مقاله ترجمه شده داده کاوی حوزه محور در مدیریت منابع انسانی

 

کد محصول:M457

قیمت فایل ترجمه شده:   12000 تومان

تعداد صفحه انگلیسی:11

سال نشر: 2013

تعداد صفحه ترجمه فارسی:   29  صفحه word

عنوان فارسی:

مقاله ترجمه شده داده کاوی حوزه محور در مدیریت منابع انسانی: مروری بر تحقیقات اخیر

عنوان انگلیسی:

Domain driven data mining in human resource management: A review of current research

چکیده فارسی:

تعداد رو به افزایش مقالات مرتبط با داده کاوی در زمینه مدیریت منابع انسانی (HRM) روشن می کند که حضور یک زمینه تحقیقاتی جدید در حال جریان یافتن است. مقاله حاضر این تحقیقات را در زمینه داده کاوی منابع انسانی برای روشن کردن سیستماتیک پیشرفت های اخیر و پیشنهاد زمینه هایی برای کار بیشتر مرور می کند. بر مبنای رویکرد داده کاوی حوزه محور (دامنه محور)، یک چارچوب اولیه با نیازهای خاص حوزه، تشریح شده است. تحقیقات مرتبط شناسایی شده و در پیش زمینه این چارچوب مورد بررسی قرار گرفته اند. این مرور آشکار می کند که HRM یک حوزه قابل توجه از تحقیقات داده کاوی را که بوسیله کار روش­مند و تکنولوژی محور کنترل می شود، تشکیل می دهد. با اینحال، نیازهای حوزه محور، از قبیل ارزیابی موفقیت حوزه یا مطابقت با استانداردهای قانونی، در تحقیق حاضر مدنظر     نبوده­اند. بنابراین، توجه منظم به نیازهای حوزه محور در اینجا روشن شده تا کاربردهای معنی داری برای تحقیقات آینده در زمینه داده کاوی در HRM ایجاد کند.

واژگان کلیدی: داده کاوی، مدیریت منابع انسانی، مرور ادبیات، داده کاوی حوزه محور (دامنه محور)، داده کاوی منابع انسانی، مدیریت منابع انسانی الکترونیکی (e-HRM)

1.         مقدمه

داده کاوی به فرایند مهمی از شناسایی الگوهای جدید، بالقوه مفید و معتبر در داده بر می گردد (فیاد، پیاتتسکای- شاپیرو، و اسمیت، 1996). مجموعه گسترده ای از حوزه های کاربردی در داده کاوی و حوزه های تحقیقاتی مشابه وجود دارد، که شامل حوزه مدیریت با زمینه های فرعی تازه، مانند مدیریت مشتری (مثل انگای، زیو، و چائو، 2009)، مدیرت تولید (مانند چادهاری، هاردینگ، و تیواری، 2008) یا مدیریت مالی (مانندانگای، هو، وونگ، چن، و سان، 2011) می باشد. اخیرا، این زمینه های فرعی بوسیله مدیریت منابع انسانی کامل شده اند (HRM). در سالهای اخیر، یک رشد سریع در تعداد تحقیقاتی که قصد دارند از داده کاوی کاربردی در مدیریت منابع انسانی حمایت کنند بوجود آمده است. کارهای تحقیقاتی به فعالیت های مختلف HRM و فرایندهایی از قبیل انتخاب کارمندان (آیولی، د فیلیپو، و اسپردوتی، 2009) و پیش بینی چرخش کارمندان (اواید و روی، 2011) در عملکرد گزینش، اثبات رقابت های کارکنان (ژو، گونکالوز، اورن، موتا، و پاچکو، 2005) و برنامه ریزی شغلی (لوکامی و سرویس، 2011) در عملکرد توسعه، برنامه ریزی هزینه های منابع انسانی (جوان، 2009) و پیش بینی پذیرش پاداش مجزا (رامش، 2001) در عملکرد حقوق و دستمزد، و پیش بینی (تیسن- رو، 2005) و ارزیابی (ژائو، 2008a,b) عملکرد کارکنان در عملکرد مدیریت کارکرد بر می گردد. برای پشتیبانی از این عملکردها، گستره کامل روش های داده کاوی- درخت تصمیم (سیوارام و رامار، 2010)، تحلیل خوشه (کاراهوکا، کاراهوکا، و کایا، 2008)، تحلیل وابستگی (ژانگ و دنگ، 2011)، ماشین های بردار پشتیبانی (لی، زو، و منگ، 2009) و شبکه های عصبی (نینگ، 2010)- بکارگرفته شده اند، در حالیکه پیشرفت های روش شناختی و نوآوری هایی هم ارائه شده اند (گوناواردن، ساباشینی، بورالسا، و پرماران، 2010). به طور خلاصه، مرور ادبیات روشن می کند که یک زمینه موفقیت آمیز جدید از تحقیقات داده کاوی هست که دیدگاه های وسیعی را در چگونگی ایجاد اطلاعات پیشرفته و پشتیبانی تصمیم در حوزه منابع انسانی فراهم می آورد.

Abstract

An increasing number of publications concerning data mining in the subject of human resource management (HRM) indicate the presence of a prospering new research field. The current paper reviews this research on HR data mining to systematically uncover recent advancements and suggest areas for future work. Based on the approach of domain driven data mining, an initial framework with significant domain-specific requirements is elaborated. Relevant research contributions are identified and reviewed against the background of this framework. The review reveals that HRM constitutes a noteworthy new domain of data mining research that is dominated by method- and technology-oriented work. However, specific domain requirements, such as evaluating the domain success or complying with legal standards, are frequently not recognized or considered in current research. Therefore, the systematic consideration of domain-specific requirements is demonstrated here to have significant implications for future research on data mining in HRM.