware office excel2007 中相关函数进行统计,便可得到相应的数据与概率分布,得到如下数据表,作为应用贝叶斯运算的各项 P(X/Ci)与 P (Ci )数值。
七、多因素分步干扰预测为了得到所有分类因子影响,分步逐步进行各分类影响评估和预测。
1.S1*S2 二维影响对于在职选择性分析预测说明:a) 在服务一定时间后,人员对应一定级别的工资情况下,黄色说明人员离职的可能性较大,而绿色说明人员继续服务的可能性较大。
b) 对于服务在 4 年内(S15, S 14, S13, S 12),薪酬应该至少在S24(>4.0K),人员才可能选择继续服务可能性较大。
因此该预测规则说明目前人员薪酬的平衡最低价位应该在4K 之上。
c) 对于服务超过 4 年,人员在较低的薪资下仍有可能选择继续服务,说明有其他的因素影响。
也就是说明此部门内部仍有该因素存在。
(这种情况往往是人员因学历原来在较低的岗位且服务的时间相对较长,使得服务时间和薪酬上有不协调问题。
)2.S1*S2*S3 三维影响对于在职选择性分析预测说明:a) 在 S1,S2 的各种分类条件下,考虑性向(E,I)属性,即集合S3{S31,S32}作分类预测,红色表示在条件S1*S2*S3的分类下可能选择离职,绿色为该条件下可能继续服务。
b) 比如 S13*S21*S31(即服务时间在2 至3 年+薪酬在2.5-3.0k)情况下,外向型的人员一般会选择离开,内向型人员可能选择留下继续服务的概率大些。
同样的情况比如S12*S23*S31 和S12*S23*S32(即服务时间在3 至4年+薪注:①Avg1(salary):各时间段在职人员的平均工资水平。
②Avg2(salary):各时间段离职人员的平均工资水平表 5 按分类因子识别数据集合表 6-1 S1*S2 影响因子的概率P(H/X)及在职预测注① 表6-1 中绿色和黄色区域是相应位置P(X/Ci)P(Ci)和下表6-2 进行P (X/Cj)P(Cj)比较结果。
注:①Avg1(salary):各时间段在职人员的平均工资水平。
②Avg2(salary):各时间段离职人员的平均工资水平分析:a) 员工在服务时段 1.0-2.0 年离职最多,其次为1 年内离职。
b) 在职的员工中,服务1 年以内和四年以上者居多,说明中坚力量的不足,在梯队建设上有脱节现象。
c) 在现有在职人员中,除了2-3 年时间段异常外,其它各时间段的平均工资均比离职人员的同期间段工资有所提高,说明薪酬情况略有所改善,符合市场规律。
管理研究表 6-2 S1xS2 影响因子的离职概率P(H/X)表 7 S1*S2*S3 影响的分类预测表酬在3.5-4.0k),外向型和内向型的员工会做出不同的选择,外向型的人员会偏向选择离职,而内向型的人员会偏向选择继续服务。
c) S12*S21*S31和S12*S21*S32 作出选择基本是相同的。
即在服务时间3-4 年,如果薪酬水平小于3K 的情况下,人员不论性格属于内向还是外向都会选择离职。
这也为人员服务超过3 年后应该如何做到适当的调薪问题,才能保证平衡,从而改善员工的稳定程度。
d)其它特殊情况(S11*S21*S31 与S11*S21*S31),人员在服务多年后拿较低薪酬仍选择继续服务是受其它因素影响,比如在较低的岗位工作较长时间后提升到职员。
3.S1*S2*S3*S4 四因素影响对于在职选择性分析预测说明:a)当加入从属毕业生因素后,以上红色区域说明在S1*S2*S3 条件下都会选择离开,因此从该模型得到的预测是,毕业生不会选择作为长期服务的对象,也说明从过去建立的分类模型中,考虑毕业生作为长期培养的对象不现实。
b) 而白色部分的结论是难以预测人员去留,不定性。
但这种不定性在现有模型上的表现是不论S1 的情况如何,也就是只要这是员工的第一份工作,只有S25 的条件下才可能出现不确定性,这说明现有企业在没有其它有利条件下,其薪酬体系上对毕业生的影响最大,目前的薪酬体系不足以对毕业生的稳定培养。
八、结论以上采取的朴素贝叶斯方法的分类预测,从人员的现有数据建立分类模型,提供了人表8 S1*S2*S3*S4 影响的分类预测表员的留任和离职的可能性条件。
参考文献:[1]朱明.数据挖掘[M].安徽:中国科学技术大学出版社,2003:104-111.[2]奥托·克劳格,珍妮特·M.苏森,希尔·路特莱奇.赢在性格[M].王善平,译.浙江:浙江人民出版社,2005.由《创业邦》杂志主办的“2010创业邦年会暨‘创业邦100’颁奖盛典”12月1-2日,在北京王府半岛大酒店隆重举行。
本次年会以“创新+成长”为主题,推出了本年度创业邦100——2010中国年度创新成长企业100强。
据《创业邦》杂志CEO兼出版人南立新女士透露,“创业邦100”评选和颁奖活动今年已经是第2年,于6月30日正式发起,历时5个月的评选,通过重点调研、机构推荐和企业自主报名相结合的方式,在全国范围内收集超过500家运营主体在中国大陆、实际运营经历超过1年低于8年的民营非上市创业,涉及TMT、服务业、传统行业、生技健康和清洁科技五大类行业,这些参选企业都处于初创或发展早期,具有创新或持续创新的产品、服务或盈利模式。
通过创业邦研究部门的初筛,根据企业的创新能力、成长潜力、管理能力、增长能力和市场影响力等几个方面进行全面考察,将符合条件的200家企业交由28位知名投资人、创业家、学者教授评委评分,以定性和定量分析相结合的方式评选出了今年的“创业邦100”——2010中国年度创新成长企业100强。