بهینهسازی ارزیابی عملکرد منابع انسانی در شرکتهای کوچک و متوسط (SMEs) با استفاده از الگوریتمهای دادهکاوی (مطالعه موردی: شرکتهای کاشی و سرامیک استان یزد)
محورهای موضوعی :
امیراحسان اسحاقیه فیروزآبادی
1
,
محمد زارعی محمودآبادی
2
*
1 - دانشگاه آزاد اسلامی واحد سمنان
2 - دانشیار گروه مدیریت صنعتی، دانشگاه میبد، میبد، ایران
کلید واژه: مدل دادهکاوی, ارزیابی عملکرد منابع انسانی, رگرسیون لجستیک, یادگیری ماشین کاربردی, شرکت های کوچک و متوسط (SMEs).,
چکیده مقاله :
زمینه و هدف: این پژوهش با هدف طراحی یک چارچوب ترکیبی دادهکاوی برای ارزیابی عملکرد منابع انسانی در شرکتهای کوچک و متوسط (SMEs) صنعت کاشی و سرامیک یزد انجام شد. تمرکز اصلی بر رفع محدودیتهای روشهای سنتی از طریق پیادهسازی الگوریتمهای نوین یادگیری ماشین است. روششناسی: در این تحقیق کاربردی-توسعهای، از دادههای 200 کارمند در SMEs یزد با 10 شاخص کلیدی ارزیابی عملکرد (استخراجشده از ادبیات پژوهش) استفاده شد. پس از پیشپردازش دادهها در پایتون (Google Colab) چهار الگوریتم دادهکاوی شامل: درخت تصمیم (CART)؛K-NN (با بهینهسازی فاصله اقلیدسی)؛ نایو بیز؛ ماشین بردار پشتیبان (SVM) با کرنل RBFو رگرسیون لجستیک، پیادهسازی و با معیارهای دقت (Accuracy)، صحت (Precision)، بازخوانی (Recall) و F1-Score ارزیابی شدند. یافتههای کلیدی: الگوریتم رگرسیون لجستیک با دقت 3/98% و 97% F1-Score بهترین عملکرد را در طبقهبندی عملکرد کارکنان نشان داد.SVM با دقت1/96 % جایگاه دوم را کسب کرد، درحالی که نایو بیز با اختلاف معنادار (دقت 5/87%) ضعیفترین نتایج را ارائه کرد و همچنین شاخصهای "توسعه حرفهای" و "توانایی حل مسئله" بیشترین تأثیر را در مدل نهایی داشتند. نتیجهگیری و ارزش پژوهش: مدل پیشنهادی مبتنی بر رگرسیون لجستیک، قابلیت کاهش 30% خطای ارزیابی عملکرد در مقایسه با روشهای مرسوم SMEs را دارد. این چارچوب نه تنها سازماندهی منابع انسانی را عینیسازی میکند، بلکه با تفسیرپذیری بالای مدل، امکان شناسایی نقاط بهبود عملکرد کارکنان جدید و موجود را فراهم میسازد.
Abstract:
Background & Objective: The objective of this research is to design a hybrid data mining framework for evaluating human resource performance in SMEs within Yazd's tile and ceramic industry. The primary focus is on overcoming limitations of traditional methods by implementing advanced machine learning algorithms.
Methodology: In this applied-developmental research, data from 200 employees in Yazd SMEs, evaluated based on ten key performance indicators (extracted from the literature), were used. Following preprocessing in Python (Google Colab), four data mining algorithms—Decision Tree (CART), K-Nearest Neighbors (K-NN, optimized for Euclidean distance), Naive Bayes, Support Vector Machine (SVM) with RBF kernel, and Logistic Regression—were implemented and evaluated according to accuracy, precision, recall, and F1-score metrics.
Key Findings: Logistic Regression achieved the best performance for employee classification, with an accuracy of 98.3% and F1-score of 97%. SVM ranked second with 96.1% accuracy, while Naive Bayes yielded the weakest results (87.5% accuracy). Among input variables, “Professional Development” and “Problem-Solving Ability” had the greatest impact on the final model.
Conclusion and Research Value: The logistic regression-based model is capable of reducing performance evaluation errors by 30% compared to conventional SME methods. This framework not only provides an objective structure for human resource management but, thanks to the interpretability of the model, enables identification of performance improvement areas for both current and new employees.
1) قاسمی، آذر و قاسمی، مهدی و قیصری منوچهری، علیرضا، 1402، مزایا، معایب و کاربرد سیستم های خبره هوش مصنوعی در حوزه مدیریت منابع انسانی، سومین کنفرانس بین المللی تفکر سیستمی در عمل، مشهد، https://civilica.com/doc/1873821 .
2) حاجی حیدری، نسترن، خبیری، سیدحسین، تلافی داریانی، مجتبی، (1396)، چارچوب به کارگیری رویکرد دادهکاوی در حوزه مدیریت منابع انسانی، فصلنامه علوم مدیریت ایران، سال 12، شماره47، صص،81-57.
3) Zhang Y, Xu S, Zhang L, Yang M. Big data and human resource management research: An integrative review and new directions for future research. Journal of Business Research. 2021;133:34-50.
4) Xing X, Wen Q. A Human Resource Evaluation and Recommendation System based on Big Data Mining. Scalable Computing: Practice and Experience. 2024;25.
5) Chen H, Cui X. Design and implementation of human resource management system based on B/S mode. Procedia Computer Science. 2022;208:442-9.
6) Šušnjar G, Slavic A, Berber N, Leković B. The Role of Human Resource Management in Small and Medium Sized Companies in Central-Eastern Europe. 2016. p. 205-29.
7) اسلامی نژاد، رسول و چرابین، مسلم و کریمی، محمد و داودی، علیرضا، 1401، ارائه الگوی عوامل موثر بر پذیرش و اثربخشی سیستم مدیریت منابع انسانی الکترونیک در دانشگاه آزاد اسلامی مشهد، https://civilica.com/doc/2020874.
8) حمید، عکافان، محمد، تاج الدین، مهدی، (1397)، بررسی الگوریتم های داده¬کاوی در پیش بینی سمت شغلی کارکنان و پیشنهاد الگوریتم مناسب، فصلنامه پژوهش های حفاظتی-امنیتی دانشگاه امام حسین(ع)، سال هفتم، شماره27،صص،162-129.
9) Wu Y, Wang Z, Wang S. Human Resource Allocation Based on Fuzzy Data Mining Algorithm. Complexity. 2021;2021:1-11.
10) Mishra P, Mishra P. Challenges and Opportunities of Big Data Analytics for Human Resource Management in Mining and Metal Industries. Journal of Mines, Metals and Fuels. 2023:1747-53.
11) Okinyi OM, Kelvin OK, Margaret KK. The Value Of Human Resource Information Systems In Human Resource Management. INTERNATIONAL JOURNAL OF COMPUTERS & TECHNOLOGY. 2021;11(10).
12) Bandi G, Rao TS, Saadiq Ali S. Data Analytics Applications for Human Resource Management2021. 1-5 p.
13) Zhang A. Influence of data mining technology in information analysis of human resource management on macroscopic economic management. Plos one. 2021;16(5):e0251483.
14) Liu J. Design and Application of Human resource management system Based on Data Mining Technology. Procedia Computer Science. 2023;228:241-52.
15) Fu H, Liu J, editors. Human Resource Management System for Small and Medium-Sized Enterprises based on SSM Frameworks2024: Atlantis Press.
16) Shen H. Research on Human Resource Management Optimization and Decision Support System Construction Based on Electric Power Enterprise Strategy. Applied Mathematics and Nonlinear Sciences. 2024;9.
17) Dwivedi VK. Human Resource Management in the Power Industry Using Fuzzy Data Mining Algorithm.
18) Blazquez D, Domenech J. Big Data sources and methods for social and economic analyses. Technological Forecasting and Social Change. 2018;130:99-113.
19) Ma X, Zhang Y, Song Y, Wang E, Yao F, Zhang Z. Application of Data Mining in the Field of Human Resource Management: A Review2019.
20) Novo Melo P, Machado CF, Brewster C. Human resource management in small and medium-sized enterprises: a performance model definition. Strategic Management. 2023;28(2):4-20.
21) Mishra S. 720-Degree Performance Appraisal -The Most Recently Introduced Concept &An Integrated Method in Performance Management System. Journal of Scientific Research and Development. 2022.
22) خدایاری ابلی، حمیدرضا، 1403، بهینهسازی مدیریت منابع انسانی از طریق یکپارچه سازی فناوری سیستم اطلاعات مدیریت و اصول مدیریت منابع انسانی، هشتمین کنفرانس بین المللی مدیریت، حسابداری، بانکداری و اقتصاد ایران، مشهد،https://civilica.com/doc/2056299.
23) محبی، حسین و مومنی، زینب، 1403، جایگاه مدیریت منابع انسانی در سیستمهای تولید چابک، سومین کنفرانس بین المللی آزمایشگاه مدیریت و رویکردهای نوآورانه در مدیریت و اقتصاد، تهران، https://civilica.com/doc/2026102.
24) قاسمی، آذر و قاسمی، مهدی و قیصری منوچهری، علیرضا، 1402، مزایا، معایب و کاربرد سیستم های خبره هوش مصنوعی در حوزه مدیریت منابع انسانی، سومین کنفرانس بین المللی تفکر سیستمی در عمل، مشهد، https://civilica.com/doc/1873821 .
25) Ali,O., Kallach,L.,(2024), Artificial Intelligence Enabled Human Resources Recruitment Functionalities: A Scoping Review, Procedia Computer Science,Vol (232), 3268–3277.
26) Marumo,O.R, Mmopelwa,T.A., (2017), USE OF DATA MINING TECHNIQUES IN HUMAN RESOURCE MANAGEMENT, ZAMBIA INFORMATION COMMUNICATION TECHNOLOGY (ICT) JOURNAL, Vol(1),PP,41-46.
27) پارسا، حمید، عکافان، محمد، تاج الدین، مهدی،(1397)، بررسی الگوریتم های داده کاوی در پیش بینی سمت شغلی کارکنان و پیشنهاد الگوریتم مناسب، فصلنامه پژوهش های حفاظتی-امنیتی دانشگاه جامع امام حسین(ع)، سال هفتم، شماره27،صص،162-139.
28) 49-Mishra P, Mishra P. Challenges and Opportunities of Big Data Analytics for Human Resource Management in Mining and Metal Industries. Journal of Mines, Metals and Fuels. 2023:1747-53.
29) 50-Wang H, Yang Y, Zhang Y, editors. A macro human resource management platform enabled by big data technology2020: Springer.
30) Shaout A, Yousif MK. Performance evaluation–Methods and techniques survey. International Journal of Computer and Information Technology. 2014;3(5):966-79.