Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

Νέα / Ανακοινώσεις / Συζητήσεις

Παρουσίαση διπλωματικής εργασιας κ. Καντουνατάκη Σοφίας, Σχολή ΜΠΔ

  • Συντάχθηκε 13-02-2023 14:10 Πληροφορίες σύνταξης

    Ενημερώθηκε: -

    Τόπος:
    Σύνδεσμος τηλεδιάσκεψης
    Έναρξη: 16/02/2023 12:00
    Λήξη: 16/02/2023 13:00

    ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ

    ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ

     

    Ονοματεπώνυμο: Καντουνατάκη Σοφία

    Αριθμός Μητρώου: 2017010092

     

    Τίτλος στα Ελληνικά: Ανάλυση παραγόντων αποχώρησης εργαζομένων με χρήση της μεθόδου fs/QCA

    Τίτλος στα Αγγλικά: Employee attrition factors analysis using fs/QCA method

     

    Εξεταστική Επιτροπή:

    Επιβλέπων: Τσαφαράκης Στέλιος, Αναπλ. Καθηγητής

    Πρώτο Μέλος: Δούμπος Μιχάλης, Καθηγητής

    Δεύτερο Μέλος: Ατσαλάκης Γιώργος, Αναπλ. Καθηγητής

     

    Περίληψη

    Σκοπός της παρούσας διπλωματικής εργασίας είναι η πρόταση ενός μεθοδολογικού πλαισίου που θα είναι σε θέση να εντοπίζει αιτιώδη μονοπάτια (ικανές και αναγκαίες συνθήκες) που οδηγούν στην αποχώρηση των εργαζομένων (employee attrition) μέσω της Ποιοτικής Συγκριτικής Ανάλυσης με ασαφή σύνολα (fuzzy-set Qualitative Comparative Analysis – fs/QCA), και να προτείνει πιθανούς τρόπους αποφυγής. Επίσης, εφαρμόζεται ο αλγόριθμος Apriori (ως αντιπροσωπευτικό παράδειγμα Association rules mining) για σύγκριση και έλεγχο ευρωστίας (robustness test) των αποτελεσμάτων των δυο μεθόδων.

    Τα δεδομένα που πρόκειται να αναλυθούν προέρχονται από ένα τεχνητό dataset που δημιουργήθηκε για έναν διαγωνισμό της Kaggle, και αποτελούν αντιπροσωπευτικό δείγμα αντίστοιχων πραγματικών dataset. Κύριο χαρακτηριστικό του συγκεκριμένου dataset είναι η άνιση κατανομή των δύο κλάσεων, αποχωρήσαντων και μη εργαζομένων. (imbalanced class distribution).

    Η μέθοδος fs/QCA βασίζεται στη θεωρία των ασαφών συνόλων και στη χρήση της Boolean άλγεβρας για να εντοπίσει αιτιώδεις συνθήκες/κριτήρια (ή συνδυασμούς αυτών), οι οποίες θα είναι αναγκαίες ή/και ικανές για την παρουσία του αποτελέσματος (αποχώρηση από την εταιρεία). Μετά την αρχική εφαρμογή της μεθόδου, θα χρησιμοποιηθεί η τεχνική Undersampling για την αντιμετώπιση της άνισης κατανομής των κλάσεων, με στόχο την βελτίωση των αποτελεσμάτων, καθώς και ο έλεγχος Χ2 για την περαιτέρω ανάλυση των αναγκαίων συνθηκών που προκύπτουν.

    H εξόρυξη κανόνων συσχέτισης (association rules) χρησιμοποιεί μοντέλα μηχανικής μάθησης για να αναζητήσει σε βάσεις δεδομένων συγκεκριμένα μοτίβα. Ο αλγόριθμος Apriori (Agrawal & Srikant, 1994) που χρησιμοποιείται στην παρούσα εργασία είναι ένας από τους πρώτους και πιο δημοφιλείς αλγόριθμους εύρεσης κανόνων συσχέτισης.

    Τα συμπεράσματα επικεντρώνονται στις αιτίες αποχώρησης των εργαζομένων από την εταιρεία, με την εξαγωγή κανόνων (αιτιωδών μονοπατιών), δίνοντας με αυτόν τον τρόπο τη δυνατότητα στην εκάστοτε εταιρεία να εντοπίσει τα δυνατά και τα αδύναμα σημεία της, καθώς και να προσδιορίσει αυτά που χρήζουν βελτίωσης, ώστε να αποτρέπεται η φυγή των εργαζομένων.

     

    Ημερομηνία Εξέτασης

    Ημέρα/Μήνας/Έτος: 16/02/2023

    Ώρα: 12:00

    Χώρος Εξέτασης Αίθουσα: https://tuc-gr.zoom.us/j/84376874961?pwd=WTVEY1RZQzhST0lUcDNuR1U5T1M1dz09



© Πολυτεχνείο Κρήτης 2012