İK Metriklerinde Yapay Zeka

Bugünün İK dünyasında sadece sezgiyle karar almak artık yeterli değil. Bu modülde, veri okuryazarlığını ve yapay zeka destekli düşünme biçimini öğrenerek ilk stratejik adımınızı atacaksınız.

İK metriklerinin ardındaki anlamı keşfedecek, AI araçlarının nasıl içgörü ürettiğini görecek ve veriye dayalı karar alma becerilerinizi temellendireceksiniz.

Unutmayın: En güçlü araç bile, neyi ölçtüğünüzü bilmiyorsanız işlevsiz kalır. Gelin birlikte bu dili öğrenelim.

Veri bağlamsızsa, sadece bir sayıdan ibarettir. Bu modülde İK metriklerini stratejik olarak nasıl sınıflandıracağınızı öğrenecek, işe alım örneği üzerinden kategorilere netlik kazandıracaksınız.

AI destekli analizlerin neden bağlama ihtiyaç duyduğunu görecek, başvuru-mülakat oranı, işe alım süresi ve aday maliyeti gibi kritik KPI’ları doğru şekilde okumayı deneyimleyeceksiniz.

Hedefimiz: Veriyi daha anlamlı, kararlarınızı daha stratejik hale getirmek.

Bir çalışanın sadece görevini yapması değil, nasıl yaptığı ve kuruma ne kattığı da önemlidir. Bu modülde performans ve bağlılık metriklerini nasıl ölçeceğinizi, AI destekli araçlarla nasıl analiz edeceğinizi öğreneceksiniz.

360 derece geri bildirim, hedef gerçekleşme oranı ve duygusal bağlılık gibi verilerle hem bireysel katkıyı hem de ekip uyumunu değerlendirmeyi deneyimleyeceksiniz.

Ai sayesinde geri bildirimler artık sadece görüş değil, stratejik iç görülere dönüşebiliyor. Hadi birlikte bu dönüşümün temellerini atalım.

Devamsızlık ve devir oranları sadece sayılar değil; organizasyonel riskin ve kültürel sağlığın sinyalleridir. Bu modülde, bu iki kritik metrik üzerinden AI destekli analizler yapmayı öğreneceksiniz.

Hangi tür devamsızlık daha yaygın? Hangi departmanlar risk altında? Turnover neden gerçekleşiyor ve nasıl öngörülebilir?

Verileri KPI’lara dönüştürüp anlamlı sorularla derinlemesine analiz yapmayı, veriye dayalı çözüm yolları üretmeyi ve İK’nın görünürlüğünü artırmayı birlikte keşfedeceğiz.

Eğitim sadece verildiğinde değil, etkisi ölçüldüğünde değerlidir. Bu modülde, çalışan gelişimiyle ilgili metrikleri nasıl seçeceğinizi, izleyeceğinizi ve AI destekli analizlerle nasıl stratejik hale getireceğinizi öğreneceksiniz.

Katılım oranı, öğrenme süresi, beceri kazanımı ve transfer oranı gibi göstergeleri değerlendirirken, AI ile eğitim yatırımlarının geri dönüşünü daha doğru yorumlamayı birlikte keşfedeceğiz.

Amaç, eğitimi sadece bir faaliyet değil; ölçülebilir ve sürdürülebilir bir gelişim aracı haline getirmek.

Bir organizasyonun yapısı, sadece şemalardan ibaret değildir—karar alma, iş yükü dengesi ve etki alanı bu yapıdan doğar. Bu modülde, unvan yapısı, kıdem dağılımı, raporlama çizgileri gibi metriklerle organizasyonel sağlığı analiz etmeyi öğreneceksiniz.

AI destekli analizlerle, gizli darboğazları, yedekleme açıklarını ve yönetim katmanlarındaki riskleri nasıl ortaya çıkaracağınızı birlikte keşfedeceğiz.

Amaç: Organizasyon yapısını sadece tanımlamak değil, sürekli gelişen ve veriye dayalı bir sistem haline getirmek.

Bu bölümde, öğrendiğiniz kavramları kısaca gözden geçiriyor ve bir sonraki adıma geçmeden önce neleri artık net olarak tanımlayabildiğinizi pekiştiriyoruz.

Hangi İK metriği, hangi kategoriye giriyor? Ne zaman, hangi metrik neden öne çıkar?

Kısa bir hatırlatma ile bilgilerinizi yapılandırarak sıradaki modüle güçlü bir başlangıç yapmaya hazırsınız.

Yapay zekanın kalitesi, beslendiği verinin kalitesiyle sınırlıdır. Bu modülde, dağınık ve tutarsız IK verilerini temizlemeyi, dönüştürmeyi ve güvenilir analizlere zemin hazırlamayı öğreneceksiniz.

Veri kaynaklarının neler olduğunu ve bu kaynakları anlamayı, eksik ya da hatalı alanları ayıklamayı ve ham verileri stratejik iç görülere dönüştürmenin ilk adımlarını birlikte atacağız.

Unutmayın: Doğru karar, önce doğru veriyi tanımakla başlar.

IK'da veriye dayalı karar vermek için en güçlü kaynaklardan biri ATS'dir. Bu modülde, işe alım verilerinin toplandığı aday takip sistemi hakkında genel bilgi edineceksiniz.

IK'da en önemli veri kaynaklarından biri de LMS verileridir. Eğitim süreçlerine ait bu veriler, sadece kimin hangi eğitimi tamamladığını göstermekle kalmaz; aynı zamanda gelişim yolculuğunun güçlü ve zayıf yanlarını da ortaya koyar. Bu modülde, LMS sistemi hakkında genel bilgi edineceksiniz.

İnsan kaynakları yönetim sistemleri, IK'nın en önemli veri kaynaklarındandır. HRIS, işe alımdan çıkışa kadar tüm İK verilerini tek bir sistemde toplar ve neredeyse her metriğin temel kaynağıdır. HRIS'i sadece bir veri deposu olarak değil, karar gücünü besleyen bir strateji aracı olarak kullanabilmek önemlidir. Bu bölümde HRIS hakkında genel bilgiler edineceksiniz.

Tüm İK verileri sistemlerde yaşamaz. Excel dosyaları, hala günlük kararların temelinde yer alıyor. Bu modülde, Excel veya diğer dosyalarda tutulan yapılandırılmamış İK verilerinin, analizlerdeki önemi ve bu verilerin toplanması konusunda genel bilgiler edineceksiniz.

Çalışanlar ne yapıyor kadar, ne hissediyor da önemlidir. Bu modülde, 360 derece geri bildirimlerden çıkış mülakatlarına, memnuniyet anketlerinden açık uçlu yorumlara kadar tüm nitel verileri hakkında genel bilgiler edineceksiniz. Yapay zekanın, kelimelerin ötesine geçerek duygu tonunu, örüntüleri ve stratejik sinyalleri ortaya çıkararak IK'ya neler kazandırabileceğini göreceksiniz.

Bu bölümde, analiz için veriyi temizleme, dönüştürme ve yapılandırma adımlarını öğreneceksiniz. Güvenilir AI sonuçları ancak temiz ve eksiksiz veriyle mümkündür.

Boş hücrelerin tespiti, girişlerin standartlaştırılması ve tarih/biçim hatalarının düzeltilmesi gibi işlemlerle veri analizine hazırlık yapacak; bu süreçte ChatGPT’den nasıl destek alabileceğinizi göreceksiniz.

Unutmayın: Eksik veri, eksik gerçek demektir. Sağlam analiz, temiz ve eksiksiz veriyle başlar.

Bu bölümde, eksik verinin analiz üzerindeki etkilerini görecek ve boş hücrelerin stratejik anlamını öğreneceksiniz.

Eksik “departman”, “tarih” ya da “gönderen” gibi alanların karar kalitesini nasıl etkilediği açıklanmakta; veri temizliğinin sadece teknik değil, bağlamsal bir süreç olduğu vurgulanmaktadır.

Bu bölümde, eksik verileri manuel olarak geri getirmenin önemini göreceksiniz. Orijinal kaynağa dönerek LMS tarihleri veya HRIS’te eksik yönetici adları gibi alanların tamamlanması, analizlerin doğruluğunu ve güvenilirliğini artırır.

Temel içgörü: Veri büyük olasılıkla vardır, ancak henüz aktarılmamıştır. Bu strateji zaman alabilir, ancak sağlam analiz için gereklidir.

Bu bölümde, eksik verileri tahmin etme stratejisini inceleyeceksiniz. Benzer kayıtlar ve verideki örüntüler kullanılarak maaş, kıdem süresi ve performans puanı gibi sayısal alanlara tahmini değerler atanabilir.

Ancak tahmini değerler mutlaka etiketlenmeli ve kesin veri olmadıkları paydaşlara açıkça belirtilmelidir. Ayrıca, örneklemin küçüklüğü veya çeşitliliği analiz doğruluğunu etkileyebilir. Tahmin yöntemi yalnızca veriler gerçekten karşılaştırılabilirse kullanılmalıdır.

Bu bölümde, eksik verileri yönetmenin üçüncü stratejisini öğreneceksiniz: kritik değilse hariç tutma. Tüm kaydı silmek yerine, sadece eksik olan alan dışarıda bırakılır.

Bu yöntem, düşük etkili ve tekil eksikler için uygundur. Örneğin, bir 360° formda sadece bir sorunun yanıtlanmamış olması durumunda yalnızca o soru hariç tutulur.

Hariç tutulan alanların ve nedenlerinin mutlaka belgelenmesi gerektiği vurgulanır. Şeffaflık, güvenilirliğin temelidir.

ChatGPT ile boş alanların tahmin edilmesine yönelik uygulamalı bir örnek sunulmakta; görev bilgisine göre eksik “departman” hücrelerinin tamamlanması gösterilmektedir.

DİKKAT!!!

Bu videonun sonunda İndirilebilir Materyaller bölümünden, 100 kişilik veri seti excelini ve yapay zeka ile eksik veri tamamlama çalışması el kitabını indirerek, kendi atölye çalışmasını yapabilirsiniz.

Bu bölümde, eksik verileri tahmin etme örneği göreceksiniz. Amaç; veri kaybını en aza indirerek analiz kalitesini artırmaktır.

ChatGPT’nin görev bilgisine göre eksik departman alanlarını tahmin etmesi üzerinden bir uygulama örneği sunulmaktadır. Ayrıca, ChatGPT'nin veri editörü ve yorumlayıcısı olarak nasıl kullanılabileceği gösterilir.

İyi hazırlanmış veri, daha güçlü analizler üretir.

Bu bölümde, format tutarsızlıklarının ve tekrarlayan kayıtların analiz üzerindeki etkilerini görecek ve bu tutarsızlıkları yapay zekayı kullanarak nasıl düzenleyeceğinizi öğreneceksiniz.

Bu bölümde, ChatGPT kullanılarak yinelenen çalışan kayıtlarının nasıl tespit edildiği ve yalnızca en güncel tarihli olanların bırakıldığı bir örnek ele alınmaktadır.

Bu bölümde, açık uçlu yanıtların analiz öncesi nasıl standartlaştırılması gerektiğini öğreneceksiniz.

Metin standardizasyonu sayesinde yazım hataları, eşanlamlı ifadeler ve ifade tarzı farklılıkları giderilerek veriler analiz için uygun hâle getirilir.

Temalandırma, duygu analizi ve anonimleştirme olmak üzere üç temel adım uygulanır.

AI araçları bu süreçte yorumları sınıflandırır, duygu tonlarını etiketler ve kişisel bilgileri anonimleştirerek daha güvenilir analizlerin yapılmasını sağlar.

Temiz veri, daha doğru aksiyonlar ve stratejik kararlar için gereklidir.

Bu bölümde, veriyi görselleştirmenin neden önemli olduğu ele alınmakta; ham verilerin uzmanlar dışındaki kitleler için anlamlı hâle getirilmesi üzerinde durulmaktadır.

Excel, Power BI, Google Charts gibi temel araçlardan; Tableau ve Looker Studio gibi etkileşimli panellere kadar çeşitli görselleştirme araçları genel olarak tanıtılmaktadır.

Bu bölümde, genel yapay zeka sistemlerinin İK süreçlerinde neden yetersiz kaldığı açıklanmakta ve RAG (Retrieval-Augmented Generation) modelinin kuruma özel veriyle AI’ı nasıl buluşturduğu ele alınmaktadır.

Bu bölümde, devamsızlık verileri üzerinden anlamlı KPI’lar üretme sürecini öğreneceksiniz. Veriniz olmasa bile, AI’dan örnek veri alabilir; departman bazlı devamsızlık oranlarını analiz ederek KPI’ları karar süreçlerine entegre edebilirsiniz.

Ayrıca, plansız devamsızlık yüzdesi, departmanlar arası dengesizlik, 20+ gün devamsızlık yapanlar gibi göstergelerle çalışacak; “Ne oldu?”dan “Ne yapmalıyız?” sorusuna geçiş yaparak stratejik öngörü geliştireceksiniz.

Bu bölümde, veri analizi, görünürlük, tutarlılık ve hesap verebilirliği destekleyen bir stratejik kas olarak ele alınmaktadır.

Bu bölümde, ChatGPT’nin yalnızca özetleme değil, öngörüsel analiz için nasıl kullanılabileceği ele alınmaktadır. Anket yorumları, yönetici geri bildirimleri, eğitim katılımı ve performans verileri birleştirilerek “Kim ayrılabilir?” sorusuna yanıt aranır.
Risk sinyalleri; performans düşüşü, zayıf ekip uyumu, olumsuz yönetici geri bildirimi, düşük kıdem ve eğitim eksikliği üzerinden değerlendirilir.
Yüksek riskli çalışanlar belirlenir, bu bulgular stratejik aksiyon önerilerine dönüştürülür.

Bu bölümde, ChatGPT ile 9 Kutu Matrisi uygulaması anlatılmakta ve çalışanların performans ve potansiyel boyutlarında değerlendirilmesi ele alınmaktadır. Farklı kutularda yer alan çalışan grupları için vaka bazlı aksiyon önerileri sunulmaktadır.

AI; geçmiş verileri analiz ederek kutu önerisi sunabilir, her kutuya özel gelişim adımları ve kariyer yolları belirleyebilir, yedekleme planı için stratejik iç görüler sağlayabilir.

Bu bölümde, bir çalışanın terfiye uygunluğunun nasıl değerlendirileceği ele alınmaktadır.

Beş çalışanın terfi durumları analiz edilmekte; uygun olanlar için gerekçe sunulması, uygun olmayanlar için ise nedenleriyle birlikte gelişim önerileri verilmesi istenmektedir.

Tüm sonuçların tablo halinde gösterilmesi beklenmektedir.

? Atölye Çalışmaları ve İndirilebilir Kaynaklar

Bu bölümde, videodan açıklamayı dinleyebilirsiniz. Örnek veri setleriyle dört farklı uygulamalı atölye çalışması gerçekleştireceksiniz:

• Devamsızlık Analizi
İlgili el kitabı ve veri seti ile devamsızlık verisini analiz etmeyi, temel göstergeleri çıkarmayı ve ChatGPT ile KPI üretmeyi öğreneceksiniz.

• Turnover Riski Tahmini
Bu çalışmada, çalışan devir riskiyle ilgili örnek veri seti ve rehber doküman yardımıyla risk analizi yapacak ve yapay zekâ destekli öngörüler oluşturacaksınız.

• 9 Kutu Performans Matrisi Uygulaması
Atölye çalışmasına özel olarak hazırlanmış veri seti ve kullanım kılavuzu ile 9 Kutu analizi yapacak, yedekleme planı geliştirecek ve potansiyel-risk matrisini yorumlayabileceksiniz.

• Terfi Kararı ve AI Destekli Değerlendirme
Yapay zekâdan nasıl destek alabileceğinizi gösteren el kitabı ve veri seti eşliğinde, terfi kararlarında veri destekli prompt'lar yazarak yönetsel analizler gerçekleştireceksiniz.

? Tüm bu içerikleri “İndirilebilir Materyaller” bölümünden bilgisayarınıza indirebilir, kendi hızınızda uygulayarak öğrenme sürecinizi derinleştirebilirsiniz.

Bu bölümde, AI destekli İK stratejisi oluşturmak için adım adım bir yol haritası sunulmaktadır.

Bu eğitimde sizin için iki ayrı stratejik rehber doküman hazırladık:

• Kurumsal Yol Haritası:
Yapay zeka destekli İK metrikleri sistemini kendi şirketinizde kurmak istiyorsanız, bu adım adım plan tam size göre. Veri kaynaklarından analiz araçlarına, karar destekten dashboard tasarımına kadar tüm süreci stratejik olarak kurgulamanız için tasarlandı.

• Bireysel Gelişim Yolculuğu:
İK analitiği ve yapay zeka konularında uzmanlaşmak isteyen bir İK profesyoneli olarak, hangi becerileri geliştirmeniz gerektiğini gösteren bu plan; eğitimlerden araç kullanımına, proje üretiminden uzmanlaşmaya kadar yolunuzu çizecek bir rehberdir.

Her iki dokümanı da bilgisayarınıza indirerek şirketinizdeki dönüşüm sürecini tasarlayabilir ve kendi kariyer gelişiminizi profesyonelce planlayabilirsiniz.

AYRICA, bu eğitim kapsamında kullanılan tüm araştırma kaynaklarının isimlerini de sizlerle paylaşıyoruz. Dilerseniz, bu kaynaklardan da daha detaylı bilgiler edinebilirsiniz.