ОЦІНКА МЕТОДІВ КЛАСТЕРИЗАЦІЇ РІЗНОТИПОВИХ ДАНИХ

Дослідницька робота вивчає взаємозалежність успішності роботи груп навчених суб’єктів від власних характеристик кожного члена групи. Описана можливість прогнозування співпраці окремих спеціалістів у команді в довгостроковій перспективі на основі методів машинного навчання, до яких належать різні моделі кластеризації й відповідні методи кластеризаційного аналізу. Окрім того, поданий алгоритм здобуття аналітичних даних для подальшого їх використання у можливій реалізації сервісу для підбору й групування персоналу та подальших досліджень. У роботі розглянуто декілька основних методів кластеризаційного аналізу. Визначена мета дослідження - оцінка методів та вибір найбільш кращого для дослідження і подальшої кластеризації ознак працівників офісних компаній. Було розглянуто переваги та недоліки основних алгоритмів з урахуванням потреб дослідження. У цьому дослідженні розглянуто потенційні джерела даних, процеси їх обробки та кластеризації обраними алгоритмами. В роботі практично перевірено відповідність обраного методу кластерного аналізу. Для аналізу був обраний FOREL алгоритм, який відповідає вимогам роботи на контрольній групі даних, зручній для наглядного представлення процесу кластеризації. Були оцінені особливості використання різних методів з різною кількістю ознак та обрано метод (k-середніх) для подальшого порівняння з основним підходом (FOREL). Досліджено можливість та доведено використання методів машинного навчання (FOREL, k-means зокрема) для полегшення процесу потреб найму та розподіленню працівників. У роботі був зроблений висновок, що обраний підхід годиться для обширного погляду на формування команд, а не на підгін всіх працівників під команду певного розміру (хоча це теж є можливим). Використання даного алгоритму може бути корисним і при доукомплектуванні команд. Для цього необхідно лиш розширити вибірку досліджуваних даних вже найманими працівниками зі своїми командами і оцінити, в якій команді “приживеться” потенційний командний гравець.