Luận văn tập trung nghiên cứu bài toán dự báo khả năng nghỉ việc của nhân sự tại Công ty IBM thông qua việc ứng dụng các thuật toán học máy nhằm hỗ trợ doanh nghiệp trong công tác quản trị nguồn nhân lực. Trên cơ sở hệ thống hóa các lý thuyết về quản trị nhân sự, phân tích dữ liệu và học máy, nghiên cứu tiến hành khai thác bộ dữ liệu nhân sự IBM, thực hiện các bước tiền xử lý dữ liệu như làm sạch, chuẩn hóa, mã hóa biến định tính, phân tích khám phá dữ liệu và lựa chọn các đặc trưng có ảnh hưởng đến quyết định nghỉ việc của người lao động. Các mô hình học máy gồm Logistics và Quản lý chuỗi cung ứngistic Regression, Decision Tree, Random Forest, XGBoost và LightGBM được xây dựng, huấn luyện và đánh giá thông qua các chỉ số Accuracy, Precision, Recall, F1-score và ROC-AUC để xác định mô hình có hiệu quả dự báo tốt nhất. Kết quả nghiên cứu cho thấy các yếu tố như mức thu nhập, thời gian làm việc, mức độ hài lòng trong công việc, cơ hội thăng tiến, làm thêm giờ và khoảng cách từ nhà đến nơi làm việc có ảnh hưởng đáng kể đến khả năng nghỉ việc của nhân viên. Trong số các mô hình được thử nghiệm, mô hình có hiệu quả dự báo cao nhất được lựa chọn để hỗ trợ doanh nghiệp nhận diện sớm nhóm nhân viên có nguy cơ nghỉ việc. Trên cơ sở đó, luận văn đề xuất các giải pháp về cải thiện chính sách đãi ngộ, xây dựng lộ trình phát triển nghề nghiệp, nâng cao môi trường làm việc và ứng dụng hệ thống phân tích dữ liệu trong quản trị nhân sự nhằm góp phần giảm tỷ lệ nghỉ việc, nâng cao hiệu quả sử dụng nguồn nhân lực và hỗ trợ doanh nghiệp ra quyết định dựa trên dữ liệu.

Từ khóa:

Nghiên cứu, Quản trị, Doanh nghiệp

Abstract:

The thesis focuses on studying the problem of predicting employee attrition at IBM through the application of machine-learning algorithms to support the enterprise in human-resource management. Based on systematizing theories on human-resource management, data analysis, and machine learning, the study exploits the IBM HR dataset, performing data-preprocessing steps such as cleaning, normalization, encoding of categorical variables, exploratory data analysis, and selecting features that influence employees' attrition decisions. Machine-learning models including Logistics và Quản lý chuỗi cung ứngistic Regression, Decision Tree, Random Forest, XGBoost, and LightGBM were built, trained, and evaluated using Accuracy, Precision, Recall, F1-score, and ROC-AUC indicators to determine the best-performing predictive model. Results show that factors such as income level, working hours, job-satisfaction level, promotion opportunities, overtime, and commuting distance significantly affect employees' likelihood of attrition. Among the models tested, the one with the highest predictive performance was selected to help the enterprise identify early the group of employees at risk of leaving. On this basis, the thesis proposes solutions relating to improving compensation policy, building career-development pathways, enhancing the working environment, and applying data-analysis systems in human-resource management to help reduce attrition rates, improve human-resource utilization effectiveness, and support the enterprise in making data-driven decisions.

Key word: