Методи машинного навчання як інструмент аналізу темпів кар’єрного розвитку співробітників IT-компанії
DOI:
https://doi.org/10.31498/2225-6733.52.2025.350986Ключові слова:
IT-компанія, інтелектуальний аналіз даних, інформаційні технології, кар’єрний розвиток, кластеризація, машинне навчання, оптимізація, регресійний аналізАнотація
У статті детально досліджується використання методів машинного навчання в задачах управління людськими ресурсами в IT-компаніях. В умовах високої конкуренції за кваліфіковані кадри, розуміння та прогнозування кар’єрного розвитку співробітників стає ключовим фактором для їх утримання та мотивації. Використання інструментів машинного навчання дозволяє виявити приховані закономірності у великих обсягах HR-даних і сформувати об’єктивну та ефективну картину розвитку персоналу. Метою роботи є аналіз можливостей використання методів машинного навчання для визначення динаміки кар’єрного розвитку співробітників ІТ-компанії. Завданнями роботи є формування практичного алгоритму виявлення груп фахівців за ефективністю їхнього розвитку та оцінка чинників, що впливають на темпи кар’єрного зростання. У процесі дослідження використано комплекс методів інтелектуального аналізу даних та машинного навчання, що включають методи кластеризації (метод K-Means, метод головних компонент), методи оцінки якості кластеризації (силуетний коефіцієнт), методи регресійного аналізу (лінійна регресія, B-сплайн регресія) та методи оцінки якості регресійного аналізу (метод кореня середньоквадратичної помилки, коефіцієнт детермінації). У роботі виконано попередню обробку експериментальних даних, сформульовано ознаки ефективності зростання та застосовано методи кластеризації для виявлення схожих груп співробітників за сформульованими ознаками. Також досліджено взаємозв’язок між чинником «кількість проектів» та темпами кар’єрного розвитку із подальшою оцінкою його впливу з використанням методів регресійного аналізу. У результаті дослідження виокремлено три основні групи співробітників: з високим темпом зростання, без зростання та з нестабільним зростанням. Виявлено статистично значущий вплив кількості проектів на темпи кар’єрного розвитку та нелінійну залежність між цими ознаками. Практична значущість роботи полягає в тому, що розроблені моделі та підходи можуть бути інтегровані в HR-системи IT-компаній для об’єктивної оцінки персоналу, формування кадрового резерву та розробки персоналізованих планів розвитку
Посилання
Nastase C., Adomnitei A., Apetri A. Strategic Human Resource Management in the Digital Era: Technology, Transformation, and Sustainable Advantage. Merits. 2025. Vol. 5, no. 4. Article 23. DOI: https://doi.org/10.3390/merits5040023.
The Effect of Training and Career Development on Company Performance: A Systematic Literature Review / N. T. Fabian et al. International Journal of Humanities, Law, and Politics. 2024. Vol. 2, no. 1. Pp. 19-25. DOI: https://doi.org/10.46336/ijhlp.v2i1.57.
2025 Employee Benefits Survey. URL: https://www.shrm.org/content/dam/en/shrm/topics-tools/research/employee-bene-fits/2025_annual_benefits_survey_executive_summary.pdf (дата звернення: 10.10.2025).
Ullah S., Azeem S. Effect of Employee Retention in the IT Industry. Global Management Sciences Review. 2024. Vol. IX, no. II. Pp. 83-89. DOI: https://doi.org/10.31703/gmsr.2024(ix-ii).08.
Han Wuen C. The Application of People Analytics to Enhance Decision-Making in Human Resource Management. Ambidextrous Journal of Innovation Efficiency and Technology in Organization. 2025. Vol. 2, no. 02. Pp. 88-96. DOI: https://doi.org/10.61536/ambidextrous.v2i02.179.
Dayakar Ch., Pavani P. Machine Learning Based Employee Promotion Predition. Journal of Engineering Sciences. 2023. Vol 14, no. 08. Pp. 417-423.
Ansari N., Vora N. Employee Promotion Evaluation and Prediction using Machine Learning. Journal of Information Technology and Digital World. 2024. Vol. 6, no. 4. Pp. 317-332. DOI: https://doi.org/10.36548/jitdw.2024.4.001.
Employee Promotion Prediction Using Improved AdaBoost Machine Learning Approach / M. A. Jafor et al. AIUB Journal of Science and Engineering (AJSE). 2023. Vol. 22, no. 3. Pp. 258-266. DOI: https://doi.org/10.53799/ajse.v22i3.781.
A Machine Learning Approach to Career Path Choice for Information Technology Graduates / H. Al-Dossari et al. Engineering, Technology & Applied Science Research. 2020. Vol. 10, no. 6. Pp. 6589-6596. DOI: https://doi.org/10.48084/etasr.3821.
Zhong H., Liu C., Wu C. Uncovering IT Career Path Patterns with Job Embedding-based Sequence Clustering. ACM Transactions on Management Information Systems. 2025. Vol. 16, iss. 2. Pp. 1-32. DOI: https://doi.org/10.1145/3712705.
Hollander M., Wolfe D., Chicken E. Nonparametric Statistical Methods. John Wiley & Sons, Inc., 2014. 848 p. DOI: https://doi.org/10.1002/9781119196037.
Montgomery D. C., Peck E. A., Vining G. G. Introduction to Linear Regression Analysis, 6th ed. John Wiley & Sons, Inc., 2021. 704 p.
Bowman A., Azzalini A. Applied Smoothing Techniques for Data Analysis: The Kernel Approach with S-Plus Illustrations. Oxford University Press, 1997. 204 p. DOI: https://doi.org/10.1093/oso/9780198523963.001.0001.
Han J., Kamber M., Pei J. Data Mining Concepts & Techniques. 3rd ed. Morgan Kaufmann Publishers, 2011. 744 p.
Harrel F. Regression Modeling Strategies: With Applications to Linear Models, Logistic Regression, and Survival Analysis. Springer, 2001. 600 p. DOI: https://doi.org/10.1007/978-1-4757-3462-1.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Журнал "Вісник Приазовського державного технічного університету. Серія: Технічні науки" видається під ліцензією СС-BY (Ліцензія «Із зазначенням авторства»).
Дана ліцензія дозволяє поширювати, редагувати, поправляти і брати твір за основу для похідних навіть на комерційній основі із зазначенням авторства. Це найзручніша з усіх пропонованих ліцензій. Рекомендується для максимального поширення і використання неліцензійних матеріалів.
Автори, які публікуються в цьому журналі, погоджуються з наступними умовами:
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи в цьому журналі.
2. Автори мають право укладати самостійні додаткові угоди, які стосуються неексклюзивного поширення роботи в тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи в цьому журналі.
