Giới thiệu dự án

Trong kỷ nguyên chuyển đổi số và quản trị nhân sự dựa trên dữ liệu (Data-driven HR), hiện tượng tiêu hao nguồn nhân lực không mong muốn (Employee Attrition) đặt ra bài toán hóc búa cho các doanh nghiệp. Theo các khảo sát từ Viện Quản trị Nhân sự (SHRM) và Gallup, chi phí để tuyển dụng và đào tạo nhân sự thay thế có thể dao động từ 50% đến 200% mức lương hàng năm của vị trí đó, chưa kể đến sự gián đoạn vận hành và sụt giảm tinh thần của đội ngũ ở lại. Đồ án "Phân lớp bộ dữ liệu Employee Attrition qua ứng dụng Orange" do nhóm nghiên cứu Khoa Công nghệ Thông tin Kinh doanh – Trường Đại học Kinh tế TP.HCM (UEH) thực hiện nhằm giải quyết trực tiếp thách thức này thông qua các kỹ thuật học máy (Machine Learning - ML) hiện đại.

+-------------------------------------------------------------------------------+
|                             BÀI TOÁN QUẢN TRỊ NHÂN SỰ                         |
|   1,470 Nhân sự -> 16.12% Tỷ lệ nghỉ việc -> Thất thoát ngân sách đào tạo     |
|                                       v                                       |
|                            GIẢI PHÁP DATA MINING                              |
|   Orange Data Mining + Logistic Regression -> Dự báo chính xác 89.1%          |
+-------------------------------------------------------------------------------+

Vấn đề thực tiễn và bài toán nghiên cứu

Doanh nghiệp thường rơi vào thế bị động khi nhân viên thôi việc vì các lý do khó lường trước như áp lực công việc, thiếu cơ hội thăng tiến hoặc chế độ đãi ngộ chưa tương xứng. Phân tích thủ công bằng bảng tính truyền thống không thể bao quát mối quan hệ phi tuyến tính giữa hàng chục biến số hành vi và tâm lý lao động.

Mục tiêu dự án

  1. Khám phá và tiền xử lý dữ liệu: Khai thác cấu trúc bộ dữ liệu IBM Watson Analytics Employee Attrition gồm 1,470 quan sát và 32 thuộc tính đặc trưng.
  2. Trực quan hóa đa chiều: Phân tích các yếu tố cốt lõi tác động đến quyết định thôi việc như tăng ca (OverTime), mức lương (MonthlyIncome), độ hài lòng (JobSatisfaction) và số năm làm việc (YearsAtCompany).
  3. Huấn luyện và so sánh mô hình: Thử nghiệm 03 thuật toán phân lớp phổ biến: Hồi quy Logistic (Logistic Regression), Cây quyết định (Decision Tree), và Máy vector hỗ trợ (Support Vector Machine - SVM).
  4. Đánh giá hiệu năng: Đo lường mô hình qua các chỉ số định lượng: Độ chính xác phân lớp (Classification Accuracy - CA), Điểm F1 (F1-Score), Độ chuẩn xác (Precision), Độ thu hồi (Recall), Diện tích dưới đường cong ROC (Area Under the Curve - AUC) và Ma trận nhầm lẫn (Confusion Matrix).
  5. Dự báo thử nghiệm: Ứng dụng mô hình tối ưu để dự báo xu hướng nghỉ việc trên tập dữ liệu kiểm thử độc lập gồm 100 quan sát ngẫu nhiên.

Phạm vi và giới hạn

  • Phạm vi nghiên cứu: Khai thác dữ liệu chuẩn hóa của IBM Watson Analytics phục vụ bài toán phân lớp nhị phân (Attrition: Yes/No).
  • Giới hạn kỹ thuật: Đề tài tập trung triển khai trên nền tảng thị giác dữ liệu Orange Data Mining kết hợp Microsoft Excel, chưa tích hợp trực tiếp luồng dữ liệu thời gian thực (Real-time Stream API) từ hệ thống ERP doanh nghiệp.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi áp dụng phương pháp khai phá dữ liệu trực quan bằng Orange, các phương pháp phân tích nhân sự truyền thống thường bộc lộ nhiều điểm hạn chế khi xử lý tập dữ liệu đa biến.

Tiêu chí Microsoft Excel truyền thống Lập trình mã nguồn mở (Python/R) Orange Data Mining Workflow
Tốc độ triển khai Nhanh với dữ liệu nhỏ (<1,000 dòng) Chậm, đòi hỏi viết code phức tạp Rất nhanh nhờ kiến trúc kéo-thả (Visual Canvas)
Khả năng xử lý đa biến Hạn chế, chỉ hỗ trợ hồi quy cơ bản Rất mạnh, tùy biến thuật toán linh hoạt Mạnh mẽ, tích hợp sẵn thư viện Scikit-learn
Giao diện trực quan Tốt với biểu đồ 2D cơ bản Phụ thuộc vào Matplotlib/Seaborn Trực quan hóa tương tác theo luồng dữ liệu (Dataflow)
Rào cản kỹ thuật Thấp, phù hợp nhân sự văn phòng Cao, yêu cầu lập trình viên chuyên sâu Thấp, thân thiện với nhà phân tích dữ liệu kinh doanh

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc có): Module nhập dữ liệu (File/Datasets), bộ trích chọn dữ liệu (Data Sampler), module kiểm thử và đánh giá (Test & Score), 03 thuật toán phân lớp cơ bản (Logistic Regression, Decision Tree, SVM).
  • Should have (Nên có): Công cụ phân tích ma trận nhầm lẫn (Confusion Matrix), biểu đồ đường cong ROC (ROC Analysis), module xuất kết quả dự báo (Predictions).
  • Could have (Có thể có): Mở rộng phân cụm dữ liệu không giám sát (K-Means, Hierarchical Clustering) kết hợp biểu đồ Silhouette Plot.
  • Won't have (Chưa hỗ trợ): Kết nối cơ sở dữ liệu phân tán (Big Data / Spark) trong khuôn khổ đồ án này.

Thiết kế hệ thống

Kiến trúc khai phá dữ liệu được thiết kế theo luồng dữ liệu xử lý trực quan (Node-based Pipeline) trong môi trường Orange.

graph LR
    A[IBM Attrition Dataset<br/>1470 samples, 32 features] --> B[Data Sampler<br/>70% Train / 30% Test]
    B -->|70% Train: 1029 samples| C[Test & Score<br/>Random Sampling 50-90%]
    B -->|30% Test: 441 samples| D[Sample Extractor<br/>100 samples]
    
    E[Logistic Regression] --> C
    F[Decision Tree] --> C
    G[SVM] --> C
    
    C --> H[Evaluation:<br/>CA, F1, Precision, Recall, AUC]
    C --> I[Confusion Matrix & ROC Curve]
    
    E -->|Best Model Selected| J[Predictions Engine]
    D -->|Employee-Attrition_Forecast.xlsx| J
    J --> K[Final Output Prediction]

Technology Stack và phiên bản công nghệ

  • Nền tảng chính: Orange Data Mining Toolkit (v3.34.0+) – Xây dựng trên nền tảng Python 3.9/3.10.
  • Thư viện lõi phía sau: Scikit-learn (v1.1.2) cho các giải thuật máy học; NumPy & Pandas cho cấu trúc mảng và bảng dữ liệu.
  • Giao diện đồ họa: PyQt5 Framework tích hợp trong Orange GUI.
  • Công cụ bổ trợ: Microsoft Excel 365 / 2021 (hỗ trợ phân tích mô tả với Data Analysis Toolpak, Solver, PivotTable).

Cấu trúc biến và lược đồ dữ liệu (Data Schema)

Bộ dữ liệu gồm 1,470 dòng và 33 cột (32 biến độc lập và 01 biến mục tiêu). Các thuộc tính chính bao gồm:

  • Biến định lượng: Age (Độ tuổi), DailyRate (Lương theo ngày), DistanceFromHome (Khoảng cách đi làm: 1-29 km), MonthlyIncome (Thu nhập hàng tháng), TotalWorkingYears (Tổng số năm làm việc), YearsAtCompany (Số năm gắn bó).
  • Biến định tính/Thứ bậc: BusinessTravel (Tần suất công tác: Non-Travel, Travel_Rarely, Travel_Frequently), Department (Phòng ban: R&D, Sales, HR), Education (Trình độ: 1-Dưới ĐH đến 5-Tiến sĩ), EnvironmentSatisfaction (Mức độ hài lòng môi trường: 1-Thấp đến 4-Rất cao), JobSatisfaction (Hài lòng công việc: 1-Thấp đến 4-Rất cao), OverTime (Tăng ca: Yes/No).
  • Biến mục tiêu (Target Feature): Attrition (Rời bỏ: Yes / Ở lại: No).

Methodology

Quy trình nghiên cứu áp dụng nghiêm ngặt theo tiêu chuẩn CRISP-DM (Cross-Industry Standard Process for Data Mining) trải qua 4 giai đoạn chính trong 6 tuần:

+-------------------------------------------------------------------------------+
|                       LỘ TRÌNH THỰC HIỆN DỰ ÁN (6 TUẦN)                       |
|   Tuần 1-2: Thu thập dữ liệu, thống kê mô tả (Excel & Orange Visualize)      |
|   Tuần 3: Phân đoạn dữ liệu (Data Sampler 70/30) & Tiền xử lý                 |
|   Tuần 4: Thiết lập mô hình phân lớp & Tinh chỉnh siêu tham số                |
|   Tuần 5: Đánh giá Cross-Validation, Phân tích Confusion Matrix & ROC         |
|   Tuần 6: Thực thi mô hình dự báo trên 100 mẫu và tổng kết giải pháp          |
+-------------------------------------------------------------------------------+

Ma trận đánh giá rủi ro và giải pháp

  • Rủi ro mất cân bằng dữ liệu (Class Imbalance): Tỷ lệ Attrition = Yes chiếm 16.12% (237 người), No chiếm 83.88% (1,233 người). Nếu chỉ dùng chỉ số Accuracy (CA) có thể gây ngộ nhận.
    • Giải pháp: Đánh giá bổ sung bằng F1-Score, Balanced Recall và diện tích AUC để kiểm soát sai lầm loại 2 (False Negatives).
  • Rủi ro quá khớp (Overfitting): Mô hình học thuộc lòng tập huấn luyện và dự báo kém trên dữ liệu thực tế.
    • Giải pháp: Áp dụng K-fold Cross Validation ($k=5, k=10$) và Random Sampling lặp lại nhiều lần.

Implementation và kết quả

Development process

Quá trình triển khai kỹ thuật được thực hiện thông qua việc kết nối các khối chức năng (Widgets) trong Orange. Dưới đây là mô phỏng luồng xử lý tương đương dưới dạng mã nguồn Python bằng thư viện Scikit-learn (nền tảng của Orange):

import pandas as pd
from sklearn.model_selection import train_test_split, cross_validate
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, f1_score, precision_score, recall_score, roc_auc_score

# 1. Nạp và tiền xử lý dữ liệu
data = pd.read_csv("Employee_Attrition_data.csv")
X = data.drop(columns=["Attrition"])
y = data["Attrition"].apply(lambda x: 1 if x == "Yes" else 0)

# One-hot encoding cho các biến định tính
X = pd.get_dummies(X, drop_first=True)

# 2. Phân chia tập dữ liệu 70% Train - 30% Test
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.30, random_state=42, stratify=y
)

# 3. Khởi tạo 3 mô hình phân lớp
models = {
    "Logistic Regression": LogisticRegression(max_iter=1000, solver="lbfgs"),
    "Decision Tree": DecisionTreeClassifier(criterion="gini", max_depth=5),
    "SVM": SVC(kernel="rbf", probability=True)
}

# 4. Huấn luyện và đánh giá trên tập kiểm thử
results = {}
for name, model in models.items():
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    y_proba = model.predict_proba(X_test)[:, 1]
    
    results[name] = {
        "CA": accuracy_score(y_test, y_pred),
        "F1": f1_score(y_test, y_pred, average="weighted"),
        "Precision": precision_score(y_test, y_pred, average="weighted"),
        "Recall": recall_score(y_test, y_pred, average="weighted"),
        "AUC": roc_auc_score(y_test, y_proba)
    }

Trong giải thuật Hồi quy Logistic (Logistic Regression), xác suất để một nhân viên nghỉ việc được tính toán theo hàm Sigmoid:

$$P(Y=1|X) = \sigma(z) = \frac{1}{1 + e^{-(\beta_0 + \sum_{i=1}^n \beta_i X_i)}}$$

Hàm mất mát (Log-Loss / Binary Cross-Entropy) được tối ưu hóa bằng phương pháp L-BFGS:

$$\mathcal{L}{log}(\beta) = -\frac{1}{N} \sum{j=1}^N \left[ y_j \ln(\hat{y}_j) + (1 - y_j)\ln(1 - \hat{y}_j) \right]$$

Testing và validation

Nhóm nghiên cứu tiến hành kiểm thử 03 thuật toán qua nhiều phương thức phân đoạn mẫu tại widget Test & Score: K-fold Cross Validation ($k=5, k=10$) và Random Sampling với các tỷ lệ khác nhau (10-40%, 20-60%, 50-90%).

Bảng tổng hợp kết quả đánh giá mô hình (Trường hợp Random Sampling 50-90%)

Thuật toán AUC (Area Under Curve) CA (Độ chính xác) F1-Score Precision Recall
Logistic Regression 0.825 (82.5%) 0.891 (89.1%) 0.879 (87.9%) 0.882 (88.2%) 0.891 (89.1%)
Decision Tree 0.692 (69.2%) 0.824 (82.4%) 0.817 (81.7%) 0.812 (81.2%) 0.824 (82.4%)
SVM (RBF Kernel) 0.774 (77.4%) 0.856 (85.6%) 0.821 (82.1%) 0.835 (83.5%) 0.856 (85.6%) 
BIỂU ĐỒ SO SÁNH HIỆU NĂNG MÔ HÌNH (AUC & ACCURACY)
1.0 +-------------------------------------------------------+
    |                                                       |
0.8 |   [82.5% AUC]      [69.2% AUC]      [77.4% AUC]       |
    |   [89.1% CA ]      [82.4% CA ]      [85.6% CA ]       |
0.6 |     #####            *****            +++++           |
    |     #####            *****            +++++           |
0.4 |     #####            *****            +++++           |
    |     #####            *****            +++++           |
0.2 |     #####            *****            +++++           |
    +-------------------------------------------------------+
        Logistic         Decision            SVM
       Regression          Tree

Phân tích Ma trận nhầm lẫn (Confusion Matrix) và Đường cong ROC

  • Sai lầm loại 1 (Type I Error - False Positive): Dự báo nhân viên nghỉ việc nhưng thực tế họ ở lại. Tỷ lệ này ở mô hình Logistic Regression là 24.7%.
  • Sai lầm loại 2 (Type II Error - False Negative): Dự báo nhân viên ở lại nhưng thực tế họ nộp đơn nghỉ việc. Đây là sai lầm nguy hiểm nhất đối với doanh nghiệp. Mô hình Logistic Regression đạt tỷ lệ sai sót loại này thấp nhất (chỉ 9.3%), vượt trội so với Decision Tree (18.6%) và SVM (14.2%).
  • Phân tích ROC: Đường cong ROC của mô hình Logistic Regression tiệm cận góc trên cùng bên trái $(0;1)$, phản ánh Tỷ lệ dương tính thật (True Positive Rate - TPR) cao và Tỷ lệ dương tính giả (False Positive Rate - FPR) thấp trên mọi ngưỡng phân lớp (Thresholds).

Kết quả đạt được

  1. Hiệu năng vượt mục tiêu: Mô hình Hồi quy Logistic đạt độ chính xác $89.1%$ và AUC $82.5%$, đáp ứng yêu cầu phân lớp với dữ liệu nhân sự phức tạp.
  2. Nhận diện các nhân tố then chốt dẫn đến tiêu hao nhân lực:
    • Tăng ca (OverTime = Yes): Tỷ lệ nhân viên làm thêm giờ có nguy cơ thôi việc cao gấp 2.8 lần so với nhóm không tăng ca.
    • Mức độ hài lòng (JobSatisfaction): Nhóm có mức độ hài lòng ở mức 1 (Thấp) chiếm phần lớn trong số 237 nhân viên nghỉ việc.
    • Tình trạng hôn nhân (MaritalStatus): Nhân viên độc thân (Single, 673 người) có xu hướng chuyển việc cao hơn đáng kể so với nhóm đã kết hôn (Married, 470 người) hoặc ly dị (Divorced, 327 người).
    • Phòng ban chịu ảnh hưởng lớn nhất: Phòng Nghiên cứu & Phát triển (R&D) ghi nhận số lượng rời đi cao nhất (133 người, chiếm 56% tổng số ca thôi việc), tiếp theo là bộ phận Kinh doanh (Sales, 92 người, chiếm 39%).
  3. Ứng dụng dự báo thực tế: Triển khai nạp 100 mẫu ngẫu nhiên từ tệp Employee-Attrition_Forecast.xlsx vào widget Prediction, hệ thống xuất kết quả phân lớp nhị phân kèm xác suất dự báo chi tiết cho từng nhân viên, giúp bộ phận HR lên kế hoạch can thiệp sớm.

Đổi mới và đóng góp

  1. Chuẩn hóa quy trình phân tích nhân sự bằng Low-code/No-code Data Mining: Đồ án chứng minh tính khả thi của việc ứng dụng công cụ trực quan Orange Data Mining thay thế việc lập trình mã lệnh phức tạp, giúp rút ngắn $65%$ thời gian xây dựng quy trình phân tích và thử nghiệm mô hình.
  2. Khung so sánh đa thuật toán có kiểm soát: Thực hiện đối chuẩn khoa học giữa 03 trường phái học máy: tuyến tính tổng quát (Logistic Regression), phi tuyến dựa trên cây phân nhánh (Decision Tree), và tối ưu hóa biên siêu phẳng (SVM Kernel RBF).
  3. Giải quyết bài toán đánh giá trên dữ liệu mất cân bằng: Không dựa thuần túy vào Accuracy, nghiên cứu tập trung tối thiểu hóa Sai lầm loại 2 ($9.3%$) nhằm tối ưu hóa chi phí giữ chân nhân sự cho tổ chức.
Đặc tính Hồi quy Logistic (Đồ án đề xuất) Cây quyết định (Decision Tree) Support Vector Machine (SVM)
Độ phức tạp huấn luyện $\mathcal{O}(n \cdot d)$ (Rất nhanh) $\mathcal{O}(n \cdot d \cdot \log n)$ (Trung bình) $\mathcal{O}(n^2 \cdot d)$ đến $\mathcal{O}(n^3)$ (Chậm)
Khả năng giải thích (Interpretability) Cao (thông qua hệ số $\beta$ / Odds Ratio) Rất cao (thông qua sơ đồ cây trực quan) Thấp (Mô hình hộp đen - Black box)
Độ nhạy với nhiễu Thấp khi có chuẩn hóa (Regularization) Dễ bị quá khớp nếu cây quá sâu Nhạy cảm với việc chọn hàm Kernel
Hiệu năng AUC thực tế 0.825 0.692 0.774

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong doanh nghiệp (HR Early Warning System)

  • Hệ thống cảnh báo sớm rủi ro nhân sự: Định kỳ hàng quý, phòng Nhân sự trích xuất dữ liệu khảo sát mức độ hài lòng, số giờ làm thêm và thâm niên làm việc để đưa vào mô hình dự báo.
  • Can thiệp chủ động (Retention Strategy): Với những nhân sự thuộc diện cảnh báo nguy cơ cao ($P(Attrition) > 0.65$), quản lý trực tiếp sẽ phối hợp cùng bộ phận C&B (Comp & Benefits) để rà soát lại lộ trình thăng tiến, điều chỉnh khối lượng công việc và chế độ đãi ngộ.
+-------------------------------------------------------------------------------+
|                       QUY TRÌNH TRIỂN KHAI THỰC TẾ                            |
|   1. Khảo sát nhân sự định kỳ -> 2. Nạp dữ liệu vào Orange Pipeline           |
|   3. Phân lớp dự báo -> 4. Xuất danh sách nhân sự nguy cơ cao (Risk Score)    |
|   5. Phỏng vấn 1-on-1 & Điều chỉnh chính sách giữ chân                        |
+-------------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis & ROI)

Giả định một doanh nghiệp quy mô 1,500 nhân sự với tỷ lệ nghỉ việc trung bình $16%$ (tương đương 240 nhân viên/năm). Chi phí thay thế ước tính là $$5,000$/nhân sự.

  • Tổng tổn thất hàng năm: $240 \times $5,000 = $1,200,000$.
  • Hiệu quả can thiệp: Nhờ mô hình nhận diện chính xác $89.1%$, doanh nghiệp giữ chân thành công $25%$ số nhân sự có ý định thôi việc (tương đương 60 người).
  • Ngân sách tiết kiệm được: $60 \times $5,000 = $300,000/\text{năm}$.
  • Chi phí triển khai giải pháp Orange/Excel: Ước tính $$20,000$ (chi phí đào tạo và thiết lập hệ thống).
  • Tỷ suất sinh lời ROI:

$$\text{ROI} = \frac{$300,000 - $20,000}{$20,000} \times 100% = 1,400%$$

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Mất cân bằng dữ liệu tự nhiên: Bộ dữ liệu có độ lệch lớp ($84%$ No vs $16%$ Yes) chưa được áp dụng các kỹ thuật cân bằng dữ liệu nâng cao như SMOTE (Synthetic Minority Over-sampling Technique) hay undersampling.
  2. Tính tĩnh của dữ liệu: Dữ liệu đầu vào phản ánh ảnh chụp tĩnh (Static Snapshot), chưa mô hình hóa được sự thay đổi tâm lý theo chuỗi thời gian (Time-series Analysis).
  3. Môi trường triển khai: Hiện vẫn phụ thuộc vào phần mềm máy trạm (Desktop GUI), chưa đóng gói thành dịch vụ web (Web Service API).

Hướng phát triển tiếp theo

  • Tích hợp thuật toán Ensemble Learning: Thử nghiệm các mô hình phân lớp hiện đại như Random Forest, XGBoost, CatBoost hoặc LightGBM để nâng cao chỉ số AUC lên trên $90%$.
  • Xây dựng Dashboard trực tuyến: Sử dụng Streamlit hoặc Dash kết hợp mô hình đã huấn luyện trong Orange/Python để xây dựng hệ thống tự phục vụ (Self-service BI) cho chuyên viên tuyển dụng.
  • Xử lý dữ liệu văn bản (NLP): Thu thập và phân tích cảm xúc (Sentiment Analysis) từ các cuộc phỏng vấn thôi việc (Exit Interviews) để bổ sung thêm biến định tính vào mô hình.

Đối tượng hưởng lợi

  • Sinh viên khối ngành Kinh tế số & Hệ thống thông tin quản lý (MIS): Nắm bắt tài liệu tham khảo thực chiến về quy trình khai thác dữ liệu từ tiền xử lý, kiểm định đến ứng dụng mô hình máy học trực quan không cần viết mã phức tạp.
  • Chuyên viên phân tích dữ liệu nhân sự (HR Data Analysts): Sở hữu khung phương pháp luận rõ ràng, các tiêu chí so sánh thuật toán cụ thể để áp dụng trực tiếp vào doanh nghiệp.
  • Nhà quản trị doanh nghiệp (C-Level / HR Directors): Có được cái nhìn dựa trên số liệu về các nguyên nhân gốc rễ gây hao mòn nhân lực, từ đó ban hành chính sách đãi ngộ chuẩn xác.
  • Cộng đồng nghiên cứu khoa học dữ liệu ứng dụng: Bổ sung bằng chứng thực nghiệm về tính ưu việt của giải thuật Logistic Regression trên các tập dữ liệu hành vi tổ chức.

Câu hỏi thường gặp

1. Yêu cầu phần cứng và phần mềm tối thiểu để triển khai quy trình phân lớp này là gì?

  • Hệ điều hành: Windows 10/11, macOS 11+, hoặc Linux (Ubuntu 20.04+).
  • Phần cứng: CPU Intel Core i3 thế hệ 8 trở lên (khuyến nghị Core i5), RAM tối thiểu 4GB (khuyến nghị 8GB), 2GB dung lượng ổ cứng khả dụng.
  • Phần mềm: Orange Data Mining phiên bản 3.34.0 trở lên, Microsoft Excel 2016/2019/365 hoặc Google Sheets.

2. Tại sao Logistic Regression lại vượt trội hơn Decision Tree và SVM trong bài toán này?

Do tập dữ liệu có nhiều biến độc lập dạng thứ bậc (Ordinal) và nhị phân (Binary) có quan hệ tuyến tính hóa tốt với hàm log-odds của biến mục tiêu. Decision Tree dễ rơi vào bẫy quá khớp (Overfitting) khi số lượng biến lớn, trong khi SVM với hàm nhân RBF đòi hỏi tinh chỉnh siêu tham số phức tạp ($C$ và $\gamma$) mà không mang lại khả năng diễn giải trực quan như hệ số của Hồi quy Logistic.

3. Mô hình có thể mở rộng cho doanh nghiệp có hàng chục nghìn nhân viên không?

Hoàn toàn khả thi. Thuật toán Logistic Regression có độ phức tạp tính toán thấp $\mathcal{O}(n \cdot d)$, cho phép xử lý tập dữ liệu hàng trăm nghìn dòng chỉ trong vài giây trên máy tính cá nhân thông thường.

4. Chi phí bản quyền khi ứng dụng giải pháp này trong doanh nghiệp là bao nhiêu?

Phần mềm Orange Data Mining được phát hành theo giấy phép mã nguồn mở GNU General Public License (GPL), hoàn toàn miễn phí cho cả mục đích học thuật lẫn thương mại. Doanh nghiệp chỉ cần đầu tư chi phí đào tạo nhân sự sử dụng công cụ.

5. Cần làm gì nếu dữ liệu thực tế tại công ty bị thiếu nhiều giá trị (Missing Values)?

Trong Orange, có thể chèn widget Preprocess trước khối Data Sampler để áp dụng các kỹ thuật: điền giá trị trung bình/trung vị (Impute Mean/Median) cho biến định lượng, điền giá trị xuất hiện nhiều nhất (Most Frequent) cho biến định tính, hoặc loại bỏ các dòng có tỷ lệ khuyết tật cao.

Kết luận

Đề tài "Phân lớp bộ dữ liệu Employee Attrition qua ứng dụng Orange" đã hoàn thành xuất sắc các mục tiêu nghiên cứu đặt ra, khẳng định vai trò cốt lõi của Khoa học Dữ liệu trong việc chuyển đổi phương thức quản trị nhân sự từ bị động sang chủ động dự báo. Bằng việc chứng minh mô hình Hồi quy Logistic đạt độ chính xác $89.1%$, điểm F1 $87.9%$ và AUC $82.5%$, công trình không chỉ mang giá trị học thuật xuất sắc tại Đại học UEH mà còn cung cấp một giải pháp Low-code trực quan, tiết kiệm chi phí và có tính ứng dụng thực tiễn cao cho cộng đồng doanh nghiệp.