Strategies for Reducing Employee Turnover in Small- and Medium-Sized Enterprises
Notice bibliographique
Résumé
Employee turnover leads to increased operational costs and workloads and affects sales performance. Reducing employee turnover is essential for managers of small and medium sized enterprises to minimize costs and increase sales performance. Grounded in the job embeddedness theory, the purpose of this qualitative multiple case study was to explore strategies the managers of small and medium sized enterprises use to reduce employee turnover that negatively affects sales performance. Data were collected using semistructured, face-to-face interviews, and a review of organizational documents. The participants consisted of three managers of small and medium sized enterprises in the Bronx, New York. After conducting the interviews, the interviews were transcribed. The transcripts and organizational documents were then uploaded into NVivo v12 software to analyze the data (i.e., organize data, create codes, and identify themes). The analysis revealed that recognition and rewards, training and career advancement opportunities, effective communication, and pay, compensation, and benefits are effective in helping to reduce employee turnover. Managers of small and medium sized enterprises may use the findings to devise recognition and reward strategies to decrease employee turnover. The findings and recommendations from this inquiry may help managers of small and medium sized enterprises, business leaders or owners, and human resource personnel to reduce employee turnover and improve sales performance, profitability, and competitiveness. Keywords: employee turnover, job embeddedness, employee retention, employee retention strategies, and employee engagement
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».