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

Trong bối cảnh cạnh tranh gay gắt hiện nay, quản lý nhân sự hiệu quả là yếu tố then chốt để doanh nghiệp phát… 80 trang · Trường Đại Học Tôn Đức Thắng · 2023.

• 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.

Nội dung chính

Phân Tích Dữ Liệu Lớn Trong Quản Trị Nhân Sự: Giải Thích Và Dự Đoán Sự Hao Mòn Lao Động Bằng Machine Learning

---

Tóm tắt nghiên cứu (Research Summary)

Nghiên cứu "Phân tích dữ liệu lớn trong quản lý: Giải thích và dự đoán sự hao mòn lao động bằng Machine Learning" do nhóm nghiên cứu tại Khoa Quản trị Kinh doanh, Trường Đại học Tôn Đức Thắng thực hiện, tập trung giải quyết câu hỏi cốt lõi: Những yếu tố nào tác động mạnh nhất đến quyết định nghỉ việc của nhân viên và mô hình học máy nào mang lại hiệu quả dự báo chính xác nhất về tỷ lệ hao mòn lao động (Employee Attrition)?

Sử dụng bộ dữ liệu chuẩn hóa gồm 14.999 quan sát với 10 thuộc tính đặc trưng trong môi trường doanh nghiệp, nhóm tác giả đã triển khai quy trình khai phá dữ liệu trên nền tảng RapidMiner. Nghiên cứu thực hiện đánh giá so sánh hiệu năng của 5 thuật toán học máy có giám sát phổ biến: Random Forest (RF), Decision Tree (DT), Support Vector Machines (SVM), k-Nearest Neighbors (k-NN) và Naive Bayes (NB) thông qua kỹ thuật kiểm định chéo 10-Fold Cross-Validation.

Kết quả thực nghiệm chỉ ra rằng mức độ hài lòng trong công việc (Satisfaction Level) là nhân tố có mối tương quan nghịch mạnh nhất ($r = -0.39$) đối với hành vi rời bỏ tổ chức. Bên cạnh đó, các yếu tố về áp lực công việc (số giờ làm việc trung bình hàng tháng, số lượng dự án đảm nhiệm) và chính sách lương thưởng cũng đóng vai trò quyết định. Về mặt kỹ thuật mô hình, Random Forest thể hiện tính ưu việt vượt trội về độ chính xác (Accuracy), Precision, Recall và F1-score khi áp dụng phân loại trên từng phòng ban trọng điểm (Sales, Technical, Support, IT). Nghiên cứu cung cấp cơ sở định lượng vững chắc giúp các nhà quản trị chuyển đổi từ mô hình giữ chân nhân sự phản ứng bị động sang chiến lược dự báo chủ động.

---

Bối cảnh và tầm quan trọng (Context & Significance)

Trong kỷ nguyên kinh tế tri thức và cạnh tranh toàn cầu, nguồn nhân lực (HR) được thừa nhận rộng rãi là tài sản chiến lược cốt lõi tạo nên lợi thế cạnh tranh bền vững cho doanh nghiệp. Tuy nhiên, tình trạng biến động nhân sự và gia tăng tỷ lệ hao mòn lao động đang trở thành bài toán hóc búa cho các tổ chức thuộc mọi quy mô. Theo các nghiên cứu kinh tế quản trị (tiêu biểu như Pinkovitz, Moskal & Gray), chi phí trực tiếp và gián tiếp để thay thế một nhân sự rời đi ước tính dao động từ 50% đến 150% tổng mức lương hàng năm của vị trí đó, thậm chí cao hơn gấp nhiều lần đối với các cấp bậc quản lý hoặc chuyên gia kỹ thuật cao cấp. Chi phí này bao gồm chi phí tuyển dụng, đào tạo hội nhập, năng suất bị gián đoạn và sự suy giảm tinh thần của đội ngũ ở lại.

Mặc dù vấn đề giữ chân nhân tài đã được mổ xẻ nhiều trong lý thuyết quản trị truyền thống, đa số các phương pháp tiếp cận hiện hành vẫn dựa trên phân tích hồi quy đơn giản, bảng khảo sát định kỳ hoặc phỏng vấn thôi việc (Exit Interview) – những phương pháp mang tính thụ động, chậm trễ và thiếu khả năng dự báo hành vi cá nhân trong tương lai. Sự bùng nổ của dữ liệu lớn (Big Data) và các kỹ thuật Trí tuệ nhân tạo (AI/Machine Learning) đã mở ra một khoảng trống nghiên cứu (research gap) quan trọng: Làm thế nào để tận dụng dữ liệu vận hành nhân sự hàng ngày nhằm xây dựng một hệ thống cảnh báo sớm (Early Warning System) có độ tin cậy cao?

Nghiên cứu này có tính thời sự đặc biệt khi các doanh nghiệp đang tích cực chuyển đổi số trong quản trị (People Analytics). Việc nhận diện sớm những cá nhân hoặc nhóm phòng ban có nguy cơ rời bỏ cao cho phép ban lãnh đạo can thiệp kịp thời bằng các chính sách đãi ngộ, tái cấu trúc khối lượng công việc và cải thiện môi trường làm việc trước khi quyết định nghỉ việc thực sự diễn ra, qua đó bảo toàn vốn tri thức và tối ưu hóa chi phí vận hành tổ chức.

---

Methodology và approach (Phương pháp & Tiếp cận nghiên cứu)

Nghiên cứu được thiết kế theo quy trình khoa học dữ liệu thực nghiệm chuẩn mực, kết hợp giữa phân tích thống kê mô tả, phân tích tương quan và mô hình hóa học máy có giám sát (Supervised Learning).

[Bộ dữ liệu 14.999 bản ghi] 
[10-Fold Cross-Validation]

1. Thu thập và mô tả thuộc tính dữ liệu

Tập dữ liệu nghiên cứu bao gồm 14.999 bản ghi nhân viên với 10 biến số phản ánh toàn diện các khía cạnh công việc:

• Biến mục tiêu (Target Variable): Left / Attrition (Biến nhị phân: 0 - Ở lại, 1 - Rời đi).
• Các biến dự đoán (Predictor Variables):
  • Satisfaction Level (Mức độ hài lòng: biến liên tục từ 0 đến 1).
  • Last Evaluation (Điểm đánh giá hiệu suất gần nhất: biến liên tục từ 0 đến 1).
  • Number of Projects (Số lượng dự án tham gia: biến phân loại từ 2 đến 7).
  • Average Monthly Hours (Số giờ làm việc trung bình hàng tháng: biến liên tục, từ 96 đến 310 giờ).
  • Time Spend Company (Thâm niên công tác: biến liên tục, số năm gắn bó).
  • Work Accident (Tiền sử tai nạn lao động: biến nhị phân 0/1).
  • Promotion in Last 5 Years (Được thăng chức trong 5 năm qua: biến nhị phân 0/1).
  • Department (Phòng ban công tác: Sales, Technical, Support, IT, v.v.).
  • Salary (Mức thu nhập: Thấp, Trung bình, Cao).

2. Kỹ thuật phân tích và thuật toán áp dụng

Quy trình mô hình hóa được thực hiện thông qua phần mềm chuyên dụng RapidMiner với 5 thuật toán cốt lõi:

1. Decision Trees (Cây quyết định): Phân chia không gian dữ liệu dựa trên chỉ số Entropy và Information Gain.
2. Random Forests (Rừng ngẫu nhiên): Kỹ thuật Ensemble kết hợp đa cây quyết định với cơ chế lấy mẫu ngẫu nhiên (Bootstrap Aggregating) và bỏ phiếu đa số để tối ưu hóa tính khái quát.
3. Support Vector Machines (SVM): Tìm siêu phẳng tối ưu phân tách hai lớp nhị phân với khoảng cách biên lớn nhất.
4. k-Nearest Neighbours (k-NN): Phân lớp dựa trên khoảng cách hình học (Euclidean, Manhattan) đến k điểm lân cận.
5. Naïve Bayes (NB): Phân loại xác suất dựa trên định lý Bayes với giả định độc lập có điều kiện giữa các biến.

3. Đảm bảo độ tin cậy và thẩm định mô hình

Để khắc phục triệt để hiện tượng quá khớp (Overfitting) và đảm bảo tính hợp lệ ngoại tại (External Validity), nghiên cứu áp dụng kỹ thuật 10-Fold Cross-Validation. Dữ liệu được chia ngẫu nhiên thành 10 phần bằng nhau; mô hình được huấn luyện trên 9 phần và kiểm thử trên phần còn lại, lặp lại tuần tự 10 lần. Hiệu năng được đo lường toàn diện qua Confusion Matrix (Ma trận nhầm lẫn) với các thước đo: Độ chính xác tổng thể (Accuracy), Độ chuẩn xác (Precision), Độ nhạy (Recall) và Trung bình điều hòa F1-score.

---

Phát hiện chính của nghiên cứu (Key Findings)

Dựa trên kết quả phân tích thống kê định lượng và mô hình hóa máy học, nghiên cứu đã rút ra 5 phát hiện mang tính bước ngoặt:

1. Mức độ hài lòng là chỉ báo dự báo số 1 ($r = -0.39$)

Phân tích ma trận tương quan khẳng định Satisfaction Level có độ tương quan nghịch lớn nhất với biến Left. Khi chỉ số hài lòng của nhân viên tụt xuống dưới ngưỡng 0.45, xác suất nhân viên nộp đơn nghỉ việc tăng vọt. Đây là biến đơn lẻ mang nhiều thông tin phân loại nhất trong toàn bộ tập dữ liệu.

2. Hiện tượng kiệt sức (Burnout) và mối quan hệ giữa số giờ làm việc với số lượng dự án

Dữ liệu cho thấy số giờ làm việc trung bình hàng tháng phân bổ trong khoảng từ 96 đến 310 giờ. Đồ thị phân tích hai biến chỉ ra một thực trạng rõ nét: Những nhân viên phải gánh vác từ 6 đến 7 dự án đồng thời có số giờ làm việc chạm ngưỡng cực đại (290–310 giờ/tháng) sở hữu tỷ lệ rời bỏ công ty gần như tuyệt đối. Ngược lại, nhóm nhân viên chỉ có 2 dự án với số giờ làm thấp (dưới 120 giờ/tháng) cũng rời đi do cảm giác không được trọng dụng hoặc thiếu cơ hội phát triển. Khoảng tối ưu duy trì sự gắn kết bền vững là 3 đến 5 dự án với mức làm việc 150 đến 220 giờ/tháng.

3. Nghịch lý đánh giá hiệu suất (Bimodal Evaluation Trap)

Điểm đánh giá hiệu suất cuối cùng (Last Evaluation) ở nhóm nhân sự rời đi biểu hiện phân phối hai đỉnh rõ rệt:

• Nhóm hiệu suất thấp (< 0.45): Nghỉ việc do không đáp ứng được yêu cầu công việc hoặc tự đào thải.
• Nhóm hiệu suất xuất sắc (> 0.80): Nghỉ việc do tình trạng quá tải, thiếu lộ trình thăng tiến tương xứng hoặc bị các doanh nghiệp đối thủ săn đón.

4. Thu nhập và cơ hội thăng tiến: Rào cản giữ chân nhân sự

Hơn 70% lượng nhân viên nghỉ việc nằm ở nhóm có mức lương Thấp (Low) và Trung bình (Medium). Tỷ lệ được thăng chức trong 5 năm gần nhất của lực lượng lao động khảo sát ở mức cực kỳ khiêm tốn, và những nhân viên không nhìn thấy cơ hội thăng tiến có xu hướng rời bỏ công ty sau 3 đến 5 năm gắn bó (Time Spend Company).

5. Sự vượt trội của thuật toán Random Forest

Khi triển khai chạy kiểm định trên 4 phòng ban có quy mô nhân sự lớn nhất (Sales: 4.140 người, Technical: 2.720 người, Support: 2.229 người, IT: 1.227 người), thuật toán Random Forest liên tục áp đảo các mô hình còn lại (Decision Trees, SVM, k-NN, Naive Bayes) về độ chính xác và chỉ số F1-score. Random Forest xử lý xuất sắc các quan hệ phi tuyến, không bị ảnh hưởng bởi tính tương quan giữa các biến phụ thuộc và triệt tiêu tốt hiện tượng nhiễu dữ liệu.

---

Đóng góp khoa học và ứng dụng thực tiễn

1. Đóng góp về mặt lý thuyết và học thuật (Theoretical Contributions)

• Làm phong phú thêm hệ thống lý thuyết Quản trị nguồn nhân lực (HRM) thông qua việc lượng hóa các mô hình hành vi rút lui lao động (Withdrawal Behavior Theory).
• Chứng minh tính khả thi của việc tích hợp lý thuyết khoa học máy tính (Machine Learning) vào phân tích hành vi tổ chức, mở rộng hướng tiếp cận liên ngành giữa Quản trị kinh doanh và Khoa học dữ liệu.

2. Đổi mới về mặt phương pháp luận (Methodological Innovations)

• Xây dựng quy trình xử lý dữ liệu chuẩn hóa trên công cụ RapidMiner, kết hợp chặt chẽ giữa phân loại lọc theo phòng ban (Filter Examples) và kiểm định chéo K-Fold Cross-Validation.
• Sử dụng đồng thời bộ chỉ số toàn diện (Confusion Matrix, Precision, Recall, F1-Score) thay vì chỉ dựa vào Accuracy đơn thuần, khắc phục triệt để sai lệch do mất cân bằng dữ liệu (Imbalanced Data) khi tỷ lệ nhân viên ở lại chiếm đa số (>75%).

3. Ý nghĩa ứng dụng trong doanh nghiệp (Practical & Policy Implications)

• Thiết lập hệ thống dự báo chủ động: Doanh nghiệp có thể nhúng mô hình Random Forest vào hệ thống phần mềm ERP/HRM để tính toán điểm số rủi ro nghỉ việc (Attrition Risk Score) cho từng nhân viên theo thời gian thực.
• Tối ưu hóa chính sách phân bổ công việc: Cảnh báo các cấp quản lý khi một nhân sự bị phân công vượt quá 5 dự án hoặc làm việc quá 240 giờ/tháng nhằm ngăn chặn hiện tượng kiệt sức ở nhóm nhân sự tài năng.
• Tái cấu trúc đãi ngộ và lộ trình nghề nghiệp: Thiết kế lại khung lương thưởng cạnh tranh cho các phòng ban kỹ thuật/kinh doanh mũi nhọn và xây dựng tiêu chuẩn thăng tiến minh bạch cho chu kỳ 3 năm làm việc.

---

Đối tượng hưởng lợi từ nghiên cứu

• Nhà nghiên cứu học thuật (Academic Researchers): Có thêm khung tham chiếu thực nghiệm chi tiết về hiệu năng so sánh giữa các thuật toán phân lớp trên tập dữ liệu HR thực tế.
• Giám đốc Nhân sự và Trưởng phòng ban (HR Leaders & Line Managers): Nắm bắt được các "ngưỡng cảnh báo đỏ" (chỉ số hài lòng < 0.45, số dự án > 5, làm thêm giờ quá mức) để kịp thời đối thoại và giữ chân nhân viên chủ chốt.
• Lãnh đạo Doanh nghiệp (C-Level Executives): Nhìn nhận rõ tác động tài chính của biến động nhân sự, từ đó phê duyệt các chính sách đầu tư thích đáng vào trải nghiệm nhân viên và công nghệ People Analytics.

---

Câu hỏi thường gặp (FAQ)

1. Yếu tố nào đóng vai trò quyết định nhất khiến nhân viên rời bỏ công ty?

Phân tích chỉ ra rằng Mức độ hài lòng trong công việc (Satisfaction Level) có tác động nghịch đảo mạnh nhất đến quyết định nghỉ việc ($r = -0.39$). Khi mức độ hài lòng giảm xuống dưới mức trung bình, nguy cơ nhân viên tìm kiếm cơ hội mới tăng theo cấp số nhân, bất kể vị trí hay thâm niên.

2. Phương pháp nghiên cứu này có điểm gì nổi bật so với các báo cáo nhân sự truyền thống?

Thay vì phân tích hồi quy tuyến tính đơn giản hoặc tổng kết khảo sát tĩnh, nghiên cứu áp dụng 5 thuật toán Machine Learning hiện đại kết hợp với 10-Fold Cross-Validation và đánh giá qua Confusion Matrix, giúp mô hình nắm bắt được các mối quan hệ phi tuyến phức tạp giữa tải trọng công việc, hiệu suất và mức lương.

3. Kết quả của nghiên cứu có thể khái quát hóa (generalize) cho mọi doanh nghiệp không?

Mô hình mang tính khái quát hóa cao đối với các doanh nghiệp hoạt động trong các lĩnh vực có cơ cấu phòng ban tiêu chuẩn như Sales, IT, Kỹ thuật và Hỗ trợ khách hàng. Tuy nhiên, các tổ chức đặc thù cần hiệu chỉnh trọng số dựa trên bộ dữ liệu nội bộ riêng để đạt độ chính xác tối ưu.

4. Hướng phát triển tiếp theo của nghiên cứu này là gì?

Các bước tiếp theo bao gồm việc thu thập dữ liệu chuỗi thời gian (Time-series data) để theo dõi biến thiên tâm lý nhân viên theo từng tháng, tích hợp xử lý ngôn ngữ tự nhiên (NLP) phân tích phản hồi định tính và thử nghiệm các mô hình Học sâu (Deep Learning / Neural Networks).

5. Doanh nghiệp có thể ứng dụng kết quả này vào thực tế như thế nào?

Doanh nghiệp có thể tích hợp thuật toán Random Forest vào hệ thống quản lý nhân sự để tự động xếp hạng nguy cơ nghỉ việc của nhân viên, thiết lập ngưỡng trần giờ làm việc (không quá 220 giờ/tháng), và điều chỉnh chính sách tăng lương/thăng chức sau mỗi chu kỳ 3–5 năm.

---

Kết luận (Conclusion)

Nghiên cứu của nhóm tác giả Đại học Tôn Đức Thắng đã khẳng định vai trò then chốt của việc ứng dụng phân tích dữ liệu lớn và học máy trong công tác quản trị nhân lực hiện đại. Bằng việc chứng minh hiệu năng vượt trội của thuật toán Random Forest và làm sáng tỏ mối liên hệ mật thiết giữa sự hài lòng, cường độ làm việc và tỷ lệ thôi việc, báo cáo mở ra hướng đi mới đầy tiềm năng cho lĩnh vực People Analytics. Trong tương lai, việc kết hợp dữ liệu hành vi thời gian thực và phân tích cảm xúc sẽ tiếp tục nâng cao độ chính xác của các mô hình dự báo. Doanh nghiệp cần nhanh chóng số hóa dữ liệu nhân sự và triển khai các công cụ học máy nhằm chủ động kiến tạo môi trường làm việc hạnh phúc, bền vững và duy trì lợi thế cạnh tranh dài hạn.

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.