İstatistiksel yöntemler ile çalışanın işten ayrılmasının tahminlenmesi ve ücret belirlenmesi ile işten ayrılmanın optimizasyonu

Abstract

Dijitalleşme ve otomasyon ile şirketler operasyonel süreçlerini kısaltmak, kayıplarını minimize etmek, kazançlarını maksimize etmek gibi amaçlarla veri toplamak, işlemek ve kullanmaktadırlar. Bankacılık, finans, telekomünikasyon, e-ticaret gibi sektörlerin öncülük ettiği bu veri vizyonu zamanla diğer şirketler de benimsemiş ve çeşitli amaçlarla veriden faydalanmaya başlamışlardır. Verinin kullanıldığı sektörlerin yanı sıra kullanım şekli de teknolojinin gelişmesine paralel olarak değişiklik göstermiştir. Önceleri geçmiş verinin reaktif analizlerle incelenmesi ve raporlama ihtiyacı giderilirken bu çalışmalar yerini zamanla proaktif analizlere, tahminleme ve optimizasyon çalışmalarına bırakmıştır. İnsan kaynakları alanı başlı başına bir uzmanlık alanı olup şirketler içerisinde işe alım, ücretlendirme, eğitim ve gelişim, performans yönetimi, vb. alanlarında yönetsel ve operasyonel faaliyetleri üstlenmektedir. İnsan kaynakları, doğası gereği analitik ve veri çalışmalarını geriden takip eden birimlerden biri olup son yıllarda bu alanda da çalışmalar yapılmaya başlandığı gözlemlenmiştir. Bu çalışmada, özellikle insan kaynakları alanının seçilme sebebi analitik çalışmaların kullanımının nispeten az olduğu bir sektörde uygulama yapabilme isteğidir. Bu çalışmada, küresel ve çok uluslu bir şirketin halka açık verisi üzerinden 5 çalışanların işten ayrılmalarının proaktif şekilde tahminlenmesi sağlanmıştır. Bu kapsamda çeşitli makine öğrenmesi modelleri geliştirilerek model performans karşılaştırması sonucunda en uygun model optimizasyon modeline girdi olarak kullanılmıştır. İşten ayrılma ihtimallerinin bulunmasının ardından belirli bütçe kısıtları dahilinde yüksek performanslı çalışanların işten ayrılmasını minimize edecek bir optimizasyon modeli kurulmuştur. Bu çalışma göstermiştir ki ücretlendirme özellikle talebin de yoğun olduğu çalışanlarda işten ayrılmayı tetikleyen en önemli parametrelerden biridir ve ücretlendirmenin doğru yapılması ile çalışanların bir kısmının kazanımı sağlanabilir. Optimizasyon çalışması sonrasında duyarlılık analizi ile ayrıca farklı bütçe kısıtlarında her çalışan için en uygun maaş seviyesi belirlenmiştir.Thanks to digitalization and automation, companies collect, process and use data to improve operational processes, minimize losses and maximize profits. This data vision, pioneered by banking, finance, telecommunications and e-commerce has been adopted by other companies over time to benefit from data for various reasons. In addition to the sectors where data is utilized, the way of use has also changed in parallel with the advancements in the technology. Traditional use of data for reactive analyses and reporting has been replaced by predictive analytics and optimization studies over time. Human resources is a specific area of expertise and undertakes numerous managerial and operational activities. HR department is one of the departments that lag behind analytical and data studies and has been observed that studies have started in this field in recent years as well. HR field has been selected with the desire to practice in a sector with relatively weak analytics usage. In this study, proactive estimation of employee churn is provided through a public and multinational data. In this context, various ML models were developed, and the best model was inputted in the optimization model. After revealing churn probabilities, an optimization model was established to minimize the turnover of high-performing employees within certain company budget constraints. Study has shown that compensation is one of the key parameters triggering employee churn, especially in skilled employees, and some employees can be recovered with correct compensation. Sensitivity analysis has also been performed to determine the optimal salaries for each employee.