هدف این پژوهش پیش‌بینی تعادل کار و زندگی کارکنان براساس ویژگی‌های جمعیت‌شناختی و شغلی و شناسایی مهم‌ترین عوامل پیش‌بین‌ بود. با توجه به تمرکز غالب پژوهش‌های مبتنی بر یادگیری ماشین در مدیریت منابع انسانی بر پیش‌بینی ترک خدمت، در این مطالعه تعادل کار و زندگی به‌عنوان پیامدی مستقل بررسی و یافته‌ها در چارچوب نظریه تعارض کار و خانواده تفسیر شد. برای این منظور، از مجموعه‌داده «تحلیلگری منابع انسانی آی‌بی‌ام درباره ترک خدمت و عملکرد کارکنان»، شامل اطلاعات ۱۴۷۰ کارمند استفاده شد. پس از آماده‌سازی داده‌ها و رسیدگی به عدم‌توازن طبقات، عملکرد هشت الگوریتم یادگیری ماشین مقایسه و با استفاده از روش اهمیت ویژگی بر پایه جایگشت در مدل جنگل تصادفی (RF-PS)، ۱۵ پیش‌بین مهم شناسایی شدند. نتایج نشان داد مدل جنگل تصادفی با دقت 0.84 و امتیاز F1 برابر با 0.84بهترین عملکرد را دارد. مدل XGBoost نیز با دقت 0.83 و امتیاز F1 برابر با 0.84عملکردی نزدیک به آن نشان داد. در میان ۱۵ پیش‌بین شناسایی‌شده، ویژگی‌های جمعیت‌شناختی و شغلی، از جمله سن، وضعیت تأهل، نرخ دستمزد، نقش شغلی، واحدسازمانی، فاصله محل سکونت تا محل کار و مدت‌زمان سپری‌شده از آخرین ارتقا، برجسته بودند. این پژوهش با توسعه کاربرد تحلیلگری پیش‌بین در مدیریت منابع انسانی به حوزه تعادل کار و زندگی و پیوند دادن شناسایی پیش‌بین‌ها با نظریه تعارض کار و خانواده، به غنای ادبیات موضوع کمک می‌کند. یافته‌ها می‌توانند توجه سازمان‌ها را به شرایط کاری، نظام جبران خدمات، مسیرهای ارتقای شغلی و دشواری‌های رفت‌وآمد کارکنان جلب کنند، هرچند تعمیم نتایج به محیط‌های واقعی سازمانی به بررسی‌های بیشتری نیاز دارد.