การทำนายการลาออกของพนักงาน: การศึกษาเปรียบเทียบโมเดลการเรียนรู้ของเครื่อง โดยใช้คุณลักษณะเหตุการณ์

การลาออกของพนักงานเป็นความท้าทายสําคัญสําหรับองค์กรในปัจจุบัน โดยเฉพาะอย่างยิ่งในกลุ่มพนักงาน Outsource ระดับปฏิบัติการ ซึ่งส่งผลกระทบโดยตรงต่อประสิทธิภาพการดําเนินงาน ต้นทุนการบริหารทรัพยากรบุคคล และความต่อเนื่องของกระบวนการทางธุรกิจ งานวิจัยนี้มุ่งพัฒนาแบบจําลองการพยากรณ์การลาออกของพนักงานโดยใช้เทคนิคการเรียนรู้ของเครื่อง ด้วยการบูรณาการข้อมูลเชิงลึกที่ไม่เคยถูกนํามาวิเคราะห์อย่างจริงจังในงานวิจัยก่อนหน้า ประกอบด้วยพฤติกรรมการลาในรูปแบบต่าง ๆ (ลาพักร้อน ลากิจ และลาป่วย) รูปแบบการทํางานล่วงเวลาที่แยกประเภทระหว่างวันทํางานปกติและวันหยุด ร่วมกับข้อมูลประชากรศาสตร์และประวัติการทํางานการศึกษานี้ใช้แบบจําลองการเรียนรู้ของเครื ่องที ่สามารถอธิบายผลการทํานายได้(Explainable Models) ประกอบด้วย XGBoost, Decision Tree, Random Forest และ Gradient Boosting เพื่อไม่เพียงแค่พยากรณ์การลาออก แต่ยังสามารถระบุปัจจัยสําคัญที่ส่งผลต่อการตัดสินใจลาออกของพนักงาน นําไปสู่การพัฒนานโยบายการรักษาพนักงานที่มีประสิทธิภาพและตรงกับความต้องการ การประเมินประสิทธิภาพของแบบจําลองใช้มาตรวัดหลากหลายมิติได้แก่ ความแม่นยํา(Accuracy) ความเที่ยงตรง (Precision) ความไว (Recall) และค่า F1-score โดยทําการทดสอบความสามารถในการพยากรณ์ล่วงหน้า 1 ถึง 2 เดือนผลการวิจัยพบว่า XGBoost มีประสิทธิภาพสูงสุดในการทํานายการลาออก โดยมีค่าความแม่นยํา 0.83 เมื่อใช้คุณลักษณะเหตุการณ์ร่วมด้วย ปัจจัยที่มีอิทธิพลสูงสุดต่อการลาออกคืออายุงาน โดยเฉพาะในช่วง 1-2 ปีแรก และหากมีชั่วโมงการทํางานล่วงเวลาที่น้อยด้วยนั้น (0-20ชั่วโมงในช่วง 3 เดือน) มีแนวโน้มลาออกสูงกว่าพนักงานที่มีชั่วโมงทํางานล่วงเวลาที่สูงกว่า ผลการศึกษานี้สามารถนําไปใช้ในการพัฒนาระบบเฝ้าระวังและมาตรการป้องกันการลาออกของพนักงานได้อย่างมีประสิทธิภาพ