Employee Promotion Analysis

“Phòng ban đông nhất lại ít người được thăng chức nhất – vì sao?”

Trong 155.846 hồ sơ nhân sự, chỉ 14,5% được thăng chức. R&D – phòng ban nhỏ nhất – có tỷ lệ cao nhất (21,5%), còn Sales & Marketing – đông nhất – chỉ 13,6%. Tôi hướng dẫn học viên tìm hiểu vì sao, rồi xây mô hình dự đoán giúp Ban Giám đốc đề cử có căn cứ.

1. Bối cảnh

Công ty chuẩn bị đề cử thăng chức để tạo động lực cho nhân viên. Ban Giám đốc cần biết yếu tố nào ảnh hưởng đến thăng chức và việc đề cử từ một phòng ban cụ thể có hợp lý hay không.

Hạng mục	Nội dung
Dữ liệu	155.846 dòng × 14 cột: phòng ban, học vấn, giới tính, kênh tuyển dụng, số khoá đào tạo, tuổi, đánh giá năm trước, thâm niên, KPI > 80%, giải thưởng, điểm đào tạo
Công cụ	Python

2. Hành trình phân tích

Điền giá trị thiếu thông minh – thay vì điền trung bình, dùng K-Means gom nhân viên theo điểm đào tạo, KPI và giải thưởng (chọn k = 4 bằng phương pháp Elbow), rồi điền previous_year_rating theo trung bình từng cụm.
EDA toàn công ty – so sánh tỷ lệ thăng chức, giải thưởng, KPI, điểm đào tạo và đánh giá năm trước giữa các phòng ban.
Chọn hai phòng ban đối lập – R&D và Sales & Marketing – để phân tích sâu và mô hình hoá.
Mô hình hoá – mã hoá biến, chia train/test, áp dụng SMOTE trên tập train; so sánh Random Forest và Gradient Boosting, tối ưu bằng GridSearchCV.

3. Dữ liệu kể gì?

Chỉ số	R&D	Sales & Marketing
Số nhân viên	3.262 (ít nhất)	48.189 (nhiều nhất)
Tỷ lệ thăng chức	21,5%	13,6%
Tỷ lệ có giải thưởng	4,6%	2,3%
Điểm đào tạo TB	83,2	52,8
Đánh giá năm trước	Cao nhất	Thấp nhất
Tỷ lệ đạt KPI	Cao nhất	Thấp nhất (~35,8%)

Điểm chung của hai phòng ban

Người có bằng Cử nhân và Thạc sĩ trở lên được thăng chức nhiều hơn.
Độ tuổi thăng chức tập trung quanh 30.
Phần lớn nhân viên có thâm niên khoảng 2 năm, sau đó giảm dần.
Kênh tuyển dụng “Other” đóng góp nhiều người được thăng chức nhất.
Đa số chỉ học 1 khoá đào tạo; ai có điểm đào tạo cao hơn thì dễ được thăng chức hơn.

Mô hình dự đoán

Phòng ban	Mô hình tốt nhất	Accuracy	Precision (thăng chức)
R&D	Gradient Boosting + GridSearchCV	81,63%	0,64
Sales & Marketing	Random Forest + GridSearchCV	87,3%	0,69

Một bài học quan trọng: Gradient Boosting hoạt động tốt ở R&D nhưng thất bại ở Sales & Marketing (accuracy chỉ 23,8%, precision 0,14) – cùng một thuật toán, kết quả có thể rất khác giữa các nhóm dữ liệu. Các biến quan trọng nhất: điểm đào tạo, thâm niên, tuổi và đánh giá năm trước.

4. Khuyến nghị cho Ban Giám đốc

Khoảng cách giữa hai phòng ban đến từ năng lực và đào tạo, không phải do quy mô.
Sales & Marketing cần đầu tư đào tạo và cải thiện hiệu suất KPI để mở rộng cơ hội thăng chức.
Có thể dùng mô hình như công cụ sàng lọc ban đầu, kết hợp đánh giá của quản lý – nhất là ở phòng ban có precision chưa cao.

5. Học viên học được gì?

Xử lý dữ liệu thiếu bằng phương pháp có cơ sở thay vì điền trung bình.
So sánh có chủ đích: chọn hai nhóm đối lập để làm rõ yếu tố quyết định.
Đánh giá mô hình bằng precision chứ không chỉ accuracy khi quyết định ảnh hưởng đến con người.

Học viên thực hiện: Vo Tran Hoang Chau – lớp DA76.