Prediction of the future success of candidates before recruitment with machine learning: A case study in the banking sector
İşe alım öncecinde adayların gelecek başarılarının makine öğrenmesiyle tahmini: Bankacılık sektöründe bir vaka çalışması
- Tez No: 731502
- Danışmanlar: DR. ÖĞR. ÜYESİ MURAT LEVENT DEMİRCAN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Bilgisayar destekli karar verme, Bilgisayar destekli öğrenme, Karar verme, Makine öğrenmesi, Personel seçimi, Computer aided decision making, Computer assisted learning, Decision making, Machine learning, Personnel selection
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Galatasaray Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Gelişen rekabet ortamında kurumların hayatta kalabilmeleri için başarılı çalışanları istihdam edebilmeleri önemli hale gelmiştir. Kurumların güçlü bir işgücü profili oluşturabilmek için en başta doğru personeli istihdam etmeleri gerekmektedir. Bu nedenle işe alım süreci yatırım getirisi olarak en yüksek insan kaynakları süreçleri arasında görülmektedir. Covid-19 pandemi sürecinin getirdiği hızlı dijitalleşme ve bu sürecin uyum gereklilikleri, işe alım süreçlerinde yeni iş modellerini gerekli hale getirmiştir. Kurumlar, artık yeni personel istihdam edilmesinde mevcut süreçlerine paralel olarak online platformlar aracılığıyla da işe alım süreçlerini ilerletmektedir. Bunun paralelinde, iş başvuruları ve pozisyon gerekliliklerindeki artış, değerlendirilmesi gereken aday sayısını ve sürecin karmaşıklığını ciddi boyutlara çıkarmıştır. Değerlendirme güçlüğü ve karmaşıklığın neden olabileceği hatalı işe alım kararları, kurumlar için sonuçları uzun vadeli ve finansal ve finansal olmayan zararlara neden olabilmektedir. Bu nedenle kurumlar, bu zorluklarla mücadele etmek için veri odaklı karar destek sistemlerine daha fazla ihtiyaç duymaktadır. Bu noktada makine öğrenmesi yaklaşımları, karmaşık verileri analiz ederek işe alım süreçlerinde karar vericilere anlamlı çıktılar sunabilir. İşe alım süreçlerine yönelik analitik çalışmaların pek çoğu karar vericilerin kararlarını modellemek üzerine odaklanmaktadır. Ancak bu modeller karar vericilerin sübjektif ve önyargılı değerlendirmelerine hassas olmaktadır. Bu çalışma ise, işe alınmış olan başarılı ve başarısız olarak değerlendirilen çalışanların işe alım sürecindeki tarihsel verilerini makine öğrenmesi algoritmaları ile öğrenerek, yeni adayların gelecek performanslarını tahmin etmeye odaklanmıştır. Bu sayede, işe alım sürecindeki artan verilerin değerlendirilmesine ilişkin zorluk ve karmaşıklığı azaltarak, doğru çalışanın istihdam edilmesi için karar vericilere destek sağlanacağı düşünülmektedir. Bu çalışma Türkiye' de hizmet veren özel bir bankanın 597 çalışanının verisini kapsamaktadır. Başarılı ve başarısız çıktı etiketlerinin oluşturulmasında çalışanların ilk iki yıldaki performans değerlendirmeleri dikkate alınmıştır. Çalışmada 3 aşamalı bir yöntem izlenmiştir. İlk aşama, makine öğrenmesine dâhil edilecek veri setinin elde edilmesi ve hazırlanmasıdır. İkinci aşamada, hazırlanmış veri seti eğitim ve test olarak bölümlendirilmiştir. Akabinde eğitim verisiyle Lojistik Regresyon, Destek Vektör Makinesi, K En Yakın Komşular, Karar Ağaçları ve Çok Katmanlı Algılayıcı algoritmaları için beş katlamalı doğrulama yapılmıştır. Hesaplanan değerlendirme kriterlerine göre 71.19% doğruluk elde edilen Lojistik Regresyon modeli önerilmiştir. Son aşamada, önerilen model için parametre optimizasyonu yapılarak tahmin performansı geliştirilmiştir. Geliştirilen modelin en iyi parametre değerleri ile eğitim verisinde 73.14% doğruluk oranı elde edilmiştir. Daha sonra bu model, daha önce görmediği test veri seti ile çalıştırılmış ve 71.67% oranında başarılı bir doğruluk oranına ulaşılmıştır.
Özet (Çeviri)
With the developing competitive environment and conditions, it has become important for companies to employ successful employees to survive. To create a strong workforce profile, companies first need to employ the right personnel. For this reason, the recruitment process is seen among the Human Resources (HR) processes with the highest return on investment (ROI). The rapid digitalization brought by the Covid-19 pandemic process and the compliance requirements of this process have made new business models necessary in the recruitment processes. Companies are now advancing their recruitment processes through online platforms in parallel with their current processes in recruiting new personnel. In addition to this, the increase in job applications and the increasing number of position requirements have increased the complexity of the process and the candidate data that need to be evaluated. Wrong hiring decisions caused by the difficulty of evaluation and complexity can cause long-term and financial and non-financial losses for companies. For this reason, companies need more data-driven decision support systems to tackle these challenges. By analyzing complex data with machine learning (ML) approaches, companies can offer meaningful outputs to decision-makers in their recruitment processes. Most of the analytical studies on recruitment processes focus on modeling the decisions of decision-makers. However, these models are sensitive to the subjective and biased evaluations of decision-makers. This study, on the other hand, focused on predicting the future performance of new candidates by learning the historical data of the employees who were evaluated as successful and unsuccessful in the recruitment process with machine learning algorithms. In this way, it is thought that decision-makers will be supported to employ the right employee by reducing the difficulty and complexity of evaluating the increasing data in the recruitment process. This study covers the data of 597 employees of a private bank serving in Turkey. In the creation of successful and unsuccessful output labels, the performance evaluations of the employees in the first two years have been taken into account. A three-stage methodology has been followed in the study. The first step of this study is to obtain and prepare the data set to be included in ML. In the second stage, the prepared data set has been divided into training and testing. Then, five-fold validation has been performed for Logistic Regression, Support Vector Machine (SVM), K-Nearest Neighbors (KNNs), Decision Trees (DTs), and Multi-Layer Perceptron (MLP) algorithms with the training data. According to the calculated evaluation criteria, a Logistic Regression model with an accuracy of 71.19% has been proposed. In the last stage, the prediction performance has been developed by optimizing the parameters for the proposed model. With the best parameter values of the developed model, a 73.14% accuracy rate has been obtained in the training data. Then, the model has been run with a test data set that it had not seen before, and a successful accuracy rate of 71.67% has been achieved.
Benzer Tezler
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Studies on the cuttability of rocks at O.A.L. Çayırhan district by laboratory cutting tests
Başlık çevirisi yok
KÜRŞAD CEYLAN
Yüksek Lisans
İngilizce
1987
Maden Mühendisliği ve MadencilikOrta Doğu Teknik ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
DOÇ. DR. NACİ BÖLÜKBAŞI
- Havuçların haşlanmasında difüzyonun modellenmesi
Başlık çevirisi yok
FİGEN KAYMAK
Yüksek Lisans
Türkçe
1986
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DOÇ. DR. SUZAN KINCAL
- Arpada diallel melez analizleri ile bazı tarımsal özelliklerin kalıtımı üzerinde araştırmalar
Başlık çevirisi yok
KAYIHAN Z. KORKUT
Doktora
Türkçe
1981
ZiraatEge ÜniversitesiBitki Islahı ve Genetik Ana Bilim Dalı
PROF. DR. İBRAHİM DEMİR
- Ankara Üniversitesi'nde spor yapan öğrencilerin beslenme durumları ve fiziki performansları üzerinde bir araştırma
A Research on the nutritional status and physical performance of the students who were active in sports at the University of Ankara
BÜLENT ASMA