Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular, hibrit modelin %99 doğruluk oranı ile çalışan devir hızı tahmininde yüksek performans sergilediğini göstermiştir.
📌 3 Maddede Bu Makale
Özet
İşletmelerde yüksek çalışan devir hızı hem maliyetleri artırmakta hem de performansı olumsuz etkilemektedir. Yüksek devir hızı, işletmenin sürekliliğini bozmakta, çalışanların odaklanmasını zorlaştırmakta ve deneyimli personelin kaybına yol açmaktadır. Yeni personel bulma ve adaptasyon süreci zaman alıcı ve maliyetlidir, bu süreçte işletme kültürüne uyum sağlanması verimliliği düşürür. Bu durum, işletme içindeki güven ve istikrarı olumsuz etkileyerek müşteri ve iş ortakları arasında güven kaybına yol açar. Bu çalışmada, çalışanların işlen ayrılma nedenlerini anlamak için CNN ve XGBoost algoritmaları kullanılarak İK verileri analiz edilmiştir. Araştırmanın amacı, çalışan devir hızını tahmin eden bir modeli geliştirmektir. Araştırmanın yönteminde, Kaggle platformundan elde edilen sentetik bir İK veri seti üzerinde CNN ve XGBoost algoritmaları kullanılarak hibrit bir model oluşturulmuş, modelin performansı doğruluk, hassasiyet ve F1 skorları gibi metriklerle değerlendirilmiştir. Bulgular, hibrit modelin %99 doğruluk oranı ile çalışan devir hızı tahmininde yüksek performans sergilediğini göstermiştir. Sonuç olarak, geliştirilen modelin işgücü planlamasında ve çalışan memnuniyetini artırmada etkili bir aracı olabileceği belirtilmiştir. Ancak, bu tür modellerin kullanımı, etik ve yönetim açısından dikkatli değerlendirilmelidir. İşletmelerin, bu tahmin modellerini yalnızca iş gücü planlamasında değil, aynı zamanda çalışan memnuniyetini artırmaya yönelik stratejiler geliştirmede kullanmaları önemlidir.
Abstract
High employee turnover in businesses not only increases costs but also negatively impacts performance. Elevated turnover disrupts business continuity, makes it difficult for employees to maintain focus, and leads to the loss of experienced personnel. The process of recruiting and onboarding new staff is both time-consuming and costly, while the adaptation period required for aligning with the organizational culture reduces overall efficiency. This situation adversely affects trust and stability within the organization, potentially resulting in a loss of confidence among customers and business partners. In this study, HR data were analyzed using CNN and XGBoost algorithms to understand the reasons behind employee attrition. The aim of the research is to develop a model that predicts employee turnover rate. In the methodology, a hybrid model was created by applying CNN and XGBoost algorithms to a synthetic HR dataset obtained from the Kaggle platform. The model's performance was evaluated using metrics such as accuracy, precision, and F1score. The findings demonstrated that the hybrid model exhibited high performance in predicting employee turnover, achieving an accuracy rate of 97%. Consequently, the developed model is suggested to be an effective tool for workforce planning and enhancing employee satisfaction. However, the use of such models should be carefully considered from both ethical and managerial perspectives. It is crucial for businesses to utilize these predictive models not only for workforce planning but also to develop strategies aimed at improving employee satisfaction.