People Analytics ile İşgücü Planlaması: Tahmine Dayalı İK Kararları

Neden People Analytics? İşgücü Kararları Artık Sezgisellikten Çıkmalı

Hızla değişen iş ortamında doğru sayıda, doğru yetkinlikte çalışanı doğru zamanda sağlamak rekabet avantajı. People Analytics, PDKS, bordro, performans ve işe alım verilerini kullanarak işgücü talebi ve devamsızlık gibi riskleri tahmin eder, yetkinlik boşluklarını gösterir ve İK kararlarını veriyle destekler.

Temel Veri Kaynakları ve Özellikler (Features)

PDKS verisi: Günlük giriş-çıkış, mesai süreleri, geç kalma ve devamsızlık örüntüleri.
Bordro ve ücret verisi: Gelir düzeyi, primler, ikramiyeler; ekonomik faktörlerin çalışan davranışına etkisi.
Performans ve eğitim verileri: KPI skorları, eğitim katılımı, sertifika durumu.
İşe alım verisi: Kaynak kanalı, aday kalitesi, işe başlama süreleri.
Çalışan profili: Yaş, kıdem, rol değişiklikleri, rotasyon geçmişi.

Hangi Problemler Tahmin Edilebilir?

Attrition / Churn Öngörüsü: Kimlerin kısa sürede ayrılma olasılığı yüksek, hangi faktörler tetikliyor?
Vardiya ve İstihdam İhtiyacı Tahmini: Gelecek haftalar/aylar için kaç çalışana ihtiyaç olacak?
Yetkinlik Boşluğu Analizi: Hangi pozisyonlarda eğitim ya da işe alım gerekecek?
Devamsızlık Riski: Birim bazında mola/izne bağlı üretim kaybı tahmini.

Model Yaklaşımları: Basitten İleriye

Modeller ihtiyaca göre seçilir. Başlangıç için açıklanabilir modeller (lojistik regresyon, karar ağaçları) tercih edilir; kurumsal olgunluk arttıkça rastgele orman, XGBoost veya zaman serisi modelleri (ARIMA, Prophet) ve derin öğrenme kullanılabilir. Önemli olan modelin performansı kadar açıklanabilirliği ve operasyonel entegrasyonu.

Uygulama Adımları

Veri Hazırlığı: Kaynakların temizlenmesi, ortak kimliklerle (employee_id) birleştirme, eksik verilerin işlenmesi.
Özellik Mühendisliği: Kümülatif fazla mesai, son 3 aylık performans ortalaması, eğitim gün sayısı gibi türetilmiş göstergeler oluşturma.
Model Eğitimi ve Validasyon: Dönemsel cross validation, geri dönük tahmin (backtesting) ve başarım metrikleri (AUC, F1, RMSE).
Üretim Ortamı: Modelle oluşturulan skorların PDKS/İK paneline gerçek zamanlı entegrasyonu; uyarı/aksiyon iş akışları oluşturma.
İzleme ve Geri Besleme: Model performansını izleme, kavram kayması (concept drift) tespitinde yeniden eğitme prosedürleri.

KVKK ve Etik Boyut: Veriyi Sorumlu Kullanın

People Analytics projelerinde kişisel verilerin işlenmesi KVKK kapsamında. Uyum için şu önlemler gereklidir:

Aydınlatma metni ve açık rıza (özellikle hassas veriler kullanılıyorsa).
Veri minimizasyonu: Sadece gerekli verilerle çalışmak.
Anonimleştirme / pseudonimleştirme: Model eğitiminde kimliklerin gizlenmesi.
Şeffaflık: Çalışana hangi kararların otomatik etkilendiği bildirilmeli; itiraz mekanizması sunulmalı.

Başarıyı Ölçme: KPI’lar

Attrition Tahmin Doğruluğu (Precision, Recall)
Time-to-hire ve boş pozisyon süresindeki azalma
Vardiya planlama doğruluğu: Fazla mesai/süreksiz iş gücü maliyetlerinde düşüş
Çalışan üretkenliğinde ve eğitim etkinliğinde artış

Sık Karşılaşılan Tuzaklar ve Çözümler

Hata: Yetersiz veri veya yanlış etiketleme. Çözüm: Veri kalite kontrolleri ve insan onaylı etiketleme süreçleri.
Hata: Model kararlarının siyasal/etik etkileri göz ardı edilmesi. Çözüm: Etik kurallar, insan-in-the-loop ve ret mekanizmaları.
Hata: Operasyonel entegrasyon eksikliği. Çözüm: API tabanlı gerçek zamanlı skor paylaşımı ve iş akışı tetikleme.

Sonuç

People Analytics, İK'yı daha stratejik bir rolle buluşturur: İşgücü ihtiyaçlarını önceden görmek, yetkinlik yatırımlarını optimize etmek ve ayrılma riskini azaltmak mümkün. Teknik altyapı, veri kültürü ve KVKK uyumu bir araya geldiğinde, tahmine dayalı İK kararları hataları azaltır ve organizasyonel çevikliği artırır.