餐飲連鎖店員工離職傾向預(yù)測研究

徐昆+趙東亮

[提要] 頻繁的員工流動不僅增加企業(yè)的培訓(xùn)成本，還會降低企業(yè)的運營能力。本文利用R語言，建立隨機森林模型處理已離職人員數(shù)據(jù)，從中分析員工離職影響因素，對于企業(yè)而言，能夠依據(jù)離職概率大小及離職影響因素采取針對性的挽留措施，并能夠分辨員工的真正離職動機，從而可以發(fā)現(xiàn)更深層的企業(yè)運營體系的問題，可以為企業(yè)提供借鑒，便于提前采取措施，避免造成更多的損失。

關(guān)鍵詞：R語言；隨機森林模型；預(yù)測；滿意度；離職傾向

中圖分類號：F24 文獻標(biāo)識碼：A

收錄日期：2018年1月24日

一、引言

離職傾向是員工個體經(jīng)歷了不滿意之后，想要離開組織的態(tài)度和意向，它被認(rèn)為是預(yù)測離職行為最佳變量。綜合國內(nèi)外已有文獻，離職傾向概念提出時間較早，但是其影響因素的探索一直沒有停滯，由于社會文化變遷，勞動力結(jié)構(gòu)的變化，離職傾向的動因也在發(fā)生著變化。員工離職意向形成基本源于兩個方面因素：一是員工自身的人格特質(zhì)因素，如突出個性、價值觀多元化等；二是其他外部因素，比如工作設(shè)置、組織支持等。國外學(xué)者提出的離職傾向動因模型為本研究開展提供了重要的理論依據(jù)。近幾年，國內(nèi)對新生代知識型員工關(guān)注越來越多，其離職傾向的探索也形成了一定程度積累，但仍存在一些不足：第一，已有文獻僅涉及了處于發(fā)展成熟期的民營企業(yè)和國企，缺乏以高員工流動率公司為對象展開的研究；第二，研究框架受國外模型限制較大，系統(tǒng)地探索離職傾向的實證研究少。

另外，隨著大數(shù)據(jù)時代的到來，運用數(shù)據(jù)挖掘方法分析已離職人員數(shù)據(jù)，挖掘員工離職影響因素，對在職員工進行離職傾向預(yù)測，依據(jù)離職概率大小及離職影響因素采取針對性的挽留措施，將更有效可行。eBay，包括沃爾瑪、瑞士信貸集團和Box等都正在通過大數(shù)據(jù)“算”出最有可能跳槽的員工。這些公司的HR部門會收集員工的工作任期、員工調(diào)查、溝通模式甚至性格測試等一系列數(shù)據(jù)，這些數(shù)據(jù)往往能夠揭示員工去留的動機，從而分析判斷員工的離職傾向性。沒有一種單一的數(shù)據(jù)可以預(yù)測員工去留。離職背后的動機通常很復(fù)雜，收入多寡、同事關(guān)系、公司前景、職業(yè)規(guī)劃等等，在不同公司，這些變量的影響力又有很大的差異。對于企業(yè)而言，通過數(shù)據(jù)算法分析的目的并不在于驅(qū)趕有離心的員工，而在于挽留人才以及搞清楚背后的動機，解決公司弊病。正如沃爾瑪負(fù)責(zé)人員分析的全球副總裁Elpida Ormanidou所述：“如果我們能夠提前三個月，我們就能夠盡快地組織招聘和培訓(xùn)，沒有人希望職位一直空缺著。”從數(shù)據(jù)中能夠看到更深的層次，挖掘出企業(yè)運營體系的內(nèi)在問題，從而提前采取措施，可以避免造成更多的損失。綜上所述，本文以連鎖餐飲業(yè)作為研究焦點，參照已有研究思路，根據(jù)大樣本統(tǒng)計研究，借助R語言隨機森林模型，對員工的離職概率進行預(yù)測，并辨識哪些因素影響該群體離職意向及不同因素的影響強度。

二、員工入職前期離職傾向預(yù)測

（一）預(yù)測模型——隨機森林模型。隨機森林算法的實質(zhì)是基于決策樹的分類器集成算法，其中每一棵樹都依賴于一個隨機向量，隨機森林的所有向量都是獨立同分布的。隨機森林就是對數(shù)據(jù)集的列變量和行觀測進行隨機化，生成多個分類樹，最終將分類樹結(jié)果進行匯總。隨機森林相比于神經(jīng)網(wǎng)絡(luò)，降低了運算量的同時也提高了預(yù)測精度，而且該算法對多元共線性不敏感以及對缺失數(shù)據(jù)和非平衡數(shù)據(jù)比較穩(wěn)健，可以很好地適應(yīng)多達幾千個解釋變量數(shù)據(jù)集。

隨機森林的組成——隨機森林是由多個CART分類決策樹構(gòu)成，在構(gòu)建決策樹過程中，不進行任何剪枝動作，通過隨機挑選觀測（行）和變量（列）形成每一棵樹。對于分類模型，隨機森林將根據(jù)投票法為待分類樣本進行分類；對于預(yù)測模型，隨機森林將使用單棵樹的簡單平均值來預(yù)測樣本的Y值。

隨機森林的估計過程：（1）指定m值，即隨機產(chǎn)生m個變量用于節(jié)點上的二叉樹，二叉樹變量的選擇仍然滿足節(jié)點不純度最小原則；（2）應(yīng)用Bootstrap自助法在原數(shù)據(jù)集中有放回地隨機抽取k個樣本集，組成k棵決策樹，而對于未被抽取的樣本用于單棵決策樹的預(yù)測；（3）根據(jù)k個決策樹組成的隨機森林對待分類樣本進行分類或預(yù)測，分類的原則是投票法，預(yù)測的原則是簡單平均。

隨機森林性能因素：（1）每棵樹生長越茂盛，組成森林的分類性能越好；（2）每棵樹之間的相關(guān)性越差，或樹之間是獨立的，則森林的分類性能越好。

（二）指標(biāo)體系的確定。為了實現(xiàn)預(yù)測，首先我們需要收集一些歷史數(shù)據(jù)。針對S公司的實際情況，該公司當(dāng)前的數(shù)據(jù)庫中相關(guān)數(shù)據(jù)與我們期望相比存在一些不完善，我們決定確定一個新的指標(biāo)重新建立數(shù)據(jù)庫。首先我們采用文獻法和開放式問卷收集相關(guān)指標(biāo)條目，通過幾輪刪除，最終確定指標(biāo)。相關(guān)指標(biāo)可以分為三類：（1）個人信息。包括“姓名、性別、年齡、政治面貌、學(xué)歷、職業(yè)資格”；（2）綜合測評。綜合測評是招聘員工時對員工的綜合能力進行問卷測評，測評指標(biāo)包括“言語理解、邏輯、常識、成就導(dǎo)向、抗壓能力、社交能力、外向性、心里感受性、情緒穩(wěn)定性、敬業(yè)”；（3）在職情況。在職情況是指員工在一段時間內(nèi)是否離職，我們用數(shù)字表示，“0”代表在職，“1”代表已經(jīng)離職。

（三）樣本數(shù)據(jù)的收集。為了獲得更加科學(xué)的數(shù)據(jù)并且檢驗預(yù)測模型的實用性，我們聯(lián)系了S公司，讓該公司對最近入職的一批員工共170人進行了相關(guān)指標(biāo)數(shù)據(jù)的收集。首先在招聘員工入職前，通過問卷和測評，獲得每位員工的個人信息和綜合測評成績，并且在之后的3個月時間里對這一批員工進行在職情況的跟蹤。得到數(shù)據(jù)如表1所示。（表1）

（四）預(yù)測。當(dāng)我們完成了歷史數(shù)據(jù)的收集之后，便可以對新一批員工進行離職概率預(yù)測了。為了便于將數(shù)據(jù)導(dǎo)入模型，我們可以直接在170位員工的歷史數(shù)據(jù)后面添加新一批員工的數(shù)據(jù)。我們以新一批員工其中一位員工為例，他在表中的數(shù)據(jù)為第171條，需要預(yù)測的數(shù)據(jù)為“是否3個月內(nèi)離職”，暫時用“NA”表示數(shù)據(jù)空缺。（表2）

第一步，需要我們打開R語言程序，下載隨機森林?jǐn)?shù)據(jù)包；

第二步，我們將歷史數(shù)據(jù)（訓(xùn)練樣本）和需要預(yù)測數(shù)據(jù)（預(yù)測樣本）導(dǎo)入模型；

第三步，將歷史數(shù)據(jù)（訓(xùn)練樣本）單獨提取出來供模型學(xué)習(xí)，訓(xùn)練模型；

第四步，對預(yù)測數(shù)據(jù)（預(yù)測樣本）進行預(yù)測：

library（randomForest）#下載隨機森林?jǐn)?shù)據(jù)包#

d1<-read.csv（“～/Desktop/員工數(shù)據(jù)2.csv”）#讀取訓(xùn)練樣本和預(yù)測樣本#

d2<-d1[1：170，3：16]#提取訓(xùn)練樣本#

d3<-d1[171，3：16]#提取測試樣本#

d2[，“是否3個月內(nèi)離職”]<-factor（d2[，“是否3個月內(nèi)離職”]）

levels（d2[，“是否3個月內(nèi)離職”]）<-list（在職=0，離職=1）

set.seed（101010）

m1<-randomForest（是否3個月內(nèi)離職～.，data=d2，proximity=TRUE，

importance=TRUE，na.rm=TRUE）#訓(xùn)練模型#

p1<-predict（m1，d3，type="prob"）#預(yù)測#

p1#預(yù)測結(jié)果#

在職 離職

0.666 0.334

attr（，“class”）

[1]“matrix”“votes”

（五）結(jié)果解釋及預(yù)測效果檢驗。根據(jù)預(yù)測結(jié)果的顯示，該名員工在接下來3個月內(nèi)離職的概率為33.4%，在職的概率為66.6%。

同時，我們可以增加一個對模型預(yù)測效果檢驗的步驟。以歷史數(shù)據(jù)作為檢驗標(biāo)準(zhǔn)，將歷史數(shù)據(jù)導(dǎo)入模型進行模擬“預(yù)測”，再將“預(yù)測”的結(jié)果與實際情況進行對比，檢驗過程如下：

p1<-predict（m1，d2）#用原始數(shù)據(jù)進行預(yù)測顯示結(jié)果#

table（d2$是否3個月內(nèi)離職，p1）（表3）

從表3中可以看出，預(yù)測結(jié)果與實際情況完全一致，誤判率為0，模型的預(yù)測效果非常好。

三、員工入職中期工作滿意度分析

當(dāng)員工入職一段時間后，雖然他們暫時沒有離職，但是他們都有潛在的離職傾向。根據(jù)現(xiàn)有的研究成果我們可以知道，離職傾向與工作滿意度成負(fù)相關(guān)，也就是說，工作滿意度越高，離職傾向越小；工作滿意度越低，離職傾向越大。

于是我們便設(shè)計了“員工入職中期工作滿意度測評”問卷，同樣采用文獻法和開放式問卷收集相關(guān)指標(biāo)條目，通過幾輪刪除，最終確定指標(biāo)為：“勞動強度、工作壓力、與同事的關(guān)系、崗位性質(zhì)、職業(yè)地位、企業(yè)體制、企業(yè)類型、組織文化、管理水平、薪酬水平、發(fā)展機會、請假調(diào)休、職業(yè)興趣、職業(yè)意向、自尊、情感穩(wěn)定性、工作技能、工作安全感、工作卷入、組織承諾”。對應(yīng)不同指標(biāo)，我們設(shè)計了相關(guān)問題。例如，與“薪酬水平”對應(yīng)的問題為“您對目前的薪酬待遇是否意？”；與“工作安全感”對應(yīng)的問題為“現(xiàn)在的工作是否讓您感受到安全感？”。受試者在每個問題后進行打分，分?jǐn)?shù)區(qū)間為“0～10”分，分?jǐn)?shù)越高表示滿意度越高。在問卷最后，設(shè)置了一項總體滿意度評價——“您對當(dāng)前工作總體是否滿意？”，“0”表示滿意，“1”表示不滿意。最終得到132位受試者的評價數(shù)據(jù)如表4所示。（表4）

同樣的，我們可以隨機森林模型對員工滿意度數(shù)據(jù)進行分析，并且對各自變量重要性進行排序：

d4<-read.csv（“～/Desktop/員工滿意度分析.csv”）

d4[，“對當(dāng)前工作總體是否滿意”]<-factor（d2[，“對當(dāng)前工作總體是否滿意”]）

levels（d2[，“對當(dāng)前工作總體是否滿意”]）<-list（滿意=0，不滿意=1）

set.seed（101010）

m1<-randomForest（對當(dāng)前工作總體是否滿意～.，data=d4，proximity=TRUE，

importance=TRUE，na.rm=TRUE）

Importance<-importance（x=m1）

Importance

varImpPlot（m1）#重要度排序#

對員工工作整體滿意度影響的各因素重要性分析如圖1所示。左邊圖形是根據(jù)Mean Decrease Accuracy來判斷自變量的重要程度。Mean Decrease Accuracy是衡量指標(biāo)，衡量把一個指標(biāo)的取值變?yōu)殡S機數(shù)，隨機森林模型預(yù)測準(zhǔn)確性降低的程度。數(shù)字越大表示該指標(biāo)的重要性越大。根據(jù)這個指標(biāo)，薪酬水平、工作壓力、職業(yè)興趣、發(fā)展機會4個變量是影響員工工作整體滿意度的主要因素。右邊圖形是根據(jù)Mean Decrease Gini來判斷自變量的重要程度。Mean Decrease Gini指數(shù)是計算出每個變量對分類樹每個節(jié)點觀測值異質(zhì)性的影響程度，從而反映變量的重要性。該值越大表示該變量的重要性越大。根據(jù)這個指標(biāo)，薪酬水平、發(fā)展機會、職業(yè)興趣、與同事的關(guān)系4個變量是影響員工工作整體滿意度的主要因素。（圖1）

四、結(jié)論及建議

（一）結(jié)論

1、對S餐飲連鎖公司來說，在員工入職前期，我們可以對員工在入職后一段時間內(nèi)的離職概率進行預(yù)測，預(yù)測要建立在模型對歷史數(shù)據(jù)的學(xué)習(xí)之上。對于如何建立相應(yīng)的歷史數(shù)據(jù)庫，我們提出了3類數(shù)據(jù)指標(biāo)，即個人信息、綜合測評、在職情況并且詳細(xì)分為17個子指標(biāo)，該指標(biāo)構(gòu)建合理、主題明確、層次清楚、操作性強，可以方便和準(zhǔn)確地進行統(tǒng)計。

2、從對S餐飲連鎖公司員工入職中期的工作滿意度分析可以看出，影響員工工作整體滿意度的因素主要是薪酬水平、職業(yè)興趣、發(fā)展機會、工作壓力、與同事的管理系這幾項。根據(jù)分析結(jié)果，公司可以有針對性地去改善，提高員工在這幾個方面的滿意度，從而快速提升員工工作的整體滿意度，減小離職傾向。

（二）建議

1、針對不同行業(yè)和企業(yè)，要建立起合理、合適的指標(biāo)體系。不同行業(yè)和企業(yè)員工的工作崗位和工作性質(zhì)存在差異，可以根據(jù)員工的工作特點對數(shù)據(jù)指標(biāo)體系進行更改和替換。

2、為了保證預(yù)測的精度，歷史數(shù)據(jù)要盡可能越多越好。預(yù)測模型通過對大樣本的學(xué)習(xí)，會進一步提高預(yù)測的準(zhǔn)確性。

3、雖然預(yù)測模型有很高的準(zhǔn)確性，但仍然是建立在統(tǒng)計學(xué)的基礎(chǔ)之上，因此仍然存在誤判率。在實際的運用過程中，可以將預(yù)測結(jié)果作為一項參考因素，而不應(yīng)完全依賴預(yù)測結(jié)果，作為絕對的標(biāo)準(zhǔn)。

主要參考文獻：

[1]王雪莉，馬琳，張勉.基于獨生子女的調(diào)節(jié)作用的個人-工作匹配、工作滿意度與員工離職傾向研究[J].管理學(xué)報，2014.11.5.

[2]柯江林，孫健敏.心理資本對工作滿意度、組織承諾與離職傾向的影響[J].經(jīng)濟與管理研究，2014.1.

[3]李潔，呂康銀，熊順朝.職業(yè)成長、工作滿意度和離職傾向關(guān)系的實證研究[J].理論經(jīng)濟學(xué)，2012.1.

[4]劉順祥.基于R語言的隨機森林算法運用[EB/OL].http：//www.docin.com，2015.11.

[5]蔡治.大數(shù)據(jù)時代的人力資源管理[M].北京：清華大學(xué)出版社，2016.