İnsan Kaynakları Analitiği ve Veri Odaklı Karar Alma

Günümüz iş dünyasında rekabet avantajı elde etmenin yolları arasında, insan sermayesinin etkin yönetimi giderek daha fazla önem kazanmaktadır. Dijitalleşme ile birlikte İnsan Kaynakları (İK) departmanları, yalnızca operasyonel süreçlerle sınırlı kalmamakta; stratejik karar alma mekanizmalarında aktif bir rol üstlenmektedir. Bu dönüşümde en dikkat çekici gelişmelerden biri de İnsan Kaynakları Analitiği (Human Resources Analytics) kavramıdır. İK analitiği, veri temelli yaklaşımlarla çalışan davranışlarını anlamayı, ölçmeyi ve öngörmeyi amaçlayan bir disiplindir.

“İnsan Kaynakları Analitiği” veya “Veri Odaklı İnsan Kaynakları Yönetimi”, organizasyonların temel stratejik kararlarını desteklemek üzere toplanan, analiz edilen ve yorumlanan büyük veri setlerine dayalıdır (Bersin, 2017). Globalleşme ve dijital teknolojilerin olağanüstü gelişimi, organizasyonların yönetim yaklaşımlarında köklü değişiklikler yapmaya zorlamış, geleneksel yöntemler yerini bilgi ve veri temelli karar destek sistemlerine bırakmıştır.

Bu konsept, öncelikle geleneksel performans ve insan kaynağı yönetimi yaklaşımından farklı olarak, sistemli ve nicel temellere dayanan bir karar alma modelini benimser. Temel olarak, veri bilimi, istatistiksel modelleme ve yapay zekâ teknikleri gibi dönüşümlerden İnsan Kaynakları fonksiyonları da nasibini almış, özellikle İnsan Kaynakları Analitiği alanı, stratejik önemi giderek artan bir yapı kazanmıştır.

İnsan Kaynakları analitiğinin metodolojik olarak gelişimine baktığımızda, insan kaynakları analitiğinin örgütsel performans ve sürdürülebilirlik ile ilişkisini inceleyen çalışmalar artmaktadır. Örneğin, Marler ve Boudreau (2017), analitik temelli İK süreçlerinin, organizasyonların esneklik ve adaptasyon kabiliyetini artırdığını ve böylece rekabet üstünlüğü sağladığını öne sürmektedir. Diğer yandan, “yapay zeka ve etik” konusu, organizasyonların çalışan haklarını koruyacak, önyargısız ve adil kararlar almasını sağlayacak teknolojik gelişmelere yöneliktir.

Bunun yanı sıra, “insan odaklı makine öğrenimi” ve “sempatik yapay zeka” gibi kavramlar, çalışanların ve yöneticilerin teknolojiyi benimsemesi ve ondan en yüksek verimi alması açısından önem kazanacaktır. Ekipler, hem teknolojiyi doğru kullanmak hem de etik ilkelerine uygun hareket etmek adına, disiplinler arası çalışmalar ve yeni eğitim programlarına ihtiyaç duyacaklardır.

Peki, günümüz iş dünyasında İK profesyonelleri İK Analitiği süreçlerini nasıl ele almaları gerekir?

Veri hayatımızda artık her noktada yer alıyor. Tüm süreçlerimizi yorumlarken, süreçlere göre alacağımız aksiyonlar ve belirleyeceğimiz stratejilerde en önemli iş ortağımız haline dönüşüyor. Geçmişten bugüne gelirken, profesyoneller deneyimleri ve sezgileriyle hareket ederek karar veriyor ve aksiyonlarını kurguluyorlardı. Artık bu durum tek başına şirketlerin rekabet gücünü artırmaya ve yetenek yönetiminde öne çıkmaya imkan vermiyor. Bu süreçte veri analitiğine ihtiyaç duyuyoruz.

Bu noktada, perspektifimize bu kapıyı nasıl açabileceğimiz hakkında Davenport, Harris ve Shapiro’nun Harvard Business Review’da yayınladığı “Competing on Talent Analytics” makalesinde yer alan “İK Analitiğinde 6 Aşamalı Olgunluk Modeli” oldukça değerli bir bakış açısı sunuyor.  Bu modelde, şirketler en temel seviyeden en ileri düzeye kadar altı aşamada değerlendirilir. Her aşama, veri kullanımının niteliği ve stratejik değeri açısından bir öncekinin üzerine inşa edilir.

Bu modeli oluşturan 6 aşamalı raporlamayı ve uygulamaya nasıl dökeceğimizi inceleyelim.

1. Aşama: Operasyonel Raporlama – “Ne oldu?”

Bu aşamada, ilk olarak operasyona “Ne Oldu?” sorusunu sorarak başlamamız gerekiyor. Bu soru aslında en temel seviye mevcut ve geçmişten gelen durumun fotoğrafını ortaya koymaktadır. Bu aşamada neden – sonuç ilişkisi kurmamız mümkün olmasa da diğer aşamalarda neden – sonucu değerlendirebilmemiz için ilk olarak operasyonel raporlamaları gerçekleştirmemiz gerekmektedir.

Örneğin; bir zincir marketin İK departmanı, aylık olarak şu raporları çıkarır:

• Hangi mağazalarda kaç kişi işe alındı/ayrıldı?
• Ortalama kıdem süresi nedir?
• Hangi bölgede kaç vardiya çalışanı var?

Bu vb. sorular operasyonun en temel seviyede durumunu ortaya koyacaktır. Bu adım sonrasında ortaya çıkan verileri daha spesifik hale getirmek ve doğru stratejiyi planlamak için diğer aşamalardaki raporlamaları yapmamız gerekmektedir.

2. Aşama: Gelişmiş Raporlama – “Nerede ne oluyor?”

İlk aşamada gözlemlediğimiz genel ve spesifik olmayan raporlamaları daha özelleştirebilmek ve sorunun kök nedenine inebilmek için basit düzeyde özelleştirerek “Nerede ne Oluyor?” sorusuna cevap arar. Böylelikle problemli olan bölge, departman veya pozisyonların tespit edilmesini sağlar. Ancak hala bu aşamada konun nasıl engellenebileceğine dair somut bir aksiyon belirlemek mümkün olmayacaktır.

Örneğin; İnsan Kaynakları ekipleri, bölgelere göre turnover oranlarını kıyaslamak isteyebilir;

• Doğu Anadolu’daki mağazalarda turnover oranı %35 iken, Ege’de %18.
• İstanbul’daki mağazalarda özellikle kasiyer pozisyonunda 3 aylık kıdemden sonra ayrılma oranı yüksek.

Bu sorular ve raporlar problemli olan bölge, departman veya pozisyonların tespit edilmesini sağlar. Ancak hala bu aşamada konun nasıl engellenebileceğine dair somut bir aksiyon belirlemek mümkün olmayacaktır.

3. Aşama: Analitik İzleme – “Neden oluyor?”

Genellikle yukarıda belirtilen iki aşama da karar verir ve aksiyon planlamaya çalışır. Ancak herhangi bir durum veya konuya dair “Neden oluyor?” sorusunu yöneltmezsek kişiler, departmanlar, bölgeler veya konular arasında ilişkiler kurmamız mümkün olmayacaktır. Bu nedenle üçüncü aşamada karşı karşıya kalınan konuya dair “Neden” sorusunu sormamız gerekmektedir.

Örneğin; bir firma, çalışan memnuniyet anketlerini, mağaza yöneticilerinin liderlik stillerini ve vardiya dağılımlarını analiz etmek ister;

• X mağazasındaki yüksek turnover, yönetici değişiminden sonra artmış.
• Aşırı vardiya değişikliği yapılan mağazalarda istifa oranı daha yüksek.

Bu sayede artık ilişkiler kurulmaya başlar: “Bu mağazada bu olaydan sonra şu oldu” denilebilir ve kararlar daha bilinçli ve neden – sonuç ilişkisiyle alınabilir hale gelir.

4. Aşama: Tahminleyici Analitik – “Ne olacak?”

Herhangi bir konu veya duruma karşı genellikle bir sorun gerçekleştiğinde veya herhangi bir paydaş talep ettiğinde yukarıdaki raporlamaları ve sorular sorarak analiz yaparız. Halbuki bu sorun ve konuların oluşmaması veya işin sürdürülebilir bir başarı sağlayabilmesi için önleyici hamleler almamız gerekir. Bu noktada “Tahminleyici Analitik” ile “Ne Olacak” sorusunu yönelterek bir raporlama oluşturabiliriz.

Örneğin; makine öğrenmesi modelleriyle şu tahminler yapılır:

• Hangi çalışanların önümüzdeki 3 ay içinde ayrılma riski yüksek?
• Yeni başlayan personelin 6 ay içinde tutunma ihtimali nedir?
• Hangi profildeki adaylar daha uzun süre mağazada kalıyor?

Bu sorular ile sadece tepkisel değil önleyici aksiyonları planlayabiliriz.

5. Aşama: Kuralcı Analitik – “Ne yapmalıyız?”

Yaşanılan konu veya durum ile ilgili gerekli noktaları belirledikten sonra kuracağınız neden – sonuç ilişkisiyle beraber artık organizasyonu harekete geçirecek stratejiyi ve düzenlemeleri yapmamız gerekmektedir. Bu sayede İK’nın stratejik tarafını net bir şekilde ortaya koyabilir ve şirketin sürdürülebilir başarısına hizmet eder bir hale getirilebilir.

Örneğin; analitik sistem öneriler sunar:

• Yüksek turnover riski olan çalışanlara hangi prim modeli uygulanmalı?
• Yeni başlayanlara hangi mentor atanırsa tutunma oranı artar?
• Hangi mağazalara hangi yönetici profili daha uygundur?

Bu karar destek sistemleri sayesinde süreçleri çözümleyebilir hatta bireyselleştirerek daha başarılı aksiyonları kurgulayabiliriz.

6. Aşama: Stratejik Entegrasyon – “Veri İK’nın DNA’sında”

Yukarıda belirttiğim beş aşamayı gerçekleştirdikten sonra tam anlamıyla strateji planlayabilmek ve bu stratejinin sürdürülebilir bir şekilde başarıya ulaşmasını sağlayabilirsiniz. Bunun için verilerle “Stratejik Entegrasyon” sağlayabilirsiniz. Böylelikle İK departmanın yeni DNA’sını kurgulayabilirsiniz.

Örneğin; perakende zinciri, büyüme stratejisini İK verisine göre şekillendirir:

• Yeni açılacak mağazaların lokasyon kararında, bölgedeki işgücü profili dikkate alınır.
• Eğitim yatırımları, çalışan performans analizlerine göre yönlendirilir.
• Performans primleri, sadece satışa değil; müşteri memnuniyeti ve takım içi etkileşime göre belirlenir.

Tüm bu adımlarla İnsan Kaynakları şirket stratejisinin mimarlarından biri haline dönüşebilir.

Davenport, Harris ve Shapiro’nun 6 Aşamalı Olgunluk Modeli ile tüm süreçlerimizde doğru karar matrisleri oluşturabilir ve İK fonksiyonlarını yeniden kurgulayabiliriz. Peki bunları temel İK süreçlerinde nasıl kullanabiliriz?

Yapay Zeka ve Makine Öğrenimi Destekli İK Sistemleri

Yapay zekâ uygulamaları, işe alım süreçlerinden performans yönetimine ve çalışan bağlılığı ölçümlerine kadar pek çok alanda kullanılmaktadır. Makine öğrenimi algoritmaları, yüksek hacimli veriyi işleyerek, örüntüleri tespit eder, geleceğe yönelik öngörülerde bulunur ve karar destek sistemlerini oluşturabiliriz.

Veri Entegrasyonu ve Çeşitlendirilmiş Veri Kaynaklarının Kullanımı

Günümüzde, organizasyonlar sadece insan kaynakları bilgi sistemleri (HRIS) veya performans değerlendirme verileriyle sınırlı kalmayıp, çalışanların sosyal medya aktiviteleri, e-posta iletişimleri, online eğitim platformları ve hatta sensör tabanlı verileri de analitik süreçlere entegre etmektedir. Bu çoklu veri kaynaklarının entegrasyonu, organizasyonların çalışan davranışlarını anlamada, öngörülerde ve müdahalelerde daha yüksek doğruluk sağlar. Bu noktada, büyük veri teknolojileri ve veri ambarları mimarileri, bu karmaşık veri kümelerinin yönetilmesini kolaylaştırmakta ve analitik süreçleri hızlandırmaktadır

İşe Alım ve Yetenek Yönetimi

Yapay zekâ ve makine öğrenimi algoritmaları, özellikle aday havuzlarının taranması ve sıralanmasında önemli avantajlar sunar. Örneğin, IBM’in Watson’ı, adayların geçmiş kariyerleri, yetkinlikleri ve davranışsal test sonuçları gibi verileri kullanarak, adayların işe uygunluğunu yüksek doğrulukla öngörmekte ve önyargısız seçimler yapılmasını sağlamaktadır. Ayrıca, bu teknolojiler, adayların pozisyona uyumunu ve uzun vadeli performanslarını tahmin ederek, işe alım maliyetlerini düşürmekte ve organizasyonların stratejik hedeflerine daha hızlı ulaşmasını desteklemektedir.

Çalışan Bağlılığı ve Motivasyonun Ölçülmesi

Veri analitiği, çalışanların motivasyon ve bağlılık seviyelerini anlamada önemli araçlar sunmaktadır. Anketler, sosyal medya ve dijital izleme yöntemleri aracılığıyla toplanan veriler, çalışanların memnuniyet düzeylerini ve potansiyel riskleri belirlemek için kullanılır. Google’ın insan kaynakları analitik çalışmaları, çalışanların duygusal bağlarının ve bağlılıklarının örgütsel performansu üzerindeki etkisini göstererek, müdahale edilmesi gereken alanları önceden tespit etmiştir (Feldman & Ng, 2012). Bu yaklaşım, sadece geriye dönük analiz değil, aynı zamanda önleyici ve proaktif stratejilerin geliştirilmesine imkan sağlar.

Ciro ve İşyeri Gelişimi

Çalışanların işten ayrılma olasılıklarını modellemek, organizasyonların önemli maliyetleri önlemesi ve insan sermayesini koruması açısından kritik önemdedir. Veri analitiği uygulamaları, çalışanların davranışsal ve performans göstergelerini inceleyerek, yüksek riskli çalışanları belirliyor, böylece erken uyarı ve müdahale mekanizmaları işletilebiliyor. Google’da Arayın

Performans Değerlendirme ve Gelişim

İK analitiği, bireysel performansların sürekli ve objektif biçimde izlenmesini sağlar. Performans verileri, yapay zeka algoritmalarıyla analiz edilerek, çalışanların güçlü yönleri ve gelişim alanları haritalanır. Bu da, eğitim ve kariyer gelişim programlarının, kişiye özel ve zamanında organize edilmesine imkan tanır. McKinsey’in araştırmasına göre, veri destekli performans yönetimi uygulayan şirketlerde, çalışanların gelişim hız ve kalitesi anlamında önemli bir artış gözlemlenmiştir. Ayrıca, bu yaklaşımlar, geleneksel yılsonu değerlendirmelerinin ötesinde, gerçek zamanlı geri bildirim ve gelişim planlarıyla performans yönetimini yeniden şekillendirir.

Gelecek Vizyonu

Gelecekte, İK Analitiği uygulamaları, daha öngörücü ve entegre hale gelmekte olup, yapay zekânın etik ve güvenlik boyutları da bu dönüşümde kritik unsurlar olarak ön plana çıkmaktadır. Özellikle, çalışanların kişisel verilerinin mahremiyet ve etik ilkeler çerçevesinde kullanılması, organizasyonların sürdürülebilirlik ve toplum yararı açısından oldukça önemlidir.

Ayrıca, nesnelerin interneti (IoT), gelişmiş veri gözetleme teknolojileri ve doğal dil işleme (NLP) gibi yeni teknolojiler çerçevesinde, insan kaynakları analitiğinin kapsamı ve yetkinlikleri hızla genişlemekte ve derinleşmektedir. Örneğin, çalışanların duygusal durumu, stres seviyeleri ve üretkenlik analitiği gibi alanlar yeni araştırma konuları haline gelmiştir. Bu teknolojiler, organizasyonların çalışanların gelişim ve iyilik hali üzerinde daha proaktif müdahalelerde bulunmasını sağlayacak, özellikle kurumsal sağlık ve sürdürülebilirlik açısından yeni standartlar belirleyecektir.

Tüm bu detayların ışığında;

İnsan Kaynakları Analitiği ve Veri Odaklı Karar Alma süreçleri, organizasyonların sürdürülebilir rekabet avantajı elde etmesi ve yetenek yönetimi konusunda devrim niteliğindedir. Geleneksel insan kaynakları uygulamalarının ötesine geçen bu yaklaşımlar, veriye dayalı objektif, öngörücü ve kişiselleştirilmiş kararların temelini oluşturmaktadır. Bu noktada, teknolojik altyapı yatırımları, veri entegrasyonu, çalışan gizliliği ve etik ilkeler büyük önem arz etmektedir.

Kurumsal stratejilerin, sadece deneyim ve sezgi ile değil, aynı zamanda yapay zekâ ve gelişmiş analitik araçlar ile desteklenmesi, organizasyonların hızla değişen çevresel koşullara uyum sağlayabilme kabiliyetlerini güçlendirmektedir. Bu dönüşüm, sadece teknolojik değil, aynı zamanda kültürel ve yönetsel bir değişimi de beraberinde getirmekte, liderlerin ve insan kaynakları profesyonellerinin yeni yetkinlikler geliştirmesini zorunlu kılmaktadır.