A STUDY ON EMPLOYEE RETENTION PRACTICES AND CHALLENGES IN HYDERABAD-BASED INFORMATION TECHNOLOGY COMPANIES
Notice bibliographique
Résumé
It is critical for IT organisations to create and execute effective strategies for managing staff in order to hold on to their best workers in light of the current economic uncertainties and volatility. A levelling off of the high rate of personnel turnover has started as the resignation tsunami decreases, which was a major concern for successful IT businesses. Infosys, TCS, HCL, and Tech Mahindra—among India's leading IT companies—reported decreased attrition rates in the second quarter of the fiscal year of 2022 (17-18% vs. 22-25%). Though the number of employees leaving has decreased, it is still higher than the rates seen before the global financial crisis: "the fear of layoffs really isn't affecting the talented as the one who knows their worth, once decided to move to It is clear that even in economic moments, companies regard talent Exodus and round robin as tactics to keep their talents for a longer amount of time in order to have a competitive advantage," as Mohit Joshi, president of Infosys, will take over as CEO an After Brain Hempries steps down as CEO and MD of Cognisant in January 2022, Infosys president Ravi Kumar will take up the role.It is clear that the IT sector is experiencing the Talent Exodus even during recessionary times. Attrition is still a problem for IT companies, and the best strategies to retain employees can't stop Mohit Joshi, president of Infosys, from becoming CEO and MD of Tech Mahindra from December 2021 onwards.This study examines the viewpoints of workers about retention methods in the information technology industry and presents an empirical analysis of the relevant literature and research.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».