Çift Birincil Sınıf girişimi kapsamında meslek yüksekokullarında e-ticaret yetenek talebi tahmini ve akıllı program optimizasyonu için LSTM-CNN hibrit modeli

Neden öğrenciler için gelecekteki işler önemli

Birçok meslek yüksekokulu öğrencisi için en büyük soru basittir: mezun olduğumda becerilerime hâlâ talep olacak mı? Yeni araçların ve trendlerin her yıl ortaya çıktığı e-ticarette, okullar derslerini gerçek işe alım ihtiyaçlarıyla uyumlu tutmakta zorlanıyor. Bu çalışma, büyük miktarda iş piyasa verisini analiz eden ve meslek yüksekokullarının öğrettiklerini ayarlamasına yardımcı olarak öğrencilerin dijital ekonomide gerçek işlere daha iyi hazırlanmasını sağlayan akıllı bir tahmin sistemini inceliyor.

Çevrimiçi ticarette hızla değişen işler

E-ticaret artık çevrimiçi mağazalardan dijital pazarlamaya, lojistikten veri analizine kadar her şeye dokunuyor. İşverenler artık yalnızca tek bir dar beceri aramayarak teknik, ticari ve kişilerarası becerilerin bir karışımını talep ediyor. Yavaş anketlere ve geçmiş istihdam verilerine dayanan geleneksel program planlama yöntemleri bu hızlı değişimlere ayak uyduramıyor. Sonuç olarak, mezunlar öğrendiklerinin güncel olmadığını görebilirken, şirketler doğru yeteneklere sahip insanları bulamadıklarından şikâyet ediyor.

Neden eski tahmin araçları yetersiz kalıyor

Birçok okul ve kurum gelecekteki yetenek talebini geçmişin geleceğe benzeceğini varsayan basit istatistiklerle tahmin etmeye çalışıyor. Bu yöntemler genellikle işe alımı aniden değiştiren yeni bir teknoloji veya politikanın neden olduğu ani değişiklikleri kaçırıyor. Ayrıca iş ilanları, resmi istatistikler, sektör raporları ve bölgesel eğilimler gibi farklı türde bilgileri birleştirmekte zorlanıyorlar. Yazarlar, bu karmaşık desenleri okuyup yeni bilgi geldikçe tahminleri güncelleyecek daha esnek, veri meraklısı bir yaklaşıma ihtiyaç olduğunu savunuyor.

İş piyasasını okumak için daha akıllı bir yol

Çalışma, iki tür derin öğrenmeyi harmanlayan bir hibrit model sunuyor: bir bileşen zaman içindeki sayıların nasıl değiştiğini izlemekte özellikle iyiyken, diğer bileşen iş açıklamaları gibi karmaşık verilerdeki desenleri yakalamada yetkin. Birlikte çalışarak iş ilanları, maaşlar, beceriler, lokasyonlar ve eğitim gereksinimleri gibi bilgi akışlarını alıyorlar. Sistem verileri temizleyip standartlaştırıyor, hangi parçaların en önemli olduğunu öğreniyor ve ardından farklı e-ticaret becerilerine olan talebin önümüzdeki aylarda ve yıllarda nasıl yükseleceğini veya düşeceğini tahmin ediyor.

Tahminlerden öğretim kararlarına

Bu çalışmayı öne çıkaran yalnızca daha iyi tahmin değil, sayıları meslek yüksekokulları için pratik önerilere dönüştürme biçimidir. Model, veri analizi, pazarlama otomasyonu, sınır ötesi ticaret veya çevrimiçi işletmede yapay zekâ kullanımı gibi beceri açıklarının nerede büyüdüğünü vurguluyor. Buna dayanarak sistem, programların ders tekliflerini nasıl kaydırabileceğini, yeni uzmanlıklar oluşturabileceğini, öğretmen eğitimine nasıl yatırım yapabileceğini veya yerel işverenlerle ortaklıkları nasıl genişletebileceğini öneriyor. Ayrıca bütçe ve personel sınırlamalarını göz önünde bulundurarak okulların hangi değişikliklerin en acil ve gerçekçi olduğuna karar vermesine yardımcı oluyor.

Deneyler pratikte ne gösterdi

Sistemi test etmek için araştırmacılar 2019–2024 arasındaki yüz binden fazla gerçek iş ilanı ve ilgili veriyi modern hesaplama araçlarıyla bağladılar. Hibrit modeli klasik zaman serisi formülleri ve tek tip sinir ağları gibi standart yöntemlerle karşılaştırdılar. Yeni yaklaşım açıkça daha doğru çıktı; tahmin hatalarını yaklaşık üçte bir oranında azaltırken işe alım talebindeki değişkenliğin çok daha fazlasını açıkladı. Üç meslek yüksekokulu önerileri kullanmaya çalıştığında, daha sonra mezun istihdam oranlarında ve işverenlerden alınan geri bildirimlerde artış görüldü; bununla birlikte diğer faktörler de rol oynamış olabilir.

Bu öğrenciler ve okullar için ne anlama geliyor

Basitçe söylemek gerekirse, çalışma iş piyasası verilerinin daha akıllıca kullanılmasının meslek yüksekokullarının programlarını hareketli bir hedefle uyumlu tutmasına yardımcı olabileceğini öne sürüyor. İşgücü piyasasından gelen ince sinyalleri okuyup bunları zamanında müfredat güncellemelerine çevirerek bu tür sistemler öğrencilerin öğrendikleri ile işverenlerin istediği arasında bir uyumsuzluğu azaltabilir. Yazarlar, elde edilen sonuçların şimdilik sınırlı pilotlara dayandığını ve veri boşlukları ile bölgesel farklılıkların sürdüğünü belirterek temkinli davranıyor. Yine de bu çalışma, eğitim planlamasının tahmine dayalı kestirimlerden ziyade sürekli, kanıta dayalı içgörülerle yönlendirildiği bir geleceğe işaret ediyor.

Atıf: Zhao, J. LSTM-CNN hybrid model for E-commerce talent demand prediction and intelligent program optimization in vocational colleges under the double first-class initiative. Sci Rep 16, 15975 (2026). https://doi.org/10.1038/s41598-026-44954-y

Anahtar kelimeler: e-ticaret işleri, mesleki eğitim, yetenek tahmini, derin öğrenme, müfredat planlaması