مرکز منطقه ای اطلاع رسانی علوم و فناوری مدیریت فردا 2228-6047 24 84 2026 7 1 Optimizing Human Resource Performance Evaluation in Small and Medium Enterprises (SMEs) Using Data Mining Algorithms (Case Study: Tile and Ceramic Companies in Yazd Province) بهینه‌سازی ارزیابی عملکرد منابع انسانی در شرکت‌های کوچک و متوسط (SMEs) با استفاده از الگوریتم‌های داده‌کاوی (مطالعه موردی: شرکت‌های کاشی و سرامیک استان یزد) 3 24 fa امیراحسان اسحاقیه فیروزآبادی دانشگاه آزاد اسلامی واحد سمنان محمد زارعی محمودآبادی 2025 7 16 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. زمینه و هدف: این پژوهش با هدف طراحی یک چارچوب ترکیبی داده&zwnj;کاوی برای ارزیابی عملکرد منابع انسانی در شرکت&zwnj;های کوچک و متوسط (SMEs) صنعت کاشی و سرامیک یزد انجام شد. تمرکز اصلی بر رفع محدودیت&zwnj;های روش&zwnj;های سنتی از طریق پیاده&zwnj;سازی الگوریتم&zwnj;های نوین یادگیری ماشین است. روش&zwnj;شناسی: در این تحقیق کاربردی-توسعه&zwnj;ای، از داده&zwnj;های 200 کارمند در SMEs یزد با 10 شاخص کلیدی ارزیابی عملکرد (استخراج&zwnj;شده از ادبیات پژوهش) استفاده شد. پس از پیش&zwnj;پردازش داده&zwnj;ها در پایتون (Google Colab) چهار الگوریتم داده&zwnj;کاوی شامل: درخت تصمیم (CART)؛K-NN (با بهینه&zwnj;سازی فاصله اقلیدسی)؛ نایو بیز؛ ماشین بردار پشتیبان (SVM) با کرنل RBFو رگرسیون لجستیک، پیاده&zwnj;سازی و با معیارهای دقت (Accuracy)، صحت (Precision)، بازخوانی (Recall) و F1-Score ارزیابی شدند. یافته&zwnj;های کلیدی: الگوریتم رگرسیون لجستیک با دقت 3/98% و 97% F1-Score بهترین عملکرد را در طبقه&zwnj;بندی عملکرد کارکنان نشان داد.SVM با دقت1/96 % جایگاه دوم را کسب کرد، درحالی که نایو بیز با اختلاف معنادار (دقت 5/87%) ضعیف&zwnj;ترین نتایج را ارائه کرد و همچنین شاخص&zwnj;های "توسعه حرفه&zwnj;ای" و "توانایی حل مسئله" بیشترین تأثیر را در مدل نهایی داشتند. نتیجه&zwnj;گیری و ارزش پژوهش: مدل پیشنهادی مبتنی بر رگرسیون لجستیک، قابلیت کاهش 30% خطای ارزیابی عملکرد در مقایسه با روش&zwnj;های مرسوم SMEs را دارد. این چارچوب نه تنها سازماندهی منابع انسانی را عینی&zwnj;سازی می&zwnj;کند، بلکه با تفسیرپذیری بالای مدل، امکان شناسایی نقاط بهبود عملکرد کارکنان جدید و موجود را فراهم می&zwnj;سازد.

http://modiriyatfarda.ir/en/Article/Download/54316