DOI: https://doi.org/10.32996/jbms.2024.6.1.14
تاريخ النشر: 2024-02-10
المؤلف: MD Rokibul Hasan وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي وتقنيات الموارد البشرية
نظرة عامة
تؤكد ورقة البحث على أهمية توقع أداء القوى العاملة في إدارة الموارد البشرية، مشددة على دورها في تحديد وتطوير الموظفين ذوي الأداء العالي، وتحسين تخطيط القوى العاملة، وزيادة الإنتاجية. تقدم الدراسة نموذجًا شاملاً يجمع بين تحليلات الأعمال وتقنيات التعلم الآلي للتنبؤ بدقة بأداء الموظف. من خلال الاستفادة من مصادر بيانات متنوعة، بما في ذلك مقاييس الأداء والعوامل السياقية، يستخدم النموذج منهجيات صارمة مثل هندسة الميزات، ومعالجة البيانات، وتقييم النموذج لإنشاء أطر تنبؤية فعالة.
تشير النتائج إلى أن هذا النهج المتكامل يحسن بشكل كبير من دقة توقعات الأداء، مما يوفر للمنظمات رؤى حاسمة لاتخاذ قرارات مستنيرة في إدارة المواهب وتخصيص الموارد. تختتم الدراسة بأن التنفيذ الناجح لهذا النموذج يتطلب مراقبة مستمرة وتعديلات للحفاظ على فعاليته مع مرور الوقت، مما يعزز من فائدته في تحسين الأداء التنظيمي العام.
مقدمة
تؤكد مقدمة ورقة البحث على الحاجة الملحة للمنظمات لتعزيز الإنتاجية والأداء من خلال التنبؤ الدقيق بأداء الموظفين. غالبًا ما تعتمد طرق تقييم الأداء التقليدية على التقييمات الذاتية، التي يمكن أن تكون غير متسقة ومتحيزة، مما يحد من فعاليتها. لمعالجة هذه القضايا، تقترح الورقة نهجًا موحدًا يجمع بين تحليلات الأعمال وتقنيات التعلم الآلي، التي أظهرت وعدًا في تحسين دقة توقعات الأداء (Poddar & Chattopadhyay, 2021; Lather, 2019).
تسلط الخلفية الضوء على أهمية توقع أداء الموظف لنجاح المنظمة، حيث أن الموظفين ذوي الأداء العالي ضروريون لتحقيق أهداف الشركة والحفاظ على ميزة تنافسية. ومع ذلك، غالبًا ما تعاني طرق التقييم التقليدية، مثل تقييمات الأداء السنوية، من التحيزات وتفشل في أخذ جميع العوامل ذات الصلة المؤثرة على الأداء في الاعتبار (Fallucchi, 2020). تؤكد هذه الورقة على ضرورة اتباع نهج مدفوع بالبيانات لتوقع الأداء، داعيةً إلى استخدام التعلم الآلي والتحليلات لتحليل مصادر بيانات متنوعة—مثل التركيبة السكانية للموظفين والأداء التاريخي—لتطوير نماذج تنبؤية أكثر دقة (Gupta et al., 2023).
مناقشة
تناقش ورقة البحث تطوير وتقييم نهج متكامل يجمع بين التعلم الآلي (ML) وتحليلات الأعمال لتوقع أداء الموظف. تحدد الدراسة الأهداف الرئيسية، بما في ذلك تحديد المتغيرات المهمة التي تؤثر على الأداء، واستخدام تحليلات الأعمال لاستخراج الميزات ذات الصلة، واستخدام خوارزميات التعلم الآلي لإنشاء نماذج تنبؤية. تشير النتائج إلى أن هذا النهج الموحد يعزز دقة توقعات أداء الموظف مقارنةً بالطرق التقليدية، مما يوفر للمنظمات إطارًا قويًا لاتخاذ قرارات مستنيرة واستراتيجيات إدارة فعالة للموظفين.
تسلط مراجعة الأدبيات الضوء على الاعتماد المتزايد على التحليلات التنبؤية في الموارد البشرية (HR) لتحسين أداء القوى العاملة، حيث غالبًا ما تفشل الطرق التقليدية في التقاط تعقيدات أماكن العمل الحديثة. يتم فحص طرق تحليلية متنوعة، بما في ذلك التحليلات الوصفية، والتوجيهية، والتنبؤية، جنبًا إلى جنب مع تقنيات التعلم الآلي مثل الانحدار الخطي، والغابات العشوائية، والشبكات العصبية. يُعتبر دمج هذه المنهجيات قوة تحويلية في الموارد البشرية، مما يمكّن المنظمات من استخلاص رؤى قابلة للتنفيذ من بيانات الموظفين وتحسين الإنتاجية العامة.
يحدد النموذج المقترح نهجًا منهجيًا لتوقع أداء الموظف، يشمل جمع البيانات، والمعالجة المسبقة، واختيار الميزات، وتدريب النموذج، والتحسين. يتم التأكيد على المراقبة المستمرة وتنقيح الإطار التنبؤي لضمان موثوقيته وقابليته للتكيف مع الديناميات التنظيمية المتغيرة. بشكل عام، تؤكد الدراسة على إمكانيات دمج تحليلات الأعمال والتعلم الآلي لتعزيز توقع وإدارة أداء الموظف بشكل كبير.
DOI: https://doi.org/10.32996/jbms.2024.6.1.14
Publication Date: 2024-02-10
Author(s): MD Rokibul Hasan et al.
Primary Topic: AI and HR Technologies
Overview
The research paper emphasizes the significance of workforce performance prediction in human resource management, highlighting its role in identifying and developing high-performing employees, optimizing workforce planning, and enhancing productivity. The study introduces a comprehensive model that combines business analytics with machine learning techniques to accurately forecast employee performance. By utilizing diverse data sources, including performance metrics and contextual factors, the model employs rigorous methodologies such as feature engineering, data preprocessing, and model evaluation to create effective predictive frameworks.
The findings indicate that this integrated approach significantly improves the accuracy of performance predictions, providing organizations with critical insights for informed talent management and resource allocation decisions. The study concludes that the successful implementation of this model requires ongoing monitoring and adjustments to sustain its effectiveness over time, thereby reinforcing its utility in enhancing overall organizational performance.
Introduction
The introduction of the research paper emphasizes the critical need for organizations to enhance productivity and performance through accurate employee performance forecasting. Traditional performance assessment methods often rely on subjective evaluations, which can be inconsistent and biased, thus limiting their effectiveness. To address these issues, the paper proposes a consolidated approach that integrates business analytics and machine learning techniques, which have shown promise in improving the accuracy of performance predictions (Poddar & Chattopadhyay, 2021; Lather, 2019).
The background highlights the significance of predicting employee performance for organizational success, as high-performing employees are essential for achieving company objectives and maintaining a competitive edge. However, conventional assessment methods, such as annual performance appraisals, often suffer from biases and fail to account for all relevant factors influencing performance (Fallucchi, 2020). This paper underscores the necessity for a data-driven approach to performance prediction, advocating for the use of machine learning and analytics to analyze diverse data sources—such as employee demographics and historical performance—to develop more accurate predictive models (Gupta et al., 2023).
Discussion
The research paper discusses the development and evaluation of an integrated approach that combines machine learning (ML) and business analytics for predicting employee performance. The study identifies key objectives, including determining significant variables influencing performance, employing business analytics to extract relevant features, and utilizing ML algorithms to create predictive models. The findings suggest that this consolidated approach enhances the accuracy of employee performance forecasts compared to traditional methods, thereby providing organizations with a robust framework for informed decision-making and effective employee management strategies.
The literature review highlights the increasing reliance on predictive analytics in Human Resources (HR) to optimize workforce performance, as conventional methods often fail to capture the complexities of modern workplaces. Various analytical methods, including descriptive, prescriptive, and predictive analytics, are examined, alongside machine learning techniques such as linear regression, random forests, and neural networks. The integration of these methodologies is posited as a transformative force in HR, enabling organizations to derive actionable insights from employee data and improve overall productivity.
The proposed model outlines a systematic approach to forecasting employee performance, encompassing data collection, preprocessing, feature selection, model training, and optimization. Continuous monitoring and refinement of the predictive framework are emphasized to ensure its reliability and adaptability to changing organizational dynamics. Overall, the study underscores the potential of combining business analytics and machine learning to significantly enhance employee performance prediction and management.