Tahmine Dayalı İK Analitiği ile Çalışan Ayrılışları Nasıl Öngörülür?

Ayrılış tahmini neyi cevaplar, neyi cevaplamaz?

Ayrılış tahmini, belirli bir dönemde hangi çalışanların işten ayrılma olasılığının görece yüksek olduğunu ve bu olasılığı hangi etkenlerin artırdığını istatistiksel olarak ortaya koyar. Çıktı bir kesinlik değil bir olasılıktır: 'Bu çalışan ayrılacak' demez, 'benzer profildeki çalışanlar geçmişte daha sık ayrılmış' der. Bu ayrım, sonucun nasıl kullanılacağını belirler.

Model, ayrılış nedenini kanıtlamaz. Düşük maaş konumu ile ayrılış arasında bağıntı bulmak, maaşın nedensel olduğunu göstermez. Neden sorusu için teşhis edici analiz, çıkış mülakatları ve yönetici görüşmeleri gerekir. Tahmin modeli yalnızca 'nereye bakmalıyız' sorusunu cevaplar; müdahale kararı insanlarda kalır.

İş değeri de burada ortaya çıkar. Ayrılış gerçekleştikten sonra yapılan tüm raporlar geriye dönüktür. Tahmine dayalı yaklaşım ise İK iş ortağına ve yöneticiye, kritik rollerde ayrılış gerçekleşmeden önce konuşma fırsatı sunar.

Birinci adım: hedef değişkeni net tanımlamak

Modelin kalitesi, hedefin tanımıyla başlar. 'Ayrılış' kelimesi birçok durumu kapsar: gönüllü istifa, işveren kararıyla çıkış, emeklilik, sözleşme bitişi, şirket içi transfer. Bunları karıştırırsanız model anlamsız örüntüler öğrenir. Çoğu kurumsal çalışmada hedef, yalnızca gönüllü ayrılıştır; işveren kararıyla ve doğal çıkışlar dışarıda bırakılır.

Sonraki tanım zaman penceresidir: 'bugünden itibaren gelecek dönemde gönüllü ayrılacak mı' gibi, dönem uzunluğu net yazılır. Pencere, İK'nın müdahale için gerçekçi olarak ihtiyaç duyduğu süreye göre seçilir. Çok kısa pencerede müdahale için vakit kalmaz, çok uzun pencerede tahmin belirsizleşir.

Son olarak kapsam belirlenir: tüm çalışanlar mı, yalnızca belirli rol grupları mı? Kritik beceri sahibi ya da yetiştirilmesi pahalı rollerde ayrı model kurmak, genel bir model kurmaktan daha faydalı olur. Bu tanımlar yazılı olarak İK, bilgi işlem ve iş birimi yöneticisi tarafından onaylanmalıdır.

Veri hazırlığı: özellikler ve sızıntı tuzağı

İK verisi çoğunlukla farklı sistemlerde dağınıktır: personel bilgi sistemi, bordro, performans değerlendirme, eğitim kayıtları, vardiya ya da mesai kayıtları, çalışan bağlılığı anketi. Her çalışanı bir satır, her ölçümü bir sütun olacak şekilde, belirli bir referans tarihindeki durumuyla birleştirmek gerekir.

Sık kullanılan özellik ailelerine örnekler: • Kıdem ve görevde kalma süresi: işe giriş tarihinden bugüne, son terfiden bugüne • Yönetici değişikliği: son dönemde yöneticinin değişip değişmediği • Ücret konumu: aynı rol ve seviyedeki akranlara göre • Mesai ve izin örüntüsü: fazla çalışma, kullanılmayan izin • Performans ve gelişim: değerlendirme eğilimi, eğitime katılım • Bağlılık anketi sonucu: ekip düzeyinde, varsa birey düzeyinde

En tehlikeli hata veri sızıntısıdır. Referans tarihinden sonra oluşan bilgiyi (örneğin çıkış mülakatı kaydı, ayrılış öncesi yapılan işlem ya da 'aktif değil' durumu) özelliklere dahil ederseniz model sınavda çok iyi görünür ama gerçek hayatta çalışmaz. Kuralı basit tutun: her özellik, tahmin yapılacak tarihte gerçekten elinizde olan bilgi olmalıdır.

Eksik veri için sessizce ortalama doldurmak yerine eksikliğin kendisini de bir özellik olarak düşünün; örneğin performans notu olmayan yeni girişliler farklı bir grup oluşturabilir.

Model kurmak ve değerlendirmek

Başlangıç için lojistik regresyon ya da karar ağacı gibi yorumlanabilir bir yöntem tercih edilir. Katsayıları ve kuralları İK ile konuşabilirsiniz; hangi etkenin riski artırdığını anlatmak kolaydır. Daha karmaşık topluluk yöntemleri (örneğin gradyan artırma) sonradan karşılaştırma için denenebilir, ancak açıklanabilirlik ödenen bir bedeldir.

Ayrılış olayları genellikle azdır; bu dengesiz sınıf problemidir. Yüksek doğruluk oranı yanıltıcıdır: kimsenin ayrılmayacağını tahmin eden bir model bile yüksek doğruluk verebilir. Bu yüzden duyarlılık (ayrılanların ne kadarını yakaladık), kesinlik (işaretlediklerimizin ne kadarı gerçekten ayrıldı) ve eğri altı alan gibi ölçüler birlikte değerlendirilir.

Bölme yöntemi de kritiktir. Rastgele bölmek yerine zamana göre bölün: eski dönemlerle eğitin, daha yeni dönemle test edin. Böylece modelin gelecekteki bir döneme ne kadar genelleştiğini görürsünüz. Ayrıca skorun kalibrasyonunu kontrol edin: modelin yüksek olasılık verdiği grupta gerçekten buna yakın oranda ayrılış oluyor mu?

Son olarak, yöneticilere liste vermek yerine risk bantları ve bunun arkasındaki etkenleri sunun. 'Bu çalışan riskli' demek yerine 'bu ekipte yönetici değişikliği ve uzun süredir terfi olmaması riski artırıyor' demek eyleme dönüştürülebilir bilgidir.

Sonucu eyleme çevirmek ve izlemek

Model çıktısı tek başına değer üretmez. Her risk bandı için bir müdahale çerçevesi hazırlayın: yüksek riskli kritik rollerde yönetici ile kariyer görüşmesi, ücret konumu düşük gruplarda adil ücret incelemesi, yönetici değişikliği sonrası ekip için uyum toplantısı gibi. Müdahaleyi ve sonucunu kaydedin; bir sonraki model sürümünde 'müdahale edilen' grubu ayrı değerlendirin, aksi halde modelin başarısını müdahalenin etkisinden ayıramazsınız.

İzleme için model skorlarının dağılımını, performans ölçülerini ve veri kaynaklarındaki değişiklikleri düzenli takip edin. İş yapış biçimi değiştiğinde (örneğin uzaktan çalışma politikası, yeni ücret sistemi), eski örüntüler geçerliliğini yitirebilir. Bu durumda model yeniden eğitilmelidir.

Geri bildirim döngüsü de önemlidir. İK iş ortakları skorun mantıklı olup olmadığına dair gözlemlerini paylaştığında modelin eksik özellikleri belirlenebilir. Tahmin ile saha bilgisi birbirini tamamlar; biri diğerinin yerine geçmez.

Etik, hukuki sınırlar ve şeffaflık

Çalışan verisi hassastır. Kişisel verilerin korunması mevzuatı kapsamında, amaç belirli, veri minimum ve erişim kısıtlı olmalıdır. Çalışanlara hangi verilerin hangi amaçla kullanıldığını bildirmek hem hukuki hem güven açısından gereklidir. Hukuk ve bilgi güvenliği ekibini baştan sürece dahil edin.

Adalet de ayrı bir inceleme konusudur. Cinsiyet, yaş, engellilik durumu gibi korunan nitelikleri doğrudan kullanmamak yetmez; bu niteliklerle ilişkili vekil değişkenler (örneğin izin kullanım biçimi) dolaylı ayrımcılık yaratabilir. Skorları gruplar arasında karşılaştırıp sistematik fark olup olmadığına bakın.

Önemli bir ilke: tahmin skoru çalışanın aleyhine otomatik karar vermek için kullanılmaz. Örneğin 'ayrılma riski yüksek' diye terfi ya da eğitim fırsatından dışlamak hem etik dışı hem iş açısından kendini doğrulayan kehanet riskidir. Skor, destek ve konuşma için bir sinyal olarak ele alınmalıdır.

Mindset programlarında bu beceri nerede çalışılır?

İK için Tahmine Dayalı Analitik programı, bu sayfadaki akışla örtüşen başlıklar içerir: 'İşten Ayrılma Riski Modeli', 'Model Geliştirme, Doğrulama ve İzleme' ve 'Tahmine Dayalı Analitiğin Kurumsal Entegrasyonu'. İK Analitiği ve People Analytics programı ise tanımlayıcı metrikler, veri hazırlığı ve nedensellik-bağıntı ayrımı gibi öncül konuları ele alır; model kurmadan önce veri ve metrik tabanını oluşturmak isteyen ekipler için daha uygun bir başlangıçtır.

Bu programlar özellikle İK iş ortakları, İK analitik uzmanları ve veri ekibiyle birlikte çalışan İK yöneticileri için anlamlıdır. Kurumsal ekipler programı kendi İK verisi yapısı üzerinden uygulama senaryosuna taşıyabilir.