Predicción de la felicidad de los empleados en el lugar de trabajo
Visualitza/Obre
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/340038
Realitzat a/ambSlashMobility
Tipus de documentTreball Final de Grau
Data2020-10-26
Condicions d'accésAccés obert
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
El proyecto Kokoro de Slashmobility consiste en una plataforma dirigida a RRHH para poder predecir las acciones de los empleados, la cual una de las acciones es la fuga de talento. Para ello, Kokoro necesita el input de "Felicidad del empleado", es decir, la autorrealización del empleado en la empresa. Este TFG analiza la predicción de esta felicidad en base a unos cuestionarios con preguntas definidas para determinar la felicidad, distribuidas por un chatbot. Debido a que durante el desarrollo del TFG aún no ha sido desarrollado tal chatbot, se han generado unos datos teóricos y realistas. Se analiza la predicción con diferentes métodos de Machine Learning: Decision Tree, Random Forest, Linear Regression y MLP (Red neuronal) y se ha llegado a la conclusión de que con estos datos teóricos, el mejor método es Random Forest, con una precisión alrededor del 94%, bastante alta precisión, aunque puede ser debido a que los datos son teóricos. Slashmobility's Kokoro project consists of a platform aimed to HR to be able to predict the actions of employees, one of which is the flight of talent. For this, Kokoro needs the input of "Employee Happiness", that is the employee's self-realization in the company. This TFG analyzes the prediction of this happiness based on questionnaires to determine the employee happiness, distributed by a chatbot. Due to the fact that such chatbot has not yet been developed (during the development of the TFG), theoretical and realistic data have been generated. The prediction is analyzed with different Machine Learning methods: Decision Tree, Random Forest, Linear Regression and MLP (Neural Network). It has been concluded that with these theoretical data, the best method is Random Forest, with a precision around 94%, a high precision, although it may be because the data is theoretical. El projecte de Kokoro de Slashmobility consisteix en una plataforma dirigida a RRHH per
poder predir les accions dels empleats, la qual una de les accions és la fuga de talent. Per
això, Kokoro necessita el input de “Felicitat del emplea”, és a dir, la autorealització de
l'empleat en la empresa. Aquest TFG analitza la predicció d’aquesta felicitat en base a uns
qüestionaris per determinar la felicitat, distribuïdes per un chatbot. Degut a que durant el
desenvolupament del TFG encara no ha estat desenvolupat aquest chatbot, s’han generat
unes dades teòriques y realistes . S’analitza la predicció amb diferents mètodes de Machine
Learning: Decision Tree, Random Forest, Linear Regression i MLP (Xarxa Neuronal). S’ha
arribat a la conclusió de que amb aquestes dades teòriques, el millor mètode és Random
Forest amb una precisió al voltant del 94%, una precisió bastant alta, encara que pot ser
degut que les dades són teòriques.
MatèriesMachine learning, Neural networks (Computer science), Aprenentatge automàtic, Xarxes neuronals (Informàtica)
TitulacióGRAU EN ENGINYERIA INFORMÀTICA (Pla 2010)
Col·leccions
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
151893.pdf | 1,530Mb | Visualitza/Obre |