Bireysel seviyede işten ayrılma davranışının öngörülmesi- bilgi çalışanları üzerine bir çalışma
Predicting individual level turnover behavior: A study on knowledge workers
- Tez No: 955047
- Danışmanlar: PROF. DR. METİN PİŞKİN
- Tez Türü: Doktora
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İnsan Kaynakları Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 152
Özet
Bu tez çalışmasında, çalışanların işten ayrılma olasılığını tahmin etmeye yönelik olarak makine öğrenmesi algoritmaları ve açıklanabilir yapay zekâ yaklaşımlarından yararlanılmıştır. Çalışma üç aşamadan oluşmaktadır. İlk aşamada, Lojistik Regresyon, Rastgele Orman, Ekstrem Gradyan Artırma, Destek Vektör Makineleri Ve K-En Yakın Komşu algoritmalarıyla baz modeller oluşturulmuş; hiperparametre optimizasyonu gerçekleştirilmiş ve en yüksek F1 skoruna ulaşacak şekilde eşik değerleri belirlenmiştir. İkinci fazda, ayrılan çalışan sayısının düşük olması nedeniyle gözlenen sınıf dengesizliği problemini azaltmak amacıyla sentetik veri üretimi yapılmış ve modellerin başarım metriklerinde iyileşme sağlanmıştır. Üçüncü fazda ise, sentetik veriyle elde edilen en başarılı model-parametre kombinasyonları yığınlama yöntemiyle birleştirilerek genel tahmin başarımı artırılmaya çalışılmıştır. Baz modellerde dengesiz veri yapısının F1 skorunu sınırladığını göstermektedir. F1 skoru baz modellerde en yüksek %40 düzeyinde kalmıştır. ROC-AUC skoru ise en iyi model olan Rastgele Ormanda %74 olarak hesaplanmıştır. Sentetik veri üretimi ile model başarımında belirgin artışlar gözlemlenmiştir. En başarılı sonuçların elde edildiği Rastgele Orman modeli sentetik veri %47 F1 skoruna ulaşmıştır. ROC-AUC skoru sentetik veri uygulamasıyla bazı modellerde %78 seviyelerine kadar ulaşmıştır. Çalışmanın üçüncü ve son aşamasında değerlendirilen yığınlama modelleri ise modellerin başarımlarının üzerinde çok etkili olmamıştır. F1 Skorunda ve ROC-AUC değerinde önemli bir artış görülmemiştir. Çalışmada SHAP (SHapley Additive exPlanations) analizi ile modellerin karar verme süreçleri açıklanabilir hâle getirilmiştir. Normalize edilmiş SHAP değerlerine göre işten ayrılma olasılığını en çok etkileyen değişkenler iş arkadaşlarından alınan yetkinlik notları, kullanılan izin miktarı, kullanılmayan mazeret izinleri, çalışanın yaşı, iş ailesi ve terfi için kalan zaman olarak belirlenmiştir. Bu bulgular, insan kaynakları yönetimi açısından stratejik içgörüler sağlamaktadır. Erken uyarı sistemlerinin geliştirilmesi ve çalışan bağlılığını artırmaya yönelik uygulamaların hedeflenmesi yönünde öneriler sunulmaktadır. Sentetik veri kullanımının model başarımını artırdığı ve açıklanabilir yapay zekâ yöntemlerinin karar destek sistemleriyle bütünleşerek daha şeffaf, güvenilir ve eyleme dönük öngörüler sağlayabileceği ortaya konulmuştur.
Özet (Çeviri)
This thesis employs machine learning algorithms and explainable artificial intelligence (XAI) methods to predict employee attrition. The study is structured in three phases. In the first phase, baseline models were developed using Logistic Regression, Random Forest, Extreme Gradient Boosting, Support Vector Machines, and K-Nearest Neighbors. Hyperparameter tuning was performed, and optimal probability thresholds were selected to maximize the F1 score. In the second phase, synthetic data were generated to address the class imbalance caused by the relatively low number of attrition cases, which resulted in notable improvements in model performance. In the final phase, the most successful model-parameter combinations from the synthetic data stage were combined using stacking to enhance overall predictive power. Results show that data imbalance limited the F1 scores of the baseline models, with a maximum of 0.40, and the highest ROC-AUC score reached 0.74 using the random forest model. With synthetic data, the best-performing model achieved an F1 score of 0.47 and a ROC-AUC score of up to 0.78 in some models. However, stacking models in the third phase did not lead to significant additional performance improvements. SHAP (SHapley Additive exPlanations) analysis was applied to interpret the models' decisions. According to normalized SHAP values, the most influential features in predicting attrition were peer-rated competency scores, amount of leave time, unused excuse leave, employee age, job family, and time remaining for promotion eligibility. These findings provide strategic insights for human resource management. Recommendations are offered for the development of early warning systems and the implementation of practices aimed at increasing employee engagement. It has been demonstrated that the use of synthetic data enhances model performance, and that explainable artificial intelligence methods, when integrated with decision support systems, can offer more transparent, reliable, and actionable predictions.
Benzer Tezler
- Özelleştirme uygulamasının örgütsel bağlılık, örgütsel vatandaşlık davranışı ve işten ayrılma niyeti üzerine etkisi: Bir alan araştırması
The organizational commitment of privatization implementation, organizational citizenship behavior and that's intention to leave the effect: A field research
CENGİZHAN SOLAK
- Yeşil insan kaynakları uygulamalarının sosyal kaytarma, işyerinde dışlanma ve işten ayrılma niyeti üzerindeki etkisi
The effect of green human resources practices on social loafing, exclusion at work and intention to leave
BAŞAK SAYIN
- Effect of individual desires on the segregation of network society
Bireysel isteklerin toplumun ayrışması üzerindeki etkisi
BURCU GÜNEŞ
Yüksek Lisans
İngilizce
2015
Endüstri ve Endüstri MühendisliğiSabancı ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ RANA ATILGAN
- Mekansal ve sosyoekonomik parametrelerin çocuk suçluluğu ile ilişkisinin CBS ile araştırılması
Investigation the relationship of spatial and socioeconomic parameters on juvenile delinquency through CBS
BİLGE BOZKURT
Yüksek Lisans
Türkçe
2021
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. AHMET ÖZGÜR DOĞRU
- Kamu kurumlarında iç müşteri memnuniyeti ile bireysel performans ilişkisi: T.C. Başbakanlık Merkez Teşkilatına yönelik bir uygulama
The relationship between internal customer satisfaction: And the individual performance at puplic insti̇tutions: An application on centeral constitution of Prime Ministry
CELAL ERDEM ARAS
Yüksek Lisans
Türkçe
2015
İşletmeTürk Hava Kurumu Üniversitesiİşletme Ana Bilim Dalı
YRD. DOÇ. DR. ADNAN GÜZEL