Enhancing Workers' Job Tenure Using Directions Derived from Data Mining Techniques

This study conducted an experiment using data mining techniques to develop prediction models of worker job turnover. The experiment used data from the '2015 Graduate Occupational Mobility Survey' by the Korea Employment Information Service. We developed the prediction models using a decision tree, Bayes net, and artificial neural network. We found that the decision tree-based prediction model reported the best accuracy. We also found that the six influential factors affecting employees' turnover intention are type of working time, job status, full-time or not full-time, regular working hours per week, regular working days per week, and personal development opportunities. From the decision tree-based prediction model, we derived 12 rules of employee turnover for all job types. Using the derived rules, we proposed helpful directions for enhancing workers' job tenure. In addition, we analyzed the influential factors affecting employees' job turnover intention according to four job types and derived rules for each: office (ten rules), culture and art (nine rules), construction (four rules), and information technology (six rules). Using the derived rules, we proposed customized directions for improving the job tenure for each group.

데이터 마이닝 기법을 활용한 근로자의 고용유지 강화 방안 개발

본 연구에서는 데이터 마이닝 기법을 활용하여 근로자의 이직준비 여부에 관한 예측모형을 구축하는 실험을 진행하였다. 이를 위해, 한국고용정보원 주관으로 수집된 "2015년 대졸자 직업 이동경로조사" 데이터를 사용하였다. 이직준비 여부 예측모형에는 의사결정나무, 베이즈넷, 인공신경망 알고리즘이 사용되었다. 전체 직종을 대상으로 한 분석에서는 의사결정나무 기반 예측모형에서 최고 예측률을 기록하였으며, 이직준비 여부에 영향을 주는 요인은 '근로시간 형태', '종사상 지위', '정규직 여부', '주당 정규 근로시간', '주당 정규 근로일', '개인의 발전가능성'으로 나타났다. 의사결정나무 기반 예측모형의 결과를 활용하여 근로자 전반에 관한 12개의 이직준비 여부 규칙을 최종 도출하였고, 도출된 규칙을 바탕으로 근로자의 고용유지 강화에 도움을 주는 방안들을 제안하였다. 또한 직종별 영향 요인을 분석하기 위해 직종을 사무, 문화예술, 건설, 정보기술 분야로 구분하여 실험을 진행하였다. 그 결과 사무 분야는 10개, 문화예술 분야는 9개, 건설 분야는 4개, 그리고 정보기술 분야는 6개의 이직준비 규칙이 도출되었고 이를 토대로 직종별 맞춤화된 고용유지 강화 방안을 제시하였다.