Makine Öğrenmesi Teknikleri ile İşten Ayrılacak Personelin Tahminlenmesi ve Tekniklerin Performanslarının Karşılaştırılması

Batuhan Bilenler; Sait Gül; Tamer Uçar

Makale detayları

Makine Öğrenmesi Teknikleri ile İşten Ayrılacak Personelin Tahminlenmesi ve Tekniklerin Performanslarının Karşılaştırılması

Yazarlar:

Batuhan Bilenler | Sait Gül | Tamer Uçar

Yayıncı:

Dicle University

Ana Başlıklar:

Makine Öğrenme (Diğer)

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.15 Issue 4, pp.807-816

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001334534

pISSN:

1309-8640

Anahtar kelimeler:

Özet:

 Şirketlerin sürdürülebilir başarısı için yetenekli insan kaynağını şirkette tutundurmak oldukça önemlidir. Bu çalışmada, araştırma yapmak amacıyla açık kaynak olarak paylaşılmış bir şirketin personel verileri kullanılarak işten ayrılacak olan personelin tahminlenebilmesi amaçlanmıştır. Gradient Boosting Tree, Random Forest Trees, XGBoosting Regresyon teknikleri ile tahminleme yapılmıştır. Değerlendirme metrikleri olan ortalama mutlak hata mean absolute error, R² Skoru, ortalama kare hatası mean squared error ve düzeltilmiş R² Adjusted R² değerleri karşılaştırılmış olup 3 modelde de anlamlı ölçüde tahminleme yapılabilindiği sonucuna ulaşılmıştır. Ortalama hata skorları birbirine oldukça yakın olduğu için R² değeri 1e en yakın olan Random Forest tekniği üzerinden özellik önemi çıkarılmıştır. İncelenen öznitelikler arasında, işten ayrılmayı etkileyen en önemli özniteliğin personel tatmini olduğu görülmüştür. Makine öğrenmesi tekniklerinin insan kaynakları alanında kullanımının, şirket içerisindeki yetenekli personeli şirkete tutundurma stratejilerini belirleme anlamında insan kaynakları yöneticilerine oldukça faydalı çıktılar üretebileceği düşünülmektedir.

 Şirketlerin sürdürülebilir başarısı için yetenekli insan kaynağını şirkette tutundurmak oldukça önemlidir. Bu çalışmada, araştırma yapmak amacıyla açık kaynak olarak paylaşılmış bir şirketin personel verileri kullanılarak işten ayrılacak olan personelin tahminlenebilmesi amaçlanmıştır. Gradient Boosting Tree, Random Forest Trees, XGBoosting Regresyon teknikleri ile tahminleme yapılmıştır. Değerlendirme metrikleri olan ortalama mutlak hata mean absolute error, R² Skoru, ortalama kare hatası mean squared error ve düzeltilmiş R² Adjusted R² değerleri karşılaştırılmış olup 3 modelde de anlamlı ölçüde tahminleme yapılabilindiği sonucuna ulaşılmıştır. Ortalama hata skorları birbirine oldukça yakın olduğu için R² değeri 1e en yakın olan Random Forest tekniği üzerinden özellik önemi çıkarılmıştır. İncelenen öznitelikler arasında, işten ayrılmayı etkileyen en önemli özniteliğin personel tatmini olduğu görülmüştür. Makine öğrenmesi tekniklerinin insan kaynakları alanında kullanımının, şirket içerisindeki yetenekli personeli şirkete tutundurma stratejilerini belirleme anlamında insan kaynakları yöneticilerine oldukça faydalı çıktılar üretebileceği düşünülmektedir.

 Şirketlerin sürdürülebilir başarısı için yetenekli insan kaynağını şirkette tutundurmak oldukça önemlidir. Bu çalışmada, araştırma yapmak amacıyla açık kaynak olarak paylaşılmış bir şirketin personel verileri kullanılarak işten ayrılacak olan personelin tahminlenebilmesi amaçlanmıştır. Gradient Boosting Tree, Random Forest Trees, XGBoosting Regresyon teknikleri ile tahminleme yapılmıştır. Değerlendirme metrikleri olan ortalama mutlak hata mean absolute error, R² Skoru, ortalama kare hatası mean squared error ve düzeltilmiş R² Adjusted R² değerleri karşılaştırılmış olup 3 modelde de anlamlı ölçüde tahminleme yapılabilindiği sonucuna ulaşılmıştır. Ortalama hata skorları birbirine oldukça yakın olduğu için R² değeri 1e en yakın olan Random Forest tekniği üzerinden özellik önemi çıkarılmıştır. İncelenen öznitelikler arasında, işten ayrılmayı etkileyen en önemli özniteliğin personel tatmini olduğu görülmüştür. Makine öğrenmesi tekniklerinin insan kaynakları alanında kullanımının, şirket içerisindeki yetenekli personeli şirkete tutundurma stratejilerini belirleme anlamında insan kaynakları yöneticilerine oldukça faydalı çıktılar üretebileceği düşünülmektedir.

 Şirketlerin sürdürülebilir başarısı için yetenekli insan kaynağını şirkette tutundurmak oldukça önemlidir. Bu çalışmada, araştırma yapmak amacıyla açık kaynak olarak paylaşılmış bir şirketin personel verileri kullanılarak işten ayrılacak olan personelin tahminlenebilmesi amaçlanmıştır. Gradient Boosting Tree, Random Forest Trees, XGBoosting Regresyon teknikleri ile tahminleme yapılmıştır. Değerlendirme metrikleri olan ortalama mutlak hata mean absolute error, R² Skoru, ortalama kare hatası mean squared error ve düzeltilmiş R² Adjusted R² değerleri karşılaştırılmış olup 3 modelde de anlamlı ölçüde tahminleme yapılabilindiği sonucuna ulaşılmıştır. Ortalama hata skorları birbirine oldukça yakın olduğu için R² değeri 1e en yakın olan Random Forest tekniği üzerinden özellik önemi çıkarılmıştır. İncelenen öznitelikler arasında, işten ayrılmayı etkileyen en önemli özniteliğin personel tatmini olduğu görülmüştür. Makine öğrenmesi tekniklerinin insan kaynakları alanında kullanımının, şirket içerisindeki yetenekli personeli şirkete tutundurma stratejilerini belirleme anlamında insan kaynakları yöneticilerine oldukça faydalı çıktılar üretebileceği düşünülmektedir.

Makale detayları

Makine Öğrenmesi Teknikleri ile İşten Ayrılacak Personelin Tahminlenmesi ve Tekniklerin Performanslarının Karşılaştırılması

Yazarlar:

Batuhan Bilenler | Sait Gül | Tamer Uçar

Yayıncı:

Dicle University

Ana Başlıklar:

Makine Öğrenme (Diğer)

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.15 Issue 4, pp.807-816

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001334534

pISSN:

1309-8640

personel kayıp tahmini

makine öğrenmesi

insan kaynakları analitiği

veri analizi

Sayı

Makale detayları

Makine Öğrenmesi Teknikleri ile İşten Ayrılacak Personelin Tahminlenmesi ve Tekniklerin Performanslarının Karşılaştırılması

Yazarlar: Batuhan Bilenler | Sait Gül | Tamer Uçar

Yayıncı: Dicle University

Ana Başlıklar: Makine Öğrenme (Diğer)

Dergi: Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.15 Issue 4, pp.807-816

Belge Tipi: Makale

Yayın Tarihi: 12/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001334534

pISSN: 1309-8640

personel kayıp tahmini

makine öğrenmesi

insan kaynakları analitiği

veri analizi

Sayı

Yazarlar:

Batuhan Bilenler | Sait Gül | Tamer Uçar

Yayıncı:

Dicle University

Ana Başlıklar:

Makine Öğrenme (Diğer)

Dergi:

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi Vol.15 Issue 4, pp.807-816

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001334534

pISSN:

1309-8640