{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2885645"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2885645","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Διερεύνηση αιτιών εργασιακής φθοράς με χρήση μεθόδων ταξινόμησης","abstract":"Η εργασιακή φθορά αποτελεί ένα από τα σοβαρότερα προβλήματα που αντιμετωπίζουν οι οργανισμοί στην παγκόσμια οικονομία. Το ανθρώπινο δυναμικό μπορεί να αποτελέσει καθοριστικό παράγοντα ανταγωνιστικού πλεονεκτήματος για τους οργανισμούς, αλλά ταυτόχρονα και μια δαπανηρή πρόκληση για αυτούς. Για τον λόγο αυτό οι εταιρίες επιθυμούν να κατανοήσουν καλύτερα τα κύρια ζητήματα, από τα οποία πηγάζει το φαινόμενο της εργασιακής φθοράς. Η επιλογή κάποιου εργαζομένου να παραιτηθεί, μπορεί να οφείλεται σε πολλούς διαφορετικούς λόγους. Ωστόσο είναι σημαντικό για τις εταιρίες να εντοπίσουν τους πιο βαρυσήμαντους και να προβλέψουν ποιοι είναι οι εργαζόμενοι, που έχουν υψηλή πιθανότητα να φύγουν, ώστε να προβούν σε αλλαγές και να βελτιώσουν την διαχείριση του ανθρώπινου δυναμικού τους . Στην παρούσα εργασία επιλέξαμε να μελετήσουμε τους αλγορίθμους στατιστικής μάθησης, προκειμένου να εντοπίσουμε τους κύριους λόγους της εργασιακής φθοράς, μέσω των μεθόδων εξόρυξης δεδομένων. Συγκεκριμένα, αναλύουμε τους αλγορίθμους Logistic Regression, Decision Trees και Random Forest χρησιμοποιώντας το περιβάλλον της R και R studio. Η μελέτη διεξάγεται σε ένα σύνολο δεδομένων που παρέχεται από το kaggle.com, το οποίο αποτελεί ιστοσελίδα διαγωνισμών εξόρυξης δεδομένων. Το συγκεκριμένο σύνολο δεδομένων αποτελείται από περίπου 30.000 εγγραφές και εξετάζει ορισμένα από τα χαρακτηριστικά των εργαζομένων, όπως το επίπεδο ικανοποίησης τους, τον βαθμό τελευταίας αξιολόγησης τους, τον μισθό και ούτω καθ’ εξής. Η μελέτη εστιάζει αρχικά στην θεωρητική αποτύπωση των αλγορίθμων και την συνέχεια στην πρακτική εφαρμογή και ανάλυση τους, στο σύνολο των δεδομένων μας. Ύστερα από επαναληπτική παραμετροποίηση και αξιολόγηση του κάθε αλγορίθμου, καταλήγουμε στο καλύτερο δυνατό μοντέλο για τον καθένα από αυτούς. Συγκρίνοντας τις επιδόσεις τους στα άγνωστα δεδομένα, επιλέγουμε ένα τελικό μοντέλο μέσω του οποίου εξάγουμε τα συμπεράσματα μας. Τέλος παραθέτουμε κάποιες προτάσεις για περαιτέρω έρευνα στο μέλλον. Η συγκεκριμένη περιοχή μελέτης έχει ευρύ φάσμα πρακτικής και χρήσιμης εφαρμογής. Αν επιλυθεί ορθά, η ίδια μέθοδος και μοντέλο μπορούν να χρησιμοποιηθούν για μελέτη άλλων προβλημάτων όπως η απώλεια πελατών, η διαχείριση των πελατειακών σχέσεων, η ανεργία των νέων και άλλα.","abstract_html":"Η εργασιακή φθορά αποτελεί ένα από τα σοβαρότερα προβλήματα που αντιμετωπίζουν οι οργανισμοί στην παγκόσμια οικονομία. Το ανθρώπινο δυναμικό μπορεί να αποτελέσει καθοριστικό παράγοντα ανταγωνιστικού πλεονεκτήματος για τους οργανισμούς, αλλά ταυτόχρονα και μια δαπανηρή πρόκληση για αυτούς. Για τον λόγο αυτό οι εταιρίες επιθυμούν να κατανοήσουν καλύτερα τα κύρια ζητήματα, από τα οποία πηγάζει το φαινόμενο της εργασιακής φθοράς. Η επιλογή κάποιου εργαζομένου να παραιτηθεί, μπορεί να οφείλεται σε πολλούς διαφορετικούς λόγους. Ωστόσο είναι σημαντικό για τις εταιρίες να εντοπίσουν τους πιο βαρυσήμαντους και να προβλέψουν ποιοι είναι οι εργαζόμενοι, που έχουν υψηλή πιθανότητα να φύγουν, ώστε να προβούν σε αλλαγές και να βελτιώσουν την διαχείριση του ανθρώπινου δυναμικού τους . Στην παρούσα εργασία επιλέξαμε να μελετήσουμε τους αλγορίθμους στατιστικής μάθησης, προκειμένου να εντοπίσουμε τους κύριους λόγους της εργασιακής φθοράς, μέσω των μεθόδων εξόρυξης δεδομένων. Συγκεκριμένα, αναλύουμε τους αλγορίθμους Logistic Regression, Decision Trees και Random Forest χρησιμοποιώντας το περιβάλλον της R και R studio. Η μελέτη διεξάγεται σε ένα σύνολο δεδομένων που παρέχεται από το kaggle.com, το οποίο αποτελεί ιστοσελίδα διαγωνισμών εξόρυξης δεδομένων. Το συγκεκριμένο σύνολο δεδομένων αποτελείται από περίπου 30.000 εγγραφές και εξετάζει ορισμένα από τα χαρακτηριστικά των εργαζομένων, όπως το επίπεδο ικανοποίησης τους, τον βαθμό τελευταίας αξιολόγησης τους, τον μισθό και ούτω καθ’ εξής. Η μελέτη εστιάζει αρχικά στην θεωρητική αποτύπωση των αλγορίθμων και την συνέχεια στην πρακτική εφαρμογή και ανάλυση τους, στο σύνολο των δεδομένων μας. Ύστερα από επαναληπτική παραμετροποίηση και αξιολόγηση του κάθε αλγορίθμου, καταλήγουμε στο καλύτερο δυνατό μοντέλο για τον καθένα από αυτούς. Συγκρίνοντας τις επιδόσεις τους στα άγνωστα δεδομένα, επιλέγουμε ένα τελικό μοντέλο μέσω του οποίου εξάγουμε τα συμπεράσματα μας. Τέλος παραθέτουμε κάποιες προτάσεις για περαιτέρω έρευνα στο μέλλον. Η συγκεκριμένη περιοχή μελέτης έχει ευρύ φάσμα πρακτικής και χρήσιμης εφαρμογής. Αν επιλυθεί ορθά, η ίδια μέθοδος και μοντέλο μπορούν να χρησιμοποιηθούν για μελέτη άλλων προβλημάτων όπως η απώλεια πελατών, η διαχείριση των πελατειακών σχέσεων, η ανεργία των νέων και άλλα.","abstract_has_math":false,"creators":["Γιαγκλή Μαρία","Giagkli Maria"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019","date_published":"2019","updated_at":"2026-11-19T05:36:27Z","subjects":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2885645"],"render_values":[{"text":"uoadl:2885645","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2885645","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2885645","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2885645","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γιαγκλή Μαρία","Giagkli Maria"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2885645","https://pergamos.lib.uoa.gr/uoa/dl/object/2885645"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η εργασιακή φθορά αποτελεί ένα από τα σοβαρότερα προβλήματα που αντιμετωπίζουν οι οργανισμοί στην παγκόσμια οικονομία. Το ανθρώπινο δυναμικό μπορεί να αποτελέσει καθοριστικό παράγοντα ανταγωνιστικού πλεονεκτήματος για τους οργανισμούς, αλλά ταυτόχρονα και μια δαπανηρή πρόκληση για αυτούς. Για τον λόγο αυτό οι εταιρίες επιθυμούν να κατανοήσουν καλύτερα τα κύρια ζητήματα, από τα οποία πηγάζει το φαινόμενο της εργασιακής φθοράς. Η επιλογή κάποιου εργαζομένου να παραιτηθεί, μπορεί να οφείλεται σε πολλούς διαφορετικούς λόγους. Ωστόσο είναι σημαντικό για τις εταιρίες να εντοπίσουν τους πιο βαρυσήμαντους και να προβλέψουν ποιοι είναι οι εργαζόμενοι, που έχουν υψηλή πιθανότητα να φύγουν, ώστε να προβούν σε αλλαγές και να βελτιώσουν την διαχείριση του ανθρώπινου δυναμικού τους . Στην παρούσα εργασία επιλέξαμε να μελετήσουμε τους αλγορίθμους στατιστικής μάθησης, προκειμένου να εντοπίσουμε τους κύριους λόγους της εργασιακής φθοράς, μέσω των μεθόδων εξόρυξης δεδομένων. Συγκεκριμένα, αναλύουμε τους αλγορίθμους Logistic Regression, Decision Trees και Random Forest χρησιμοποιώντας το περιβάλλον της R και R studio. Η μελέτη διεξάγεται σε ένα σύνολο δεδομένων που παρέχεται από το kaggle.com, το οποίο αποτελεί ιστοσελίδα διαγωνισμών εξόρυξης δεδομένων. Το συγκεκριμένο σύνολο δεδομένων αποτελείται από περίπου 30.000 εγγραφές και εξετάζει ορισμένα από τα χαρακτηριστικά των εργαζομένων, όπως το επίπεδο ικανοποίησης τους, τον βαθμό τελευταίας αξιολόγησης τους, τον μισθό και ούτω καθ’ εξής. Η μελέτη εστιάζει αρχικά στην θεωρητική αποτύπωση των αλγορίθμων και την συνέχεια στην πρακτική εφαρμογή και ανάλυση τους, στο σύνολο των δεδομένων μας. Ύστερα από επαναληπτική παραμετροποίηση και αξιολόγηση του κάθε αλγορίθμου, καταλήγουμε στο καλύτερο δυνατό μοντέλο για τον καθένα από αυτούς. Συγκρίνοντας τις επιδόσεις τους στα άγνωστα δεδομένα, επιλέγουμε ένα τελικό μοντέλο μέσω του οποίου εξάγουμε τα συμπεράσματα μας. Τέλος παραθέτουμε κάποιες προτάσεις για περαιτέρω έρευνα στο μέλλον. Η συγκεκριμένη περιοχή μελέτης έχει ευρύ φάσμα πρακτικής και χρήσιμης εφαρμογής. Αν επιλυθεί ορθά, η ίδια μέθοδος και μοντέλο μπορούν να χρησιμοποιηθούν για μελέτη άλλων προβλημάτων όπως η απώλεια πελατών, η διαχείριση των πελατειακών σχέσεων, η ανεργία των νέων και άλλα.","Employee attrition is one of the most serious issues for organizations in current global economy. Human resources can be a key factor of organizations’ competitive advantage, but at the same time a costly challenge for them. For this reason, companies want to understand better the main issues behind employee attrition phenomenon. The decision of an employee to quit may be due to a variety of reasons. However, it’s important for companies to find out the most significant of them and predict who has the highest possibility to leave, so that they proceed to some changes and make a better human resource management. In this thesis, we chose to study statistical learning algorithms, in order to locate the main reasons of employee attrition, through data mining methods. Specifically, we analyze the algorithms of Logistic Regression, Decision Trees and Random Forest by using environment of R and R studio. The study is conducted on a dataset provided by kaggle.com, which is a data mining competition website. This data set has about 30.000 records and considers some of the employees’ characteristics, such as satisfaction level, last evaluation rating, salary and so on. The study firstly focuses on the theoretical depiction of algorithms and then on practical implementation and analysis of our data set. After iterative parameterization and evaluation of each algorithm, we conclude to the best possible model for each of them. By comparing their performance to unknown data, we select a final model, through which we draw our conclusions. At last we provide some suggestions for further research. This study area has a wide range of practical and useful application. If it has been resolved properly, the same method and model can be used to study other problems such as customer churn, customer relation management, youth unemployment and more."]},{"key":"dc:title","label":"Title","values":["Διερεύνηση αιτιών εργασιακής φθοράς με χρήση μεθόδων ταξινόμησης"]}]}],"canonical_facts":{"dc:creator":["Γιαγκλή Μαρία","Giagkli Maria"],"dc:date":["2019"],"dc:description":["Η εργασιακή φθορά αποτελεί ένα από τα σοβαρότερα προβλήματα που αντιμετωπίζουν οι οργανισμοί στην παγκόσμια οικονομία. Το ανθρώπινο δυναμικό μπορεί να αποτελέσει καθοριστικό παράγοντα ανταγωνιστικού πλεονεκτήματος για τους οργανισμούς, αλλά ταυτόχρονα και μια δαπανηρή πρόκληση για αυτούς. Για τον λόγο αυτό οι εταιρίες επιθυμούν να κατανοήσουν καλύτερα τα κύρια ζητήματα, από τα οποία πηγάζει το φαινόμενο της εργασιακής φθοράς. Η επιλογή κάποιου εργαζομένου να παραιτηθεί, μπορεί να οφείλεται σε πολλούς διαφορετικούς λόγους. Ωστόσο είναι σημαντικό για τις εταιρίες να εντοπίσουν τους πιο βαρυσήμαντους και να προβλέψουν ποιοι είναι οι εργαζόμενοι, που έχουν υψηλή πιθανότητα να φύγουν, ώστε να προβούν σε αλλαγές και να βελτιώσουν την διαχείριση του ανθρώπινου δυναμικού τους . Στην παρούσα εργασία επιλέξαμε να μελετήσουμε τους αλγορίθμους στατιστικής μάθησης, προκειμένου να εντοπίσουμε τους κύριους λόγους της εργασιακής φθοράς, μέσω των μεθόδων εξόρυξης δεδομένων. Συγκεκριμένα, αναλύουμε τους αλγορίθμους Logistic Regression, Decision Trees και Random Forest χρησιμοποιώντας το περιβάλλον της R και R studio. Η μελέτη διεξάγεται σε ένα σύνολο δεδομένων που παρέχεται από το kaggle.com, το οποίο αποτελεί ιστοσελίδα διαγωνισμών εξόρυξης δεδομένων. Το συγκεκριμένο σύνολο δεδομένων αποτελείται από περίπου 30.000 εγγραφές και εξετάζει ορισμένα από τα χαρακτηριστικά των εργαζομένων, όπως το επίπεδο ικανοποίησης τους, τον βαθμό τελευταίας αξιολόγησης τους, τον μισθό και ούτω καθ’ εξής. Η μελέτη εστιάζει αρχικά στην θεωρητική αποτύπωση των αλγορίθμων και την συνέχεια στην πρακτική εφαρμογή και ανάλυση τους, στο σύνολο των δεδομένων μας. Ύστερα από επαναληπτική παραμετροποίηση και αξιολόγηση του κάθε αλγορίθμου, καταλήγουμε στο καλύτερο δυνατό μοντέλο για τον καθένα από αυτούς. Συγκρίνοντας τις επιδόσεις τους στα άγνωστα δεδομένα, επιλέγουμε ένα τελικό μοντέλο μέσω του οποίου εξάγουμε τα συμπεράσματα μας. Τέλος παραθέτουμε κάποιες προτάσεις για περαιτέρω έρευνα στο μέλλον. Η συγκεκριμένη περιοχή μελέτης έχει ευρύ φάσμα πρακτικής και χρήσιμης εφαρμογής. Αν επιλυθεί ορθά, η ίδια μέθοδος και μοντέλο μπορούν να χρησιμοποιηθούν για μελέτη άλλων προβλημάτων όπως η απώλεια πελατών, η διαχείριση των πελατειακών σχέσεων, η ανεργία των νέων και άλλα.","Employee attrition is one of the most serious issues for organizations in current global economy. Human resources can be a key factor of organizations’ competitive advantage, but at the same time a costly challenge for them. For this reason, companies want to understand better the main issues behind employee attrition phenomenon. The decision of an employee to quit may be due to a variety of reasons. However, it’s important for companies to find out the most significant of them and predict who has the highest possibility to leave, so that they proceed to some changes and make a better human resource management. In this thesis, we chose to study statistical learning algorithms, in order to locate the main reasons of employee attrition, through data mining methods. Specifically, we analyze the algorithms of Logistic Regression, Decision Trees and Random Forest by using environment of R and R studio. The study is conducted on a dataset provided by kaggle.com, which is a data mining competition website. This data set has about 30.000 records and considers some of the employees’ characteristics, such as satisfaction level, last evaluation rating, salary and so on. The study firstly focuses on the theoretical depiction of algorithms and then on practical implementation and analysis of our data set. After iterative parameterization and evaluation of each algorithm, we conclude to the best possible model for each of them. By comparing their performance to unknown data, we select a final model, through which we draw our conclusions. At last we provide some suggestions for further research. This study area has a wide range of practical and useful application. If it has been resolved properly, the same method and model can be used to study other problems such as customer churn, customer relation management, youth unemployment and more."],"dc:identifier":["uoadl:2885645","https://pergamos.lib.uoa.gr/uoa/dl/object/2885645"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Διερεύνηση αιτιών εργασιακής φθοράς με χρήση μεθόδων ταξινόμησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:36:27Z"}