.png){kind=icon}
返回
Optimizing talent supply chains: deep learning models for resume-based retention forecasting
.png){kind=icon}
OA
AI
DOI：10.1007/s12351-025-01019-8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在当今动态的劳动力市场中，组织在吸引和留住顶尖人才方面面临日益增长的挑战。高员工流失率导致巨大成本并扰乱战略劳动力规划。本文旨在探讨预测建模，特别是深度学习，如何应用于通过仅基于简历数据预测候选人保留时间来改进招聘策略。该研究由与人工智能驱动的招聘平台Talendary合作进行，提出了一种在超过90,000份匿名简历上训练的神经网络回归模型。借鉴供应链管理的原则，该模型整合了职业晋升率、工作稳定性和流动性模式等特征。结果显示了强大的预测性能，在测试集上实现了0.9877的R²分数，表明简历中包含有关未来工作年限的有意义信号。这些发现表明，由机器学习支持的数据驱动招聘能够实现更明智的招聘决策，降低与流失相关的成本，并促进长期劳动力可持续发展。同时，也探讨了包括公平性、透明度和隐私在内的伦理考量，以支持在招聘过程中负责任地使用人工智能。
Keyword:
Employee turnover
Recruitment analytics
Deep learning
Resume mining
Retention prediction
Workforce planning
Neural network regression
Talent management
Ethical AI
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.7
论文数:
88
被引数:
1.7K
机构
引用论文
Personnel selection using analytic network process and fuzzy data envelopment analysis approaches
PREAI
分享收藏Challenges in Recruitment and Selection Process: An Empirical Study招聘与选拔过程中的挑战：一项实证研究.png)
ChallengesOAAI
ChallengesIF0
OAAI分享收藏
查看更多内容