İK analitiğinde yapay zeka: veriden karara giden yol

İK analitiği ve yapay zeka nasıl birleşir?

İK analitiği (people analytics), çalışan ve işgücü verisini iş kararlarına dönüştüren disiplindir. Klasik biçimi, işe alım süresi, ayrılış oranı, devamsızlık gibi metriklerin raporlanmasıdır. Yapay zeka bu disipline farklı yönlerden katkı verir: veri hazırlığını hızlandırır, metin gibi yapısal olmayan veriyi analiz edilebilir kılar ve geçmiş desenlerden geleceğe dair tahminler üretir.

İK analitiğinin olgunluğu genellikle aşamalarla anlatılır. Tanımlayıcı analitik 'ne oldu' sorusunu yanıtlar. Teşhis edici analitik 'neden oldu' diye bakar. Tahmine dayalı analitik 'ne olacak' sorusuna yönelir. Yönlendirici analitik ise 'ne yapmalıyız' önerisi getirir. Yapay zeka her aşamada kullanılabilir, ama değer sırası aşamaları atlamamakla ilgilidir: temel metrikleri güvenle ölçemeyen bir ekip, tahmin modelinden güvenilir sonuç alamaz.

Bu alanda doğru beklenti şudur: yapay zeka analist yerine geçmez, analistin elini hızlandırır. Doğru soruyu seçmek, veriyi anlamak, sonucu iş bağlamında yorumlamak ve etik sınırı çizmek insanın işidir. Model ise yazım, kodlama, özetleme ve örüntü bulma yükünü alır.

Veri hazırlığı: analitiğin görünmeyen yarısı

İK verisi çoğu kurumda dağınıktır: işe alım sistemi, bordro, performans modülü, eğitim kayıtları, anketler farklı kaynaklarda durur. Çalışan kimlikleri tutarsız, birim adları farklı yazılmış, tarihler eksik olabilir. Analizin kalitesi, bu hazırlığın kalitesine bağlıdır.

Yapay zeka burada pratik destek sağlar: • Veri temizleme komutları ya da formüllerini yazdırmak: yinelenen kayıtların bulunması, birim adlarının standartlaştırılması, tarih biçimlerinin düzeltilmesi. • Veri sözlüğü taslağı: sütunların ne anlama geldiği, hangi kaynaktan geldiği, hangi değerleri alabileceği. • Tutarsızlık taraması: bir çalışanın işe giriş tarihinin ayrılış tarihinden sonra görünmesi gibi mantık hataları. • Analiz kodu taslağı: Excel formülleri, SQL sorguları ya da Python komut dizileri.

Çalışan verisini harici bir yapay zeka aracına yüklemeden önce mutlaka veri koruma kurallarını gözden geçirin. Kimlik bilgilerini çıkarın ya da anonimleştirin; yalnız analizin gerektirdiği alanları paylaşın. Kurumun onayladığı araç dışında hassas veri yüklemeyin.

Her yapay zeka çıktısı üretilen kodla birlikte kontrol edilmelidir. Küçük bir örnek veriyle sonucu elle doğrulamak, ölçekli çalıştırmadan önce zorunlu adımdır.

Yapılandırılmamış veri: anket yorumları ve metinler

İK analitiğinin en büyük gizli hazinesi serbest metindir: çalışan anketlerindeki açık uçlu yorumlar, çıkış görüşmesi notları, iç iletişim kanallarına yazılan geri bildirimler. Eskiden bu veriyi okumak haftalar alırdı; bu yüzden çoğu zaman hiç analiz edilmezdi.

Büyük dil modelleri bu işi kolaylaştırır: • Temalandırma: yüzlerce yorumu 'yönetim iletişimi', 'iş yükü', 'gelişim fırsatı' gibi temalara ayırmak. • Duygu eğilimi: bir temadaki yorumların olumlu mu olumsuz mu olduğunu özetlemek. • Temsil edici alıntılar: her temayı en iyi anlatan örnek ifadeleri seçmek. • Birimler arası karşılaştırma: aynı temanın hangi birimlerde öne çıktığını görmek.

Burada dikkat edilecek nokta, anonimliktir. Küçük gruplarda yorumlar kişiyi belli edebilir; çalışan güvenini zedelememek için raporlamada asgari grup büyüklüğü kuralı koyun ve bireysel yorumları kişiye bağlayacak ayrıntıları çıkarın.

Bir diğer dikkat noktası, modelin tema uydurabilmesidir. Temalandırma sonucunu elle bir örneklemle kontrol edin; tema adları ve içerikleri tutarlı mı, yorumlar doğru kutuya mı gitmiş, bakın. Model özetinin ham yorumlarla uyumu doğrulanmadan yönetime sunulmamalıdır.

Tahmine dayalı analitik: ayrılış ve risk modelleri

İK analitiğinde en çok merak edilen uygulama, çalışan ayrılış riskinin önceden tahmin edilmesidir. Geçmiş çalışan verisi (kıdem, görev değişikliği, terfi aralığı, anket skorları gibi) üzerinden bir model eğitilir ve ayrılma olasılığı yüksek grupları işaretlemeye çalışılır.

Bu uygulama değerli olabilir, ama ciddi sınırları vardır.

Veri yeterliliği. Az sayıda ayrılış kaydı olan kurumlarda model istikrarlı çalışmaz.

Nedensellik. Model bir ilişkiyi gösterir, nedeni kanıtlamaz. 'Terfi almayanlar daha çok ayrılıyor' bulgusu, terfi sistemini sorgulatır; ancak bireysel yorum için yeterli değildir.

Önyargı. Model, geçmişteki ayrımcı örüntüleri öğrenebilir. Cinsiyet, yaş, etnik köken gibi korunan özellikler doğrudan dışarıda tutulsa bile dolaylı göstergeler aynı etkiyi taşıyabilir. Farklı gruplar için hata oranlarını karşılaştırın.

Kullanım biçimi. Bireysel riskleri yöneticilere 'şu kişi ayrılacak' diye iletmek, kendini doğrulayan bir kehanete ve güven kaybına yol açabilir. Daha sağlıklı kullanım, grup düzeyinde risk faktörlerini görüp kök nedenlere (iş yükü, gelişim fırsatı, yönetim) müdahale etmektir.

Açıklanabilirlik. Neden bu sonucu verdiğini anlatamayan bir model İK kararında kullanılmamalıdır.

Örnek iş akışı: ayrılış nedenlerinin araştırılması

Örneğin bir İK analisti, yönetimden gelen 'yeni mezun çalışanlar neden ilk yıllarında ayrılıyor?' sorusuna yanıt arıyor.

Önce tanımlayıcı analiz yapılır. Analist, işten ayrılış kayıtlarını kıdem ve birim bazında inceler; modelden gerekli formül ve sorguları yazmasını ister, sonuçları küçük bir örnekle elle kontrol eder. Hangi birimlerde ayrılışın yoğunlaştığı görülür.

Sonra metin analizine geçilir. Çıkış görüşmesi notları ve anket yorumları anonimleştirilir, modele verilerek temalandırılır. Öne çıkan temalar arasında gelişim fırsatının belirsizliği ve ilk yıl yönetici desteği vardır.

Ardından teşhis analizi gelir. Analist, bu temalarla işe alım kaynağı, onboarding süreci ve yöneticinin deneyimi arasındaki ilişkileri inceler. Burada yapay zeka hipotez üretmeye yardımcı olur, ama analistin ölçüt seçimi ve yorumu belirleyicidir.

Son adımda bulgular yönetim sunumuna dönüştürülür: sorun alanı, kanıt, olası nedenler ve önerilen aksiyonlar. Model sunum taslağı hazırlamaya yardım eder; sonuçların ve sınırlılıkların dürüst biçimde belirtilmesi analistin sorumluluğundadır.

Sonraki dönemde aynı ölçüt yeniden ölçülerek aksiyonun etkisi izlenir.

Sık yapılan hatalar

İK analitiğinde yapay zeka kullanırken tekrarlayan hatalar şunlardır: • Veri kalitesini atlayıp doğrudan modele gitmek. Kirli veriyle kurulan model, ikna edici ama yanlış sonuç verir. • Soruyu netleştirmeden analiz yapmak. 'Verilerimizden bir şeyler çıkar' türü istekler, anlamlı olmayan bulgular üretir. • Korelasyonu nedensellik saymak. İlişki, neden değildir; müdahaleden önce kök neden araştırması gerekir. • Bireysel tahminleri karar aracı yapmak. Terfi, işten çıkarma, ücret kararlarında modeli tek başına belirleyici kılmak hem etik hem hukuki risk taşır. • Anonimliği ihmal etmek. Küçük gruplarda yorum ve metrik paylaşımı kişiyi belli edebilir. • Sonucu doğrulamadan sunmak. Modelin ürettiği kod, özet ya da yorum, örneklemle kontrol edilmeden yönetime gitmemeli. • Şeffaflık eksikliği. Çalışanlara verilerinin hangi analizlerde kullanıldığı anlatılmazsa güven zedelenir. • İş bağlamından kopmak. İK metrikleri, iş hedefleriyle ilişkilendirilmezse raporlar ilgi görmez.

Bu hataların çoğu, analizin hızından önce sorunun, verinin ve etik çerçevenin netleştirilmesiyle önlenir.

Mindset programlarında nerede çalışılır?

İK Analitiği ve People Analytics eğitiminin modülleri analitik olgunluğun tüm basamaklarını kapsar: 'People Analytics Temelleri ve Olgunluk Modeli', 'İK Verilerinin Toplanması ve Temizlenmesi', 'Tanımlayıcı İK Analitiği: Temel Metrikler', 'Teşhis Edici Analitik: Nedensellik ve Bağıntı', 'Tahmine Dayalı Analitik ve Makine Öğrenmesi Uygulamaları' ve 'People Analytics Stratejisini Kuruma Entegre Etmek'. Yapay Zeka ile İnsan Kaynakları: İK Uzmanlık Programı ise 'İK Analitiği, Etik ve Kapanış Projesi' modülüyle yapay zekayı İK analitiğine ve etik çerçeveye bağlar.

İçerik, İK analistleri, İK iş ortakları ve rapor üreten İK ekipleri için uygundur; ekibin ortak veri dili kurmasını isteyen kurumlar için ekip programı olarak da düşünülebilir.