Phân Tích Dữ Liệu Lớn Trong Quản Lý: Dự Đoán Hao Mòn Lao Động Bằng Machine Learning

Chuyên khảo phân tích Bigdata giải thích và dự đoán sự hao mòn lao động bằng machine learning, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Nguyễn Thu Hoa
• Người hướng dẫn: TS. Trần Thị Phi Phụng
• Trường học: Trường Đại Học Tôn Đức Thắng
• Chuyên ngành: Quản Trị Kinh Doanh
• Đề tài: Dự Đoán Hao Mòn Lao Động Bằng Machine Learning
• Loại tài liệu: Báo Cáo Môn Học
• Năm xuất bản: 2023
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: BỐI CẢNH VÀ ĐỘNG LỰC
• 1.1. Bối cảnh nghiên cứu
• 1.2. Mục tiêu nghiên cứu
• 2. CHƯƠNG 2: CƠ SỞ LÝ LUẬN VÀ MÔ HÌNH NGHIÊN CỨU
• 2.1. Lý thuyết
• 2.2. Các nghiên cứu trước
• 2.3. Các mô hình nghiên cứu
• 2.4. Huấn luyện và kiểm tra
• 2.5. Đánh giá mô hình
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU ĐỊNH LƯỢNG
• 3.1. Giới thiệu sơ bộ dữ liệu
• 3.2. Khám phá dữ liệu và nhận dạng biến
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
• 4.1. Phân tích biến
• 4.2. Trực quan hóa dữ liệu
• 4.3. Quy trình chạy thuật toán
• 4.4. Kết quả từ các thuật toán
• 4.5. Kiểm định thuật toán Random Forests
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Kết luận
• 5.2. Hạn chế và hướng nghiên cứu tiếp theo
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Phân Tích Dữ Liệu Lớn Dự Đoán Hao Mòn Lao Động

Trong bối cảnh cạnh tranh gay gắt hiện nay, quản lý nhân sự hiệu quả là yếu tố then chốt để doanh nghiệp phát triển bền vững. Việc dự đoán hao mòn lao động trở nên vô cùng quan trọng, giúp doanh nghiệp chủ động ứng phó và giảm thiểu các tác động tiêu cực. Phân tích dữ liệu lớn (Big Data Analytics) kết hợp với machine learning (học máy) mở ra một hướng đi mới đầy tiềm năng trong việc giải quyết bài toán này. Bằng cách khai thác các nguồn dữ liệu đa dạng, từ thông tin cá nhân, hiệu suất làm việc đến khảo sát nhân viên, chúng ta có thể xây dựng các mô hình dự đoán chính xác, hỗ trợ quyết định dựa trên dữ liệu (data-driven decision making) và tối ưu hóa nguồn nhân lực.

1.1. Tầm quan trọng của dự đoán hao mòn lao động

Việc dự đoán hao mòn lao động giúp doanh nghiệp chủ động trong việc lập kế hoạch tuyển dụng, đào tạo và phát triển nhân viên. Điều này không chỉ giúp giảm thiểu chi phí liên quan đến việc thay thế nhân viên mà còn đảm bảo tính liên tục trong hoạt động kinh doanh. Theo nghiên cứu của Pinkovitz, Moskal & Gray (2016), chi phí thay thế một nhân viên có thể chiếm từ 50% đến 150% lương hàng năm của vị trí đó. Do đó, việc đầu tư vào các giải pháp phân tích HR để giữ chân nhân viên là một quyết định sáng suốt.

1.2. Ứng dụng Big Data Analytics trong quản lý nhân sự

Phân tích dữ liệu lớn cho phép doanh nghiệp khai thác và xử lý lượng lớn thông tin từ nhiều nguồn khác nhau, bao gồm dữ liệu nhân khẩu học, dữ liệu hiệu suất làm việc, dữ liệu khảo sát nhân viên, dữ liệu chấm công và dữ liệu đào tạo. Bằng cách sử dụng các công cụ và kỹ thuật data mining (khai phá dữ liệu), doanh nghiệp có thể tìm ra các mối quan hệ và xu hướng ẩn sâu trong dữ liệu, từ đó đưa ra các dự đoán chính xác về khả năng nhân viên rời bỏ công ty.

II. Thách Thức Trong Dự Đoán Hao Mòn Lao Động Vấn Đề Cần Giải

Mặc dù tiềm năng là rất lớn, việc dự đoán hao mòn lao động bằng machine learning cũng đối mặt với nhiều thách thức. Một trong những thách thức lớn nhất là việc thu thập và xử lý dữ liệu. Dữ liệu cần phải đầy đủ, chính xác và được cập nhật thường xuyên. Bên cạnh đó, việc lựa chọn thuật toán machine learning phù hợp và xây dựng mô hình dự đoán hiệu quả cũng đòi hỏi kiến thức chuyên môn sâu rộng. Ngoài ra, vấn đề bảo mật và quyền riêng tư của dữ liệu cũng cần được đặc biệt quan tâm.

2.1. Thu thập và xử lý dữ liệu nhân sự hiệu quả

Để xây dựng một mô hình dự đoán chính xác, doanh nghiệp cần thu thập và xử lý một lượng lớn dữ liệu từ nhiều nguồn khác nhau. Dữ liệu này có thể bao gồm thông tin cá nhân của nhân viên, lịch sử làm việc, đánh giá hiệu suất, kết quả khảo sát, và thậm chí cả dữ liệu từ mạng xã hội. Việc đảm bảo tính chính xác và đầy đủ của dữ liệu là vô cùng quan trọng, vì dữ liệu sai lệch có thể dẫn đến các dự đoán không chính xác.

2.2. Lựa chọn thuật toán Machine Learning phù hợp

Có rất nhiều thuật toán machine learning khác nhau có thể được sử dụng để dự đoán hao mòn lao động, bao gồm mô hình hồi quy (regression models), mô hình phân loại (classification models), mô hình cây quyết định (decision tree models), mô hình rừng ngẫu nhiên (random forest models) và mô hình mạng nơ-ron (neural network models). Việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu của bài toán. Cần thử nghiệm và so sánh hiệu quả của các thuật toán khác nhau để tìm ra thuật toán tốt nhất.

2.3. Đảm bảo bảo mật và quyền riêng tư dữ liệu

Việc sử dụng dữ liệu nhân sự để dự đoán hao mòn lao động đặt ra nhiều vấn đề về bảo mật và quyền riêng tư. Doanh nghiệp cần tuân thủ các quy định pháp luật về bảo vệ dữ liệu cá nhân và đảm bảo rằng dữ liệu được sử dụng một cách có trách nhiệm và minh bạch. Cần có các biện pháp bảo mật phù hợp để ngăn chặn truy cập trái phép và lạm dụng dữ liệu.

III. Phương Pháp Dự Đoán Hao Mòn Lao Động Bằng Machine Learning

Để dự đoán hao mòn lao động hiệu quả, cần áp dụng một quy trình bài bản, bao gồm các bước: thu thập và tiền xử lý dữ liệu, lựa chọn và huấn luyện mô hình machine learning, đánh giá hiệu suất mô hình và triển khai ứng dụng. Trong quá trình này, việc sử dụng các công cụ và thư viện hỗ trợ như Python, R, SQL, Tableau, Power BI, Spark và Hadoop là vô cùng quan trọng. Cần liên tục theo dõi và cải tiến mô hình dự đoán để đảm bảo tính chính xác và phù hợp với sự thay đổi của môi trường kinh doanh.

3.1. Thu thập và tiền xử lý dữ liệu nhân sự

Bước đầu tiên trong quy trình là thu thập dữ liệu từ các nguồn khác nhau, bao gồm hệ thống quản lý nhân sự (HRMS), khảo sát nhân viên, và các nguồn dữ liệu bên ngoài. Sau khi thu thập, dữ liệu cần được làm sạch và tiền xử lý để loại bỏ các giá trị thiếu, giá trị ngoại lai và chuyển đổi dữ liệu về định dạng phù hợp cho thuật toán machine learning. Các kỹ thuật tiền xử lý dữ liệu phổ biến bao gồm chuẩn hóa dữ liệu, mã hóa dữ liệu và giảm chiều dữ liệu.

3.2. Xây dựng và huấn luyện mô hình Machine Learning

Sau khi dữ liệu đã được tiền xử lý, bước tiếp theo là lựa chọn thuật toán machine learning phù hợp và xây dựng mô hình dự đoán. Dữ liệu được chia thành hai tập: tập huấn luyện (training set) và tập kiểm tra (testing set). Mô hình được huấn luyện trên tập huấn luyện và sau đó được đánh giá trên tập kiểm tra để đánh giá hiệu suất. Quá trình này có thể được lặp lại nhiều lần để tối ưu hóa các tham số của mô hình.

3.3. Đánh giá và triển khai mô hình dự đoán

Sau khi mô hình đã được huấn luyện, cần đánh giá hiệu suất của mô hình trên tập kiểm tra. Các chỉ số đánh giá phổ biến bao gồm độ chính xác (accuracy), độ thu hồi (recall), độ đo F1 (F1-score) và diện tích dưới đường cong ROC (AUC-ROC). Nếu hiệu suất của mô hình đạt yêu cầu, mô hình có thể được triển khai để dự đoán hao mòn lao động trong thực tế. Cần liên tục theo dõi và đánh giá hiệu suất của mô hình để đảm bảo tính chính xác và phù hợp.

IV. Ứng Dụng Thực Tiễn Kết Quả Nghiên Cứu Dự Đoán Hao Mòn

Nghiên cứu về dự đoán hao mòn lao động bằng machine learning đã mang lại những kết quả đáng khích lệ. Các mô hình dự đoán có thể đạt độ chính xác cao trong việc xác định những nhân viên có nguy cơ rời bỏ công ty. Kết quả này có thể được sử dụng để xây dựng các chương trình giữ chân nhân viên hiệu quả, cải thiện môi trường làm việc và tăng cường sự gắn kết của nhân viên với doanh nghiệp. Ví dụ, nghiên cứu của nhóm sinh viên trường Đại học Tôn Đức Thắng đã sử dụng các thuật toán như Decision Trees, Random Forests, k-Nearest Neighbours và Naive Bayes để dự đoán sự hao mòn lao động.

4.1. Phân tích các yếu tố ảnh hưởng đến hao mòn lao động

Các mô hình dự đoán không chỉ giúp dự đoán khả năng nhân viên rời bỏ công ty mà còn giúp xác định các yếu tố ảnh hưởng đến quyết định này. Các yếu tố này có thể bao gồm mức độ hài lòng trong công việc, đánh giá hiệu suất, số lượng dự án, số giờ làm việc, thời gian làm việc tại công ty, tai nạn lao động và cơ hội thăng tiến. Việc hiểu rõ các yếu tố này giúp doanh nghiệp đưa ra các biện pháp can thiệp phù hợp.

4.2. Xây dựng chương trình giữ chân nhân viên hiệu quả

Dựa trên kết quả phân tích, doanh nghiệp có thể xây dựng các chương trình giữ chân nhân viên hiệu quả. Các chương trình này có thể bao gồm cải thiện môi trường làm việc, tăng cường cơ hội đào tạo và phát triển, cung cấp các phúc lợi hấp dẫn, và tạo ra một văn hóa doanh nghiệp tích cực. Mục tiêu là tạo ra một môi trường làm việc mà nhân viên cảm thấy được trân trọng, được thử thách và có cơ hội phát triển.

4.3. Cải thiện hiệu quả quản lý nhân sự nhờ dự đoán

Việc dự đoán hao mòn lao động giúp bộ phận quản lý nhân sự chủ động hơn trong việc lập kế hoạch và đưa ra các quyết định. Thay vì phản ứng sau khi nhân viên đã quyết định rời bỏ công ty, bộ phận quản lý nhân sự có thể chủ động can thiệp để giữ chân nhân viên và giảm thiểu các tác động tiêu cực. Điều này giúp cải thiện hiệu quả quản lý nhân sự và đóng góp vào sự thành công chung của doanh nghiệp.

V. Kết Luận Tương Lai Của Phân Tích Dữ Liệu Trong Quản Lý

Phân tích dữ liệu lớn và machine learning đang thay đổi cách thức quản lý nhân sự được thực hiện. Việc dự đoán hao mòn lao động chỉ là một trong nhiều ứng dụng tiềm năng của công nghệ này. Trong tương lai, chúng ta có thể kỳ vọng vào sự phát triển của các giải pháp phân tích HR thông minh hơn, giúp doanh nghiệp đưa ra các quyết định chính xác hơn và tối ưu hóa nguồn nhân lực một cách hiệu quả hơn. Tuy nhiên, cần lưu ý rằng công nghệ chỉ là công cụ, và yếu tố con người vẫn đóng vai trò quan trọng trong việc xây dựng một môi trường làm việc tích cực và giữ chân nhân viên.

5.1. Hạn chế và hướng nghiên cứu tiếp theo

Mặc dù đã đạt được những tiến bộ đáng kể, nghiên cứu về dự đoán hao mòn lao động vẫn còn nhiều hạn chế. Một trong những hạn chế lớn nhất là sự thiếu hụt dữ liệu chất lượng cao. Cần có thêm nhiều nghiên cứu để thu thập và chia sẻ dữ liệu, cũng như phát triển các phương pháp tiền xử lý dữ liệu hiệu quả hơn. Ngoài ra, cần có thêm nhiều nghiên cứu để khám phá các thuật toán machine learning mới và phát triển các mô hình dự đoán chính xác hơn.

5.2. Ứng dụng AI trong quản lý nhân sự toàn diện

Trong tương lai, chúng ta có thể kỳ vọng vào sự phát triển của các giải pháp quản lý nhân sự toàn diện dựa trên trí tuệ nhân tạo (AI). Các giải pháp này có thể tự động hóa nhiều tác vụ quản lý nhân sự, từ tuyển dụng và đào tạo đến đánh giá hiệu suất và dự đoán hao mòn lao động. Điều này giúp bộ phận quản lý nhân sự tập trung vào các hoạt động chiến lược hơn, như xây dựng văn hóa doanh nghiệp và phát triển lãnh đạo.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: BỐI CẢNH VÀ ĐỘNG LỰC 1. Bối cảnh nghiên cứu Quản lý việc giữ chân nhân viên có triển vọng được coi là phương tiện cơ bản để đạt được lợi thế cạnh tranh giữa các tổ chức (Walker, 2001). Trên thực tế hiện nay nhiều tổ chức đang phải đối mặt với một vấn đề nghiêm trọng rằng những nhân viên có giá trị và kinh nghiệm rời bỏ tổ chức hàng ngày theo Praphula Kumar Jain1; Madhur Jain2; Rajendra Pamula1 (2020)., Pinkovitz, Moskal & Gray (2016) nhận định rằng: “Chi phí để thay thế một nhân viên ước tính chiếm khoảng 50% đến 150% tiền lương hàng năm của vị trí đó, với tỷ lệ cao hơn đối với nhân viên quản lý. Chi phí có thể bao gồm: chi phí tuyển dụng, đào tạo, tiệc chia tay…Vì lý do này, mọi tổ chức đều muốn kiểm soát tỷ lệ tiêu hao và duy trì nhân viên của mình thông qua các chính sách và môi trường làm việc thỏa đáng hơn.” Praphula Kumar Jain1; Madhur Jain2; Rajendra Pamula1 (2020) đã nhận định rằng: “Trong những năm gần đây, các kỹ thuật máy học chưa được sử dụng để giải quyết vấn đề tiêu hao nhân viên.

Trong khi đó, các kỹ thuật máy học được phát hiện có thể đánh giá và đưa ra dự đoán để giúp những người đứng đầu có thể đánh giá và đưa ra những định hướng giải quyết cho sự rời bỏ của nhân viên đối với công ty.” Ý tưởng cơ bản trong bài nghiên cứu này là đo lường hiệu quả của việc đánh giá nhân viên và tỷ lệ hài lòng trong công ty. Theo Praphula Kumar Jain1; Madhur Jain2; Rajendra Pamula1 (2020) cho rằng, điều này có thể giúp tổ chức đề ra những giải pháp để làm giảm tỷ lệ nhân viên nghỉ việc. Công việc nghiên cứu hiện tại sẽ hữu ích cho hầu hết các công ty khi biết về mức độ hài lòng của nhân viên và thu được một số thông tin hữu ích giúp kiểm soát tỷ lệ nghỉ việc. Trong bài báo này, các kỹ thuật học máy được sử dụng trong vấn đề tiêu hao nhân viên.

Cũng theo Praphula Kumar Jain1; Madhur Jain2; Rajendra Pamula1 (2020) nói rằng, bằng cách áp dụng các kỹ thuật học máy vượt trội hơn dự đoán xác suất nhân viên có thể nghỉ việc. Phương pháp này đã giúp cho công việc nghiên cứu hiện tại hoàn thành với một mô hình dự đoán hoàn chỉnh. Cách tiếp cận mới tập trung vào học máy đã được sử dụng để tăng cường các phương pháp giữ chân khác nhau cho 13 các nhân viên mục tiêu. Ngoài ra còn có một nỗ lực trong bài báo này để làm sáng tỏ một số yếu tố khác nhau ảnh hưởng đến tỷ lệ tiêu hao của người lao động và các giải pháp khả thi của họ.

Thực hiện nguyên tắc này sẽ giúp ban lãnh đạo trong việc đánh giá nhân viên và trong quá trình ra quyết định công nhận những nhân viên có giá trị sẽ rời bỏ công ty. Sử dụng phương pháp này, có thể dự đoán trước được sự rời đi của nhân viên và ban quản lý có thể thực hiện các hành động phòng ngừa. Mục tiêu nghiên cứu Nghiên cứu này sẽ giúp cho các công ty: 1. Sử dụng Machine Learning để dự đoán biến nào có mối tương quan nhiều nhất đến sự hao mòn lao động trong công ty.

Đo lường những yếu tố ảnh hưởng trực tiếp đến sự rời bỏ công ty của nhân viên, từ đó dự đoán được nhân viên có ý định nghỉ việc hay không. So sánh và tìm ra thuật toán tốt nhất, có kết quả chính xác nhất. Đề xuất những giải pháp để kiểm soát tỷ lệ hao hụt nhân viên. 14 CHƯƠNG 2: CƠ SỞ LÝ LUẬN VÀ MÔ HÌNH NGHIÊN CỨU 2.

Lý thuyết STT Biến Lý thuyết Hoppock (1935) định nghĩa sự hài lòng trong công việc là phản ứng cảm xúc của nhân viên đối với công việc của họ. Cũng giống như bất kỳ loại hài lòng nào khác, sự hài lòng trong công việc là một năng lực mà cảm xúc có ảnh hưởng mạnh mẽ. Hiệu ứng này bao gồm những cảm xúc về sự thích thú và ác cảm. Đồng thời, sự hài lòng trong công việc có thể được định nghĩa là sự thích thú trong công việc (Izgar, 2000).

Sisek (1998) định nghĩa sự hài lòng trong công việc là niềm hạnh phúc dựa trên việc tạo ra công việc với đồng nghiệp và thu được lợi nhuận từ công việc. Định nghĩa được chấp nhận phổ biến nhất của Locke (1983) giải 1 Job satisfaction thích sự hài lòng trong công việc là sự đánh giá về kinh nghiệm và bản thân công việc cũng như những cảm xúc tích cực dựa trên sự đánh giá này. Dubrin (1974) định nghĩa sự hài lòng là cơ sở của niềm vui đối với công việc. Thuật ngữ “Niềm vui” được sử dụng trong định nghĩa của Dubrin tương đương với “cảm xúc tích cực” trong định nghĩa của Locke.

Điểm chung trong các định nghĩa này là thái độ tích cực của người lao động đối với công việc. Những thái độ này có thể được chấp nhận như một dấu hiệu cho thấy sự hài lòng của nhân viên đối với công việc (Akt. 15 Sự hài lòng trong công việc có ảnh hưởng mạnh mẽ đến chất lượng công việc trong tổ chức. Đó là lý do tại sao trong các tổ chức, các phương pháp và kỹ thuật khác nhau đã được sử dụng để thúc đẩy sự hài lòng trong công việc của nhân viên.

Kết quả của những nỗ lực thúc đẩy sự hài lòng trong công việc là hiệu quả làm việc của nhân viên có thể được nâng cao (Schoderbek, Cozier & Aplin, 1991; Sevimli & Iscan, 2005). Đánh giá hiệu suất của các cá nhân, và cuối cùng là các tổ chức, phải là một quy trình có hệ thống và định kỳ nhằm đánh giá hiệu suất và năng suất công việc của từng nhân viên liên quan đến các tiêu chí và mục tiêu tổ chức đã thiết lập trước (Abu-Doleh & Weir, 2007; Manasa & Reddy, 2009 ) bên cạnh các khía cạnh khác của cá nhân nhân viên như hành vi công dân tổ chức, thành tích, tiềm năng cải thiện trong tương lai, điểm mạnh và điểm yếu (Broady-Preston & Steel, 2002; 2 Last evaluation Manasa & Reddy, 2009; Muchinsky, 2006). Lý do cơ bản để sử dụng đánh giá hiệu suất hoặc ước lượng là để cải thiện hiệu suất công việc cả ở cấp độ cá nhân nhân viên và quan trọng hơn là ở cấp độ tổ chức (DeNisi & Pritchard, 2006). Một số phương pháp để đánh giá nhân viên bao gồm: quản trị theo quá trình (Management By Process), quản trị theo mục tiêu (Management By Objectives), đánh giá theo hành vi (BARS), phản hồi 360 độ,.

Number of Số lượng dự án được giao cho nhân viên theo một mốc 3 projects thời gian xác định như một quý (thời gian 3 tháng) cũng 16 ảnh hưởng đến quá trình tâm lý suy nghĩ của nhân viên (Keegan và Hartog, 2019). Số giờ trung bình hàng tháng của nhân viên trong công ty cũng là một trong những nhân tố ảnh hưởng đến sự hao hụt lực lượng lao động. Số giờ trung bình hàng tháng của nhân viên cao thì mức độ công việc cũng như vai trò của họ đối với công ty cũng cao. Họ cống hiến Average 4 sức lực và chất xám gần như tuyệt đối.

Chính vì thế, monthly hours nếu công ty muốn giữ chân nhân viên để làm việc lâu dài thì buộc công ty phải đáp ứng các yêu cầu quyền lợi của họ. Nếu công ty không thể đáp ứng các điều khoản nhân viên đưa ra thì họ có thể nghỉ việc và điều này làm tăng tỷ lệ hao mòn nhân viên. Thời gian dành cho công ty là số giờ mỗi ngày nhân viên dành cho công ty. Công việc ngày càng thay đổi thành văn hóa hợp đồng ngắn hạn với nhiều giờ làm việc, cảm giác không an toàn trong công việc và suy giảm lòng trung thành của nhân viên đối với người sử dụng lao động (Cooper, 1999).

Nhiều nhân viên cảm Time spend 5 thấy họ không thể đáp ứng nhu cầu ngày càng cao và kỳ company vọng về thời gian dành riêng cho công việc được trả lương vì những cam kết chăm sóc không được trả lương của họ. Hơn nữa, họ có thể thấy mình ngày càng xa cách khỏi gia đình và các hoạt động giải trí bởi sự tăng lên của thời gian làm việc và cường độ làm việc (Lewis et al. Nếu số tai nạn xảy ra với nhân viên trong công ty mỗi 6 Work accident tháng tăng thì đồng nghĩa công ty chưa có chính sách bảo hộ lao động hiệu quả. Nguyên nhân của các vụ tai 17 nạn có thể được chia thành hai loại là hành động không an toàn và điều kiện không an toàn (Sijabat, 2014).

Trong một nghiên cứu khác, tai nạn lao động là tai nạn xảy ra do thực hiện công việc phục vụ công ty, gây thương tích cơ thể hoặc rối loạn chức năng dẫn đến tử vong, mất hoặc giảm khả năng lao động, có thể là tạm thời hoặc vĩnh viễn (Palucci Marziale và cộng sự, 2014). Tiêu hao là sự giảm sút bình thường và không kiểm soát được của lực lượng lao động do nghỉ hưu, qua đời, ốm đau và chuyển chỗ ở. Đó là một phương pháp giảm quy mô lực lượng lao động mà ban quản lý không thực hiện bất kỳ hành động công khai nào. Nói chung tiêu hao là giảm hoặc mất nhân viên thông qua các điều kiện khác nhau.

Hầu hết nhân viên sẽ thực hiện vài lần chuyển đổi giữa các công việc trong suốt cuộc đời làm việc của họ. Những điều này có thể bao gồm thay đổi công việc 7 Attrition trong một công ty hoặc rời khỏi một công ty để nhận công việc ở một công ty khác. Trong cả hai trường hợp, nhân viên thường có ý định phát triển và nâng cao kỹ năng, trách nhiệm và thù lao, và/hoặc cải thiện “sự phù hợp” giữa kỹ năng và mong muốn của nhân viên và yêu cầu công việc (Fisher, 2004). Việc mất nhân viên của một tổ chức có thể được chia thành ba nhóm lớn: mất cân bằng giữa công việc và cuộc sống, hao hụt một cách tự nhiên và nghỉ hưu (Bennisonn and Casson, 1984).

Sự thăng tiến được xác định trước trong dữ liệu do công 8 Promotion ty cung cấp và tương ứng với việc tăng bậc lương của một người. Thăng tiến là một đại diện phổ biến của 18 năng suất đối với những người lao động có tay nghề cao hơn (Brown và cộng sự, 2016; Lyle và Smith, 2014). Một doanh nghiệp thường được chia thành một loạt các bộ phận khác nhau. Mỗi bộ phận có một chức năng cụ thể trong hoạt động của doanh nghiệp.

Mỗi chức năng khác nhau này là một phần quan trọng trong toàn bộ hoạt động kinh doanh.