İK analitiğinde çalışan devir tahmini için makine öğrenimi ve açıklanabilir yapay zekanın entegrasyonu

İnsan Kaybı Neden Ağır Darbe Vurur

Her istifa gizli bir maliyete sahiptir. Deneyimli bir çalışan kapıdan ayrıldığında şirket sadece bir maaş satırını kaybetmez; yetenekleri, ilişkileri ve ivmeyi de yitirir. Bu makale, modern veri araçlarının kuruluşların kimin ayrılmak üzere olabileceğini tespit etmelerine ve daha da önemlisi nedenini anlamalarına nasıl yardımcı olabileceğini inceliyor. Makine öğrenimini açıklanabilir yapay zeka ile harmanlayarak araştırmacılar, İK ekiplerine değerli kişileri elde tutmak için pratik bir erken uyarı ve yönlendirme sistemi sunmayı amaçlıyor.

İK Kayıtlarını Sinyallere Dönüştürmek

Çoğu kuruluş zaten personeli hakkında zengin bilgiler toplar: yaş, pozisyon, maaş, performans puanları ve hatta memnuniyet anketlerine verilen yanıtlar. Çalışma, binlerce çalışanı içeren, yaygın kullanılan bir IBM örneği ile gerçek veya gerçekçi birkaç şirket veri seti dahil olmak üzere dört veri kümesini kullanıyor. Bu tablolar aylık gelir veya şirkette geçirilen yıl gibi sayısal verileri iş rolü veya medeni durum gibi kategorilerle karıştırır. Yazarlar önce tüm bu bilgileri temizleyip standartlaştırır, metin etiketlerini sayılara çevirir ve ölçümleri karşılaştırılabilir ölçeklere getirir. Bu titiz hazırlık, dağınık İK kayıtlarını bilgisayarların öğrenebileceği tutarlı bir temele dönüştürür.

Kaçma Riskini Tespit Etmesi İçin Makineleri Eğitmek

Veriler hazır olduğunda ekip, basit lojistik regresyondan birçok zayıf kuralı güçlü bir modele dönüştüren gelişmiş "boosting" tekniklerine kadar geniş bir tahmin yöntemi yelpazesini test eder. Temel zorluk, herhangi bir şirkette çalışanların çoğunun kalmasıdır; bu nedenle "ayrılanlar" küçük bir azınlıktır. Bu durum göz ardı edilirse, bir model herkesin kalacağını tahmin edip kağıt üzerinde hâlâ doğru görünebilir. Bu tuzaktan kaçınmak için yazarlar, ayrılanların gerçekçi sentetik örneklerini oluşturarak denge sağlayan yöntemler kullanır; bu, algoritmaların ayrılma eğiliminde olanlarla kalma eğiliminde olanlar arasındaki ince desenleri öğrenmesine yardımcı olur. Ayrıca her modelin iç ayarlarını binlerce denemede ince ayarlamak için otomatik bir arama stratejisi kullanarak ek performans çıkarırlar.

Kimler Ayrılıyor ve En Önemli Etkenler

Veri setleri genelinde iki model ailesi öne çıkar: Adaptive Boosting (AB) ve Histogram Gradient Boosting (HGB). Bu yaklaşımlar, isabet oranı (tahmin edilen bir ayrılanın gerçekten ayrılma sıklığı), yakalama oranı (gerçek ayrılanlardan kaçının tespit edildiği) ve genel doğruluk açısından yüksek puanlara ulaşır. Ancak saf performans gerçek dünyada kullanmak için yeterli değildir. İK yöneticilerinin adil karşılık verebilmek için bir tahmini hangi faktörlerin yönlendirdiğini bilmesi gerekir. Bu "kara kutuları" açmak için ekip, oyun kuramından ödünç alınmış SHAP adlı bir teknik kullanır. SHAP, her özelliğe bir birey için nihai tahmine katkı atar ve birçok çalışan üzerinden ortalaması alındığında hangi faktörlerin genel olarak en önemli olduğunu ortaya koyar. Bu çalışmada fazla mesai, iş seviyesi, hisse senedi seçenekleri ve iş tatmini gelecekteki ayrılıklar veya iş değişiklikleri için güçlü sinyaller olarak sürekli öne çıkmıştır.

Sayıları Somut Eylemlere Dönüştürmek

SHAP açıklamaları hem küresel hem de bireysel düzeyde çalıştığı için istatistik ile günlük kararlar arasındaki boşluğu kapatır. Şirket düzeyinde, sık fazla mesai veya durgun orta kariyer pozisyonları gibi daha geniş sorun alanlarını vurgular; bunlar daha yüksek istifa risetiyle ilişkilidir. Tek bir çalışan için ise fazla mesai, ücret veya terfi fırsatlarının eksikliğinin risk skorunu yükseltip yükseltmediğini gösterebilir. Yazarlar, bu çift yönlü görünümün İK ekiplerinin iş yüklerini dengelemek, terfi yollarını netleştirmek veya hisse planlarını yeniden gözden geçirmek gibi hedefe yönelik müdahaleler tasarlamasına izin verdiğini; ayrıca yöneticiler ve çalışanlarla tartışmak için şeffaf gerekçeler sunduğunu savunuyor.

Bu İş Yerleri İçin Ne Anlama Geliyor

Düz ifadeyle, makale artık yalnızca kimin ayrılabileceğini tahmin etmekle kalmayan, aynı zamanda insan tarafından anlaşılabilir bir şekilde nedenini açıklayan sistemlerin inşa edilebileceğini gösteriyor. İK verilerini dikkatle temizleyerek, kalanlar ile ayrılanlar arasındaki şansları dengeleyerek ve güçlü tahmin modellerini net görsel açıklamalarla eşleştirerek kuruluşlar reaktif çıkış görüşmelerinden proaktif tutundurma stratejilerine geçebilir. Gizliliğe ve önyargıya dikkatle yaklaşıldığında, bu tür araçlar şirketlerin insan sermayesini korumasına ve çalışanlara daha adil, daha duyarlı çalışma ortamları sunmasına yardımcı olabilir.

Atıf: AL-Ali, M., Alwateer, M., Alsaedi, S.A. et al. Integrating machine learning and explainable AI for employee attrition prediction in HR analytics. Sci Rep 16, 6344 (2026). https://doi.org/10.1038/s41598-026-36424-2

Anahtar kelimeler: çalışan devir, İK analitiği, makine öğrenimi, açıklanabilir yapay zeka, tutundurma stratejileri