The Journal of Korean Association of Computer Education (컴퓨터교육학회논문지)

The Korean Association of Computer Education (한국컴퓨터교육학회)
권호 표지

Development of Retirement Prediction Model based on Work Life Profile Using Machine Learning Method

기계 학습 방법을 이용한 직장 생활 프로파일 기반의 퇴직 예측 모델 개발

  • 윤유동 (고려대학교 정보대학 컴퓨터학과) ;
  • 이설화 (고려대학교 정보대학 컴퓨터학과) ;
  • 지혜성 (고려대학교 정보대학 컴퓨터학과) ;
  • 임희석 (고려대학교 정보대학 컴퓨터학과)
  • Received : 2016.12.19
  • Accepted : 2017.01.23
  • Published : 2017.01.30
Download PDF
⟨ Previous Next ⟩

Abstract

Recently, much research has been done on the turnover and retirement intentions of the organization members as many companies recognize the negative impact of the human resource outflow on the organization. However, most of the studies are conducted in the form of questionnaires, and there is still a lack of studies on the turnover and retirement intentions based on the work life data. In this study, we analyzed the factors affecting the retirement of employees based on the work life profile, and created a retirement prediction model using the machine learning method. As a result, we could identify various factors that were not covered in previous researches. In addition, we have established a basis for research that can provide a solution for the problem of human resource outflow by generating a good performance retirement prediction model.

최근 대부분의 기업에서 인적 자원의 유출이 조직에 미칠 부정적인 영향을 인지하게 되면서 조직 구성원의 이직 및 퇴직의도에 대해 많은 연구가 이루어졌다. 그러나 대부분 설문조사의 형태로 이루어지며, 직장 생활 데이터를 기반으로 이직 또는 퇴직의도를 살펴본 연구는 아직까지 미비했다. 이에 본 연구에서는 직장 생활 프로파일을 기반으로 직원의 퇴직 여부에 영향을 미치는 요인에 대한 분석을 실시하고, 기계 학습 방법을 활용하여 퇴직 예측 모델을 생성했다. 이 결과, 기존의 설문조사를 중심으로 수행되었던 연구에서 접근하지 못했던 다양한 요인들을 파악할 수 있었다. 또한, 우수한 성능의 퇴직 예측 모델 생성을 통해 기업의 인적 자원 유출에 대한 해결방안을 제시할 수 있는 연구의 발판을 마련했다.

Keywords

References

  1. 조경순 (2006). 조직구성원의 이직의도에 대한 변화몰입의 효과 : 국내금융기관의 인수합병 상황에 대한 분석. 인적자원관리연구. 13(1), 167-182.
  2. 안관영 (2007). 경제적.심리적 요인과 이직의도의 관계에 대한 연구-외식업 종사자를 중심으로. 경영교육연구. 48(-), 241-257.
  3. 성지미.안주엽 (2016). 일자리 만족도와 이직의사 및 이직-청년층을 중심으로. 한국산업노동연구. 22(2), 135-179.
  4. 윤명숙.이희정 (2015). 직장인의 분노가 이직의도에 미치는 영향. 인적자원관리연구. 22(1), 249-269.
  5. 이수연.양해술 (2008). 콜센터 근로자의 감정노동과 감정소진 및 이직의도의 관계에 대한 연구. 한국콘텐츠학회논문지. 8(4), 197-210. https://doi.org/10.5392/JKCA.2008.8.4.197
  6. 서종수 (2016). 조직몰입이 이직의도와 사업성과에 미치는 영향. 벤처창업연구. 11(4), 215-225.
  7. 현선해.윤기혁.최세경 (2016). 직무만족과 처우불공정 지각이 조직구성원의 이직의도에 미치는 영향. 한국조직학회보. 13(3), 1-20.
  8. 김양신.이영민 (2015). 대졸 여성 초기경력자의 직무스트레스, 정서적 소진, 조직사회화가 이직의도에 미치는 영향. 경영컨설팅연구. 15(1), 109-121.
  9. 양현철.정현선.박동건 (2013). 직장 유연성이 신입사원급 직장인들의 이직의도와 혁신적 업무행동에 미치는 영향. 한국심리학회지산업 및 조직. 26(1), 149-176.
  10. 장진혁.유태용 (2013). 조직 내 정치적 행동 지각과 이직의도 간의 관계-스트레스, 조직몰입의 매개효과와 정직성의 조절효과. 한국심리학회지 산업 및 조직. 26(3), 413- 436.
  11. 강광석.박계홍.최영근 (2012). 조직 내 부정적인 행태들과 구성원의 이직의도 간 관계에서 상사-부하 교환관계의 질과 조직지원인식의 조절효과에 관한 연구. 상업교육연구. 26(2), 155-181.
  12. 윤유동.지혜성.임희석 (2016). 청소년 시기의 인터넷 사용에 영향을 미치는 요인 분석 연구, 컴퓨터교육학회논문지. 19(5), 55-71.
  13. 정재근 (2011). 부모의 사회경제적 지위와 청소년의 인터넷 이용행태 : 생활시간조사의 활용. 한국사회학. 45(5), 197-225.
  14. 김명종 (2012). 로지스틱 회귀분석과 인공신경망을 적용한 내부회계관리제도 평가모형의 성과비교. 국제회계연구. 46(-), 1-30.
  15. 권영란 (2010). 의사결정나무분석과 로지스틱 회귀분석을 이용한 중학생 자살생각 예측요인 비교연구. 한국자료분석학회. 12(6), 3103-3115.
  16. Niculescu-Mizil, A., & Caruana, R. (2005). Predicting good probabilities with supervised learning. In Proceedings of the 22nd international conference on Machine learning, 625-632. ACM.
  17. Islam, M. J., Wu, Q. J., Ahmadi, M., & Sid-Ahmed, M. A. (2007). Investigating the performance of naive-bayes classifiers and k-nearest neighbor classifiers. In Convergence Information Technology, 2007. International Conference on, 1541-1546. IEEE.
  18. Du, W., & Zhan, Z. (2002). Building decision tree classifier on private data. In Proceedings of the IEEE international conference on Privacy, security and data mining. 14(-), 1-8. Australian Computer Society, Inc..
  19. Pal, M., & Mather, P. M. (2003). An assessment of the effectiveness of decision tree methods for land cover classification. Remote sensing of environment. 86(4), 554-565. https://doi.org/10.1016/S0034-4257(03)00132-9
  20. Mazurowski, M. A., Habas, P. A., Zurada, J. M., Lo, J. Y., Baker, J. A., & Tourassi, G. D. (2008). Training neural network classifiers for medical decision making: The effects of imbalanced datasets on classification performance. Neural networks. 21(2), 427-436. https://doi.org/10.1016/j.neunet.2007.12.031
  21. Saxena, A., & Saad, A. (2007). Evolving an artificial neural network classifier for condition monitoring of rotating mechanical systems. Applied Soft Computing. 7(1), 441-454. https://doi.org/10.1016/j.asoc.2005.10.001
  22. Mavroforakis, M. E., & Theodoridis, S. (2006). A geometric approach to support vector machine (SVM) classification. IEEE transactions on neural networks. 17(3), 671-682. https://doi.org/10.1109/TNN.2006.873281
  23. Muller, K. R., Mika, S., Ratsch, G., Tsuda, K., & Scholkopf, B. (2001). An introduction to kernel-based learning algorithms. IEEE transactions on neural networks. 12(2), 181-201. https://doi.org/10.1109/72.914517
  24. Moreno, P. J., Ho, P. P., & Vasconcelos, N. (2003). A Kullback-Leibler divergence based kernel for SVM classification in multimedia applications. In Advances in neural information processing systems.
  25. Zapf, D. (2002). Emotion work and psychological well-being: A review of the literature and some conceptual considerations. Human resource management review. 12(2), 237-268. https://doi.org/10.1016/S1053-4822(02)00048-7