Data Mining to Improve Personnel Selection and Enhance Human Capital: A Case Study in High-Technology Industry

作者： Chien, C.-F. and Chen, L.-F. 來源： Expert Systems with Applications, Vol. 34, 2008, pp. 280-290.

授課教師：黃三益教授組員：徐慎宜 (M954020009) 唐筠 (D954020008) 林皇吉 (D954020004)

Background & Motivation

人力資源為高科技產業關鍵 直接影響：人才招募與挑選方式 過去研究：利用「靜態」的性質

高科技產業迅速變動 靜態的性質不適用 工作內容開始跨部門非單一化 挑選員工變得相當困難 必須要有新的挑選員工方式

高科技產業特徵（半導體業為例） 製程複雜、高不確定性、短產品生命週期、利潤低、人資

招募困難 以「工程師 (engineer) 」最為重要

Background & Motivation (cont.)

高科技產業人資問題 高離職率、招募正確人才困難、挑選困難 問題核心：如何挑選人才到合適職位、如何增加

員工在職年限 DM 雖高度發展，在人資領域的應用卻不足 本文目的

發展一個 DM framework 以進行人才挑選 以 association rule 的方式找出個人特徵與工作行

為 ( 包括工作表現、任職時間 ) 的關連

Empirical study-Background

公司背景 1987 成立 2005 二月底止，共有 18570 位員工

平均年齡 30.6 歲，平均服務 4.8 年 2.4% 博士， 26.5% 碩士， 17.6% 學士， 23.9% 專科， 29.6

% 高中 人資問題背景

高科技產業壓力大：人員流動率高 雖然經過嚴格挑選過程，仍有高離職率和工作表現不佳之

情況 人資部門只能以有限的資訊來預測應徵者的工作表現 應徵過程的表現也常誤導人資部門

Empirical study-Problem definition & Objective

目的 依據應徵者人文基本資料，預測工作行為 亦考量招募管道與工作職位 從中找出相關的 association rules

Empirical study- DM process & Results

DM Process 資料來源：台積電

時間： 2001~2004 職位數 / 資料數 ： 19/52895/3825

DM 技術 以 CHAID 發展 decision tree 並建立 asso

ciation rule

Empirical study-Data preparation

資料前處理及相關說明

Empirical study-Data preparation (cont.)

職位說明

Empirical study-DM & Model construction

以 CHAID 技術發展 decision tree 考量任何可能性

Decision tree 合適性 Confidence & Lift

Tree pruning 方式確保每個葉節點樣本數 >20

結果 50條association rule與工作表現有關 16 條 association rule 與任期有關 職位、學校、學歷與工作經驗與工作表現、任期最相關 離職原因：結果太過分歧且無法實行，不予以討論

Empirical study-Interpretation & Knowledge extraction

50 條 rule30 條有意義之 rule 針對招募管道、學歷、工作經驗進行討論

招募管道 工作表現

內部招募之員工 > 自外部招募之員工好，可能性較高 招募高潛力員工（碩士以上、自 tier 1 學校畢業之學生）

內部管道 > 外部管道。 職位 C

外部管道招募且有過一年以上工作經驗之員工，三個月內離職的可能性比內部管道招募之員工較高

在招募上改變作法，對於成功雇用之員工發與現金獎勵。 職位 B

內外部管道招募之員工三個月內離職的比率相當 正設法修改職位 B 之工作範圍

Empirical study-Interpretation & Knowledge extraction

學歷 工作表現

tier 1 大學且學歷較高者，工作表現較好。 招募管道

外部 tier 1 大學表現比起其他學校好

內部 tier 1 與 tier 2 大學表現比起其他學校好

職位 A tier 1 大學且工作表現好的員工，在一年內離職的比率比其他學校高

正著手改變職位 A 的工作內容，並計畫讓工作表現好之員工可以輪調到其他職位

Empirical study-Interpretation & Knowledge extraction

工作經驗 工作表現

一年以上經驗者 > 無經驗者 若同時具有高學歷的特質，工作表現更好 主修化學或材料工程的工作表現較好

離職率 一年以上經驗者三個月內離職比例 > 無經驗者 職位 C尤其明顯

已著手針對職位 C 工作內容進行改變

Empirical study-Knowledge using

第一 與 tier1 大學成立合作專案 (URP) ，學生畢業直接任職

第二 針對透過 URP 成功聘用之員工，提供現金獎勵

第三 針對某些職位負責範圍進行調整

第四 著手發展職位輪調機制

第五 針對 URP計畫已發展出特定輔導模式，加強員工聘用

Conclusion & Critique

貢獻 除解決台積電人才招募問題 DM 對高科技產業人力資源問題為可行技術

限制 只針對工程師（ engineer ）一職進行研究 單一個案外部有效性稍嫌不足

疑點 學校是何分出 3 個 tier？又各自包含哪些學校？ 年齡的部分是哪些種類？ 只提到職位 A 、 B 、 C ，其他職位之差異？

Thank You

Decision tree example (BACK)

Confidence and Lift (BACK)

Example of association rules (

BACK)