Details

Научно–исследовательская работа посвящена разработке и исследованию модели сегментации сотрудников ИТ–компаний на основе интеграции поведенческих показателей и алгоритмов кластеризации. В условиях цифровизации и роста объемов данных эффективное управление человеческими ресурсами становится важной задачей для ИТ–организаций, что обуславливает актуальность применения методов анализа данных и машинного обучения. В работе рассматриваются теоретические основы сегментации и персонализации, особое внимание уделяется поведенческой сегментации и методу RFM–анализа. Показано, что классический RFM–подход может быть адаптирован для анализа деятельности сотрудников ИТ–компаний путем интерпретации показателей давности активности, частоты выполнения задач и ценности вклада в проекты. Для автоматизированного формирования сегментов используются алгоритмы кластеризации без учителя. В рамках исследования проанализированы и описаны основные алгоритмы кластеризации, включая K-Means, иерархическую кластеризацию и DBSCAN. Обоснован выбор алгоритма K-Means в качестве базового метода сегментации сотрудников, что связано с его интерпретируемостью, вычислительной эффективностью и удобством применения к RFM– подобным признакам. Практическая часть работы направлена на формирование признакового пространства, построение модели кластеризации и анализ полученных сегментов сотрудников. Результаты сегментации могут быть использованы для персонализации управленческих решений, повышения эффективности распределения задач, выявления групп риска и разработки индивидуальных стратегий мотивации и развития персонала.

This research paper is devoted to the development and study of a segmentation model for IT company employees based on the integration of behavioral indicators and clustering algorithms. In the context of digitalization and the growth of data volumes, effective human resource management is becoming a crucial task for IT organizations, which necessitates the use of data analysis and machine learning methods. This paper examines the theoretical foundations of segmentation and personalization, with a particular focus on behavioral segmentation and RFM analysis. It is shown that the classical RFM approach can be adapted to analyze the activities of IT company employees by interpreting indicators of activity duration, task frequency, and the value of project contributions. Unsupervised clustering algorithms are used for automated segmentation. This study analyzes and describes key clustering algorithms, including K- Means, hierarchical clustering, and DBSCAN. The choice of the K-Means algorithm as the basic employee segmentation method is justified due to its interpretability, computational efficiency, and ease of application to RFM–like features. The practical portion of the study focuses on generating a feature space, constructing a clustering model, and analyzing the resulting employee segments. The segmentation results can be used to personalize management decisions, improve the efficiency of task allocation, identify risk groups, and develop individualized motivation and development strategies for personnel.

• СОДЕРЖАНИЕ
• ВВЕДЕНИЕ
• 1 АНАЛИЗ ПОДХОДОВ К СЕГМЕНТАЦИИ И ПЕРСОНАЛИЗАЦИИ В ИТ–КОМПАНИЯХ
  • 1.1 Понятие сегментации и персонализации
  • 1.2 Поведенческая сегментация
  • 1.3 RFM-анализ и его математическая формализация
  • 1.4 Адаптация RFM-анализа для сотрудников ИТ-компаний
• 2 АЛГОРИТМЫ КЛАСТЕРИЗАЦИИ И МАТЕМАТИЧЕСКИЕ МОДЕЛИ
  • 2.1 Постановка задачи кластеризации
  • 2.2 Алгоритм K-Means
  • 2.3 Иерархическая кластеризация
  • 2.4 Алгоритм DBSCAN
  • 2.5 Выбор алгоритма для кластеризации сотрудников
• 3 ГЛАВА 3. Практическая реализация модели сегментации сотрудников ИТ-компаний
  • 3.1 Общая логика практической части исследования
  • 3.2 Постановка прикладной задачи и требования к модели
  • 3.3 Источники данных для сегментации сотрудников ИТ-компаний
  • 3.4 Формирование RFM-подобных признаков
  • 3.5 Описание экспериментального набора данных
  • 3.6 Предобработка данных и нормализация признаков
  • 3.7 Выбор количества кластеров
  • 3.8 Построение модели K-Means
  • 3.9 Интерпретация полученных сегментов
  • 3.10 Использование результатов сегментации для персонализации управленческих решений
  • 3.11 Ограничения предложенной модели
  • 3.12 Рекомендации по внедрению модели в ИТкомпании
  • 3.13 Программная реализация кластеризации на открытом Kaggle–датасете
  • 3.14 Анализ и интерпретация результатов сегментации сотрудников
  • 3.15 Выводы по практической части
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ A РЕАЛИЗАЦИЯ …