Mašīnmācības izmantošana, lai prognozētu darbinieku apmierinātību ar darbu

Abstract

Uzņēmuma efektivitāte lielā mērā ir atkarīga no darbinieku apmierinātības līmeņa, kas ietekmē viņu produktivitāti, motivāciju un spēju sasniegt uzņēmuma mērķus. Uzņēmumam ir svarīgi identificēt faktorus, kas ietekmē darbinieku apmierinātību ar darbu, vērtīgo darbinieku noturēšanai un vispārējas darbinieku produktivitātes uzlabošanai. Pētījuma mērķis ir noteikt faktorus, kuriem ir vislielākā ietekme uz darbinieku apmierinātību ar darbu, izmantojot mašīnmācīšanās pieeju. Dati tika apkopoti, aptaujājot 128 respondentus un izskatot deviņus faktorus, kas varētu ietekmēt viņu apmierinātību ar darbu. Datu analīzei tika izmantoti trīs mašīnmācīšanās algoritmi un trīs faktoru svarīguma noteikšanas metodes. Rezultāti liecina, ka “Darba Raksturs” un “Paaugstinājums Amatā” faktoriem ir vislielākā ietekme uz darbinieku apmierinātību ar darbu, savukārt atalgojumam tika konstatēta salīdzinoši neliela nozīme. Darba rezultāti ir noderīgi uzņēmumiem, kuru mērķis ir labāko darbinieku noturēšana un kopējās produktivitātes uzlabošana. Galveno darba apmierinātības faktoru noteikšana palīdzēs stratēģiju izstrādē labākas darba vides radīšanai. Pētījumam piemīt daži ierobežojumi. Datu iegūšanai, tika aptaujāta neliela cilvēku grupa, tādēļ rezultāti var būt nereprezentatīvi visiem gadījumiem. Pētījums tika vērsts uz konkrētu nozari, tāpēc rezultāti var nebūt vispārināmi citām sfērām. Pētījumā tika izmantoti tikai trīs mašīnmācīšanās algoritmi un trīs iezīmju svarīguma noteikšanas metodes, un netika izmēģināti citi algoritmi vai metodes, kas varētu radīt atšķirīgus rezultātus. Turpmākajiem pētījumiem būtu lietderīgi atkārtot pētījumu citās nozarēs un ar lielāku aptaujāto darbinieku skaitu, lai palielinātu rezultātu precizitāti un izmantošanas iespēju ārpus darbā pētītās uzņēmuma nozares. Ieteicams izmantot papildus algoritmus un metodes arī lai nodrošinātu, ka to atklājumi ir precīzi un vispārināmi. Pētījuma rezultāti atklāj, kā mašinmācīšanās izmantošana ir iespējama darba apmierinātības ietekmējošo faktoru identificēšanai. Ņemot vērā rezultātus, uzņēmumi varēs uzlabot darba apstākļus, paaugstināt darbinieku motivāciju un produktivitāti. Diplomdarbs ir uzrakstīts angļu valodā, tā apjoms ir 58 lapaspuses, tajā ir iekļautas 13 figūras, trīs tabulas, un 41 literatūras avoti. Atslēgvārdi: apmierinātība ar darbu,nosakošie faktori,mašīnmācīšanāslietojumi, iezīmju nozīme

A business's success largely depends on employee satisfaction, significantly affecting workers’ productivity, motivation, and ability to achieve its goals. A company needs to identify the factors influencing employee job satisfaction to develop effective strategies to retain critical top-performing employees and improve overall employees productivity. This study aims to identify the factors that significantly impact employee job satisfaction using a machine learning approach based on the collected data using Job Satisfaction Survey by Paul Spector. Understanding the key factors influencing job satisfaction will allow comparing different machine learning algorithms’ performance and accuracy for the set task by evaluating their performance metrics. In the research process, a survey was conducted to collect data from 128 respondents from three offices in one specific organization on nine factors affecting their job satisfaction. A machine learning data analysis approach was then applied to determine the impact of various factors affecting job satisfaction. Specifically, the author used three machine learning algorithms: Random Forest, XGBoost, and Linear Regression. Additionally, the author used feature importance techniques to identify the most significant variables that contribute to the model's predictive accuracy: default feature importance, permutation feature importance, and drop-column feature importance. To get a more complete and accurate result that affects job satisfaction the most, several machine learning algorithms and methods were used in the study. The study results showed that the nature of work and promotion significantly affect employee job satisfaction. On the other hand, pay had a relatively small effect on employee job satisfaction. Additionally, there were variations in the predictive accuracy of different algorithms. The Random Forest algorithm performed the best among the other algorithms, with the lowest MSE and highest R2 values. Meanwhile, the XGBoost algorithm had the highest MSE and lowest R2 values, indicating that it was the least accurate algorithm for predicting job satisfaction. It is important to note that the optimal algorithm may vary depending on the research problem. Therefore, several algorithms should be utilized and tested to maximize redundancy. The resulting benefits are significant for organizations seeking to improve employee job satisfaction and retention rates. By identifying the key factors influencing job satisfaction, organizations can develop effective strategies to improve them and create a more positive work environment for their employees. The study has some limitations that should be noted. First, the data were collected from a limited sample size that may accurately reflect only a portion of the population. Second, the study was conducted in a specific industry, which may not apply to other industries. Finally, the study did not consider individual differences in job satisfaction, such as personal characteristics and values. In terms of future work possibilities, the author recommends replicating the study in different sectors and with a larger sample size to improve the applicability of the results across different sectors. Furthermore, future research could examine the influence of individual differences, such as personality traits, cognitive abilities, physical characteristics, and cultural backgrounds, on job satisfaction and the effectiveness of different strategies in improving satisfaction. Overall, this research provides valuable insight into the application of machine learning approaches to determine what influences job satisfaction, which can benefit organizations by improving employee retention, motivation, and productivity. The bachelor thesis is written in English and has 59 pages, 13 figures, three tables, and 41 literature sources. Keywords: job satisfaction, predictors, machine learning applications, feature importance methods