طراحی و پیاده‌سازی سیستم منابع انسانی در شرکت‌های کوچک و متوسط (SMEs) با رویکرد داده‌کاوی (مورد مطالعه: شرکت‌های کاشی و سرامیک استان یزد)
محورهای موضوعی : مدیریت صنعتی
امیراحسان اسحاقیه فیروزآبادی
1
,
محمد زارعی محمودآبادی
2
1 - پژوهشگر پسادکتری، گروه مدیریت، دانشگاه میبد، میبد، ایران
2 - دانشیار گروه مدیریت صنعتی، دانشگاه میبد، میبد، ایران
کلید واژه: سیستم منابع انسانی, ارزیابی عملکرد, داده‌کاوی, شرکت‌های کوچک و متوسط (SMEs), یادگیری ماشین.,
چکیده مقاله :
چکیده هدف: این پژوهش با هدف طراحی و پیاده‌سازی یک سیستم هوشمند ارزیابی عملکرد منابع انسانی در شرکت‌های کوچک و متوسط (SMEs) با بهره‌گیری از روش‌های داده‌کاوی انجام شده است. تمرکز مطالعه بر شرکت‌های کاشی و سرامیک استان یزد به عنوان یک منطقه صنعتی کلیدی در ایران بوده است. روش‌شناسی: در این پژوهش کاربردی، با استفاده از چارچوب نظری و پیشینه پژوهش، 10 شاخص کلیدی ارزیابی عملکرد شناسایی شد. داده‌های تحقیق از بانک اطلاعاتی شرکت‌های تولیدی SME فعال در حوزه کاشی و سرامیک استان یزد جمع‌آوری گردید. پس از پیش‌پردازش داده‌ها، سه الگوریتم داده‌کاوی شامل درخت تصمیم (Decision Tree)، الگوریتم نزدیک‌ترین همسایه (K-NN) و نایو بیز (Naive Bayes) در محیط پایتون (Google Colab) پیاده‌سازی و پارامترهای دقت، صحت، بازخوانی و معیار F1 مورد ارزیابی قرار گرفتند. یافته‌ها: نتایج مقایسه الگوریتم‌ها نشان داد که روش K-NN با دقت 3/98 درصد، بهترین عملکرد را در طبقه‌بندی و ارزیابی عملکرد کارکنان دارد، در حالی که الگوریتم نایو بیز با اختلاف معناداری ضعیف‌ترین نتایج را ارائه کرد. یافته‌های نوآورانه این پژوهش حاکی از آن است که سیستم پیشنهادی مبتنی بر K-NN قابلیت ارزیابی دقیق عملکرد کارکنان موجود و جدیدالورود را با کمترین خطا دارا می‌باشد. نتیجه‌گیری: پیاده‌سازی این سیستم هوشمند می‌تواند منجر به بهبود چشمگیر در فرآیندهای مدیریت منابع انسانی SMEs شود، به طوری که سازمان‌دهی کارکنان با دقت بالاتر و خطای کمتر صورت پذیرد. این پژوهش راهکارهای عملی برای مدیران صنعتی ارائه می‌دهد و زمینه را برای تحقیقات آتی در حوزه کاربرد هوش مصنوعی در مدیریت منابع انسانی فراهم می‌سازد.
Abstract Background and Objectives: This study aims to design and implement an intelligent human resource performance evaluation system for Small and Medium Enterprises (SMEs) using data mining techniques, with a focus on the tile and ceramic companies in Yazd, Iran, as a key industrial region. Methodology: In this applied research, 10 key performance indicators were identified based on theoretical frameworks and literature review. Data were collected from the HR databases of manufacturing SMEs in Yazd's tile and ceramic sector. After data preprocessing, three data mining algorithms -Decision Tree, K-Nearest Neighbors (K-NN), and Naive Bayes- were implemented in Python (Google Colab environment). The algorithms' performance was evaluated using accuracy, precision, recall, and F1-score metrics. Findings: Comparative analysis revealed that the K-NN algorithm achieved superior performance with 98.3% classification accuracy, significantly outperforming the Naive Bayes approach. The innovative findings demonstrate that the proposed K-NN-based system can accurately evaluate both existing and newly hired employees' performance with minimal error. Conclusion: The implementation of this intelligent system can substantially enhance HR management processes in SMEs, enabling more accurate and efficient workforce organization. This study provides practical solutions for industrial managers and paves the way for future research on AI applications in human resource management