Prediction of the future success of candidates before recruitment with machine learning: A case study in the banking sector

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.