EMPLOYEE RETENTION STRATEGIES IN INFORMATION TECHNOLOGY COMPANIES: A CASE STUDY IN HYDERABAD
Notice bibliographique
Résumé
Given the volatility and uncertainty of today's economic climate, it is crucial thatIT companies develop and implement effective personnel management strategies aimed atretaining their most valuable employees. The high rate of employee turnover that had becomesuch a problem for successful IT organizations has begun to level out as the resignation wavesubsides. Most of India's top IT firms, including Infosys, TCS, HCL, and Tech Mahindra,reported lower attrition rates in the fiscal year's second quarter of 2022 (17-18% vs. 22-25%).However, even this reduction represents a significant increase in employee departures fromthe company when compared to rates seen before the global financial crisis: "the fear oflayoffs really isn't affecting the talented as the one who knows their worth,once decided tomove to It is clear that even in economic moments, companies regard talent Exodus andround robin as tactics to keep their talents for a longer amount of time in order to have aCompetitive advantage, as Mohit Joshi, president of Infosys, will take over as CEO and MDof Tech Mahindra from December 20-23. In January 2022, Ravi Kumar, president of Infosys,will succeed Brain Hempries as CEO and MD of Cognizant.Mohit Joshi, Infosys president,takes charge as CEO and MD of Tech Mahindra from December 20–23, so it is evident thateven in a recession period, the Talent Exodus is seen in the IT sector, which mean attrition isstill a persistent issue of IT companies, which can be driven by the best employee retentionstrategies.In this paper, an Empirical reviews of various reviews of literature and researchwork done on employee retention strategies in IT sector can be seen, the paper studies aboutthe perception of employees on retention strategies.
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 | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».