İnsan kaynakları yönetiminde iş zekası uygulamaları: Makine öğrenmesi tabanlı çalışan performansı örneği
Business intelligence applications in human resources management: an example of machine learning-based employee performance
- Tez No: 932804
- Danışmanlar: DOÇ. DR. MUSTAFA SUNDU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Endüstri ve Endüstri Mühendisliği, Computer Engineering and Computer Science and Control, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 61
Özet
Bu çalışma, artan veri hacmi, karmaşık iş süreçleri ve yetenek yönetimi zorlukları bağlamında, makine öğrenmesi tabanlı iş zekası uygulamalarının özellikle çalışan performansı üzerindeki etkilerini incelemeyi hedeflemektedir. Günümüz iş dünyasında, işe alım süreçlerinde doğru kararlar almanın kritik öneme sahip olması, makine öğrenmesi yaklaşımlarını çalışan performansını tahmin etmek için önemli bir araç haline getirmiştir. Ancak, İK profesyonellerinin yazılım ve istatistik bilgisine sahip olmaması, bu teknolojilerin etkin kullanımında engeller oluşturabilmektedir. Bu soruna çözüm olarak, low-code ve no-code araçlar kullanıcı dostu tahminleme araçları sunarak bu eksikliği gidermeyi amaçlamaktadır. Çalışmada, low-code ve iki farklı no-code aracın çalışan performansı tahmini üzerindeki etkileri karşılaştırılmıştır. Araştırma kapsamında, bilişim sektöründe faaliyet gösteren bir şirketin çalışanlarından toplanan veri seti kullanılarak iki sınıflı sınıflandırma modelleri oluşturulmuş, farklı veri hazırlık ve modelleme teknikleri uygulanmıştır. Low-code aracıyla Two-Class SVM ve Neural Network algoritmaları, no-code araçlarla ise VotingEnsemble ve Light GBM modelleri test edilmiştir. Veri ön işleme adımları olarak normalizasyon ve SMOTE kullanılmıştır. Bulgular, doğruluk, kesinlik, duyarlılık ve F1 skoru gibi metriklerle değerlendirilmiş ve birinci no-code aracının diğer araçlara göre daha üstün performans sergilediği tespit edilmiştir. Çalışma, İK tahminleme modellerinde low-code ve no-code araçların potansiyelini vurgulamakta ve bu araçların işe alım süreçlerindeki verimliliğini ortaya koymaktadır.
Özet (Çeviri)
This study aims to examine the impact of machine learning-based business intelligence applications on employee performance within the context of increasing data volumes, complex business processes, and talent management challenges. In today's business environment, making accurate decisions during recruitment processes is critically important, positioning machine learning approaches as a valuable tool for predicting employee performance. However, the lack of programming and statistical knowledge among HR professionals presents a significant barrier to the effective utilization of these technologies. To address this issue, low-code and no-code tools offer user-friendly prediction capabilities to overcome these limitations. The study compares the performance of low-code and two different no-code tools in predicting employee performance. A dataset collected from employees of a technology company in the IT sector was used to develop binary classification models. Various data preparation and modeling techniques were applied. The low-code tool employed algorithms such as Two-Class SVM and Neural Network, while the no-code tools utilized VotingEnsemble and LightGBM models. Data preprocessing steps included normalization and SMOTE. The findings were evaluated using metrics such as accuracy, precision, recall, and F1 score. Results indicated that the first no-code tool outperformed the low-code tool and the second no-code tool, demonstrating superior performance. This research highlights the potential of low-code and no-code platforms in enhancing HR predictive models and emphasizes their efficiency in recruitment processes. The study provides significant insights into the application of accessible machine learning tools for improving decision-making and operational efficiency in human resource management.
Benzer Tezler
- Artificial intelligence based risk analysis in project management
Proje yönetiminde yapay zekâ tabanlı risk analizi
YASEMİN TUNCER
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri MühendisliğiMarmara ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ERCAN ÖZTEMEL
- Darkside of artificial intelligence (AI), in human resources management (HRM)
İnsan kaynaklarında yapay zekanın, karanlık yüzü yönetim (İKY)
IBRAHIM AJİBOLA AKEUKEREKE
- Bankalarda operasyonel risklerin önlenmesinde insan kaynakları yönetiminin rolü
The role of human resources management for preventing operational risks i̇n the banks
MERYEM ULUSOY
- Duygusal okuryazarlık eğitimlerinin sosyal zekâ gelişimine yansıması: Arabulucular üzerine bir inceleme
The reflection of emotional literacy training to the improvement of social intelligence: A study on mediators
SULTAN ERGUN
- Yerel yönetimlerde entegre coğrafi bilgi sistemi ve iş zekâsı uygulaması
Integrated application geographical information system and business intelligence in local governments
ÖMER ÜNSAL
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnadolu ÜniversitesiUzaktan Algılama ve Coğrafi Bilgi Sistemleri Ana Bilim Dalı
DOÇ. DR. UĞUR AVDAN
