Zastosowanie metod odkrywania wiedzy (data mining) w zarządzaniu kapitałem ludzkim

• Autorzy: Bogna Zacny
• Języki publikacji: PL

Abstrakty

Metody data mining, pozwalające na odkrywanie nietrywialnych i nieznanych wzorców w ogromnych zbiorach danych, są adaptowane w wielu obszarach zarządzania przedsiębiorstwem, w tym także w procesach zarządzania kapitałem ludzkim. Szeroki wachlarz użytecznych metod umożliwia wykonanie wielopłaszczyznowej i głębokiej analizy, której wyniki pozwalają na identyfikację i zrozumienie relacji zachodzących pomiędzy pracownikami organizacji, przewidywanie ich zachowania oraz kształtowanie postaw i kompetencji. W rozdziale scharakteryzowano proces odkrywania wiedzy z danych, w szczególności najistotniejszy jego etap, jakim jest eksploracja danych. Wyjaśniono także różnice pomiędzy grupami metod oraz dokładnie opisano poszczególne metody stosowane w wyróżnionych obszarach zarządzania kapitałem ludzkim. W ostatniej części rozdziału zaprezentowano wyniki analizy przeprowadzonego badania dotyczącego wykorzystania analizy typu data mining w zarządzaniu kapitałem ludzkim w organizacji. (fragment tekstu)

Słowa kluczowe

PL

Informatyka; Zarządzanie kapitałem ludzkim; Organizacja; Data Mining; Systemy informatyczne

EN

Information science; Human Capital Management; Organisation; Data Mining; Computer system

• Czasopismo: Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2016
• Tom: Technologie informatyczne w zarządzaniu kapitałem ludzkim w organizacji
• Strony: 86--109

Twórcy

autor

Bogna Zacny

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Biecek P., Trajkowski K. (2011), Na przełaj przez Data Mining z pakietem R, http://www.biecek.pl/NaPrzelajPrzezDataMining (dostęp: październik 2016).
• Brachman R.J., Anand T. (1996), The process of knowledge Discovery in Databases [w:] Advances in Knowledge Discovery and Data Mining, eds. U.M. Fayyad et al., AAAI Press / The MIT Press.
• Chapman P., Clinton J., Kerber R., Khabaza T., Reinartz T., Shearer C., Wirth R. (2000), CRISP-DM. Step-by-step Data Mining Guide, https://www.the-modeling-agency. com/crisp-dm.pdf (dostęp: wrzesień 2016).
• Davenport T.H., Harris J., Shapiro J. (2010), Competing on Talent Analytics, "Harvard Business Review", October.
• Dorn J., Hochmeister M. (2009), Techscreen: Mining Competencies in Social Software, The 13th world multi-conference on systemics, cybernetics and informatics.
• Dzeroski S. (2006), Towards a General Framework for Data Mining [w:] Knowledge Discovery in Inductive Databases, eds. S. Dzeroski, J. Struyf, LNCS 47474, Springer-Verlag.
• Hand D., Mannila H., Smyth P. (2001), Principles of Data Mining, The MIT Press.
• Hand D., Mannila H., Smyth P. (2005), Eksploracja danych, Wydawnictwa Naukowo-Techniczne, Warszawa.
• Hastie T., Tibshirani R., Friedman J. (2009), The Elements of Statistical Learning, Springer, New York.
• Koronacki J., Ćwik J. (2015), Statystyczne systemy uczące się. Wydanie drugie, Akademicka Oficyna Wydawnicza EXIT Andrzej Lang.
• Larose D.T. (2006), Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych, PWN, Warszawa.
• O'Reilly (2014), Reducing the Costs of Employee Chum with Predictive Analytics, O'Reilly White Paper.
• Piatetsky G. (2014), KDnuggets Methodology Poll, http://www.kdnuggets.com/2014/10/crisp-dm-top-methodology-analytics-data-mining-data-science-projects.html (dostęp: wrzesień 2016).
• Rodrigues S., Oliveira J., de Souza J.M. (2005), Competence Mining for Team Formation and Virtual Community Recommendation, Ninth international conference on computer supported cooperative work in design.
• Romero C., Ventura S. (2010), Educational Data Mining: A Review of the State of the art, IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews, Vol. 40, s. 601-618, http://dx.doi.org/10.1109/TSMCC.2010.2053532.
• Strohmeier S., Piazza F. (2013), Domain Driven Data Mining in Human Resource Management: A Review of Current Research, "Expert Systems with Applications", Vol. 40.
• Surma J. (2009) Business Intelligence: systemy wspomagania decyzji biznesowych, Wydawnictwo Naukowe PWN, Warszawa.
• Zhu J., Goncalves A.L., Uren V.S., Motta E., Pacheco R. (2005), Mining Web Data for Competency Management, Web Intelligence, Proceedings, The 2005 1EEE/WTC/ ACM International Conference.
• Żołtaszek A. (2014), Modele mikrosymulacyjne. Teoria i zastosowania ekonomiczno-społeczne, Wydawnictwo Uniwersytetu Łódzkiego, Łódź.