2 Eylül 2026
İlkim Sevinç
• Assistant Associate Data Scientist
Kurumsal veri mühendisliği, LightGBM ve açıklanabilir yapay zekânın bir araya gelerek İK kayıtlarını nasıl işlevsel bir erken uyarı sistemine dönüştürdüğüne dair bir çalışma.
Çalışanların işten ayrılması çoğu zaman bir gecede gerçekleşmez.
Bu kararın arkasında genellikle zaman içinde biriken sinyaller vardır: uzun süre aynı pozisyonda çalışmak, sınırlı kariyer hareketliliği, yöneticinin sık değişmesi veya çalışanın içinde bulunduğu ekiple giderek artan bir uyumsuzluk. Bu sinyaller tek başlarına çok fazla şey ifade etmeyebilir. Ancak zaman içindeki değişimleriyle birlikte değerlendirildiklerinde, geleneksel İK raporlarında fark edilmesi zor olan örüntüleri ortaya çıkarabilirler.
Makine öğrenmesi tam da bu noktada fayda sağlayabilir. İnsan kararlarının yerini almak için değil, İK ekiplerinin riskleri daha erken fark etmesine ve doğru soruları sormasına yardımcı olmak için.
Bu projede, aynı kurumsal grup bünyesinde faaliyet gösteren altı şirket için açıklanabilir bir çalışan ayrılma tahmini çerçevesi geliştirdik. Şirketler genel bir yönetişim yapısını paylaşsa da faaliyet gösterdikleri sektörler, çalışan profilleri, İK süreçleri, veri kaliteleri ve çalışan devir dinamikleri açısından önemli farklılıklar gösteriyordu. Amacımız yalnızca çalışanları “ayrılacak” veya “kalacak” şeklinde sınıflandıran bir model geliştirmek değildi.
Asıl hedefimiz, operasyonel olarak kullanılabilecek bir erken uyarı sistemi oluşturmaktı.
Ortaya çıkan çerçeve; kurumsal veri mühendisliğini, şirketlere özel LightGBM modellerini, zaman bazlı doğrulamayı, SHAP açıklanabilirliğini ve otomatik bir üretim hattını bir araya getirdi.

Çalışan Ayrılma Tahmini Göründüğünden Daha Zor
Çalışanların işten ayrılma tahmini, doğası gereği dengesiz bir veri problemidir. Herhangi bir üç aylık dönemde çalışanların büyük çoğunluğu işine devam ederken yalnızca küçük bir bölümü şirketten ayrılır. Bu durum, bir modelin neredeyse herkesi “ayrılmayacak” olarak tahmin ederek yüksek doğruluk oranına ulaşmasına rağmen, İK ekiplerinin anlamak ve değerlendirmek istediği riskli çalışanları belirleyememesine yol açabilir.
Kurumsal İK verileri bu zorluğa başka sorunlar da ekler. Farklı şirketler farklı İK sistemleri kullanabilir, veri alanlarını tutarsız biçimde doldurabilir, farklı organizasyon yapıları uygulayabilir veya görünüşte benzer değişkenleri farklı şekillerde yorumlayabilir. Aynı şirket içinde bile veri şemaları ve iş süreçleri zamanla değişebilir.
Bu nedenle başarılı bir kurumsal çalışan ayrılma tahmini modeli, yalnızca bir sınıflandırma problemini çözmekle kalmamalıdır. Aynı zamanda şu konuları da ele almalıdır:
- Eksik ve tutarsız veriler
- Çalışan kayıtları arasındaki zamansal ilişkiler
- Kurumlar arasındaki farklılıklar
- İşten ayrılma sonrasında yürütülen İK süreçlerinden kaynaklanabilecek veri sızıntısı
- Hedef sınıflar arasındaki ciddi dengesizlik
- Tahminlerin yorumlanabilir olması ihtiyacı
- Mevcut kurumsal sistemlerle entegrasyon

Aylık anlık görüntü (snapshot) yapısı bu noktada kritik bir rol oynadı. Her çalışanı değişmeyen tekil bir kayıt olarak ele almak yerine, modelin çalışanın kurumsal durumunun zaman içinde nasıl değiştiğini gözlemlemesine olanak tanıdı.
Bu yaklaşım önemliydi; çünkü çalışanların işten ayrılması zamana bağlı bir olaydır. Burada yanıtlanması gereken soru yalnızca:
“Bu çalışan işten ayrıldı mı?”
değil, aynı zamanda:
“Şu an mevcut olan bilgilere dayanarak bu çalışan önümüzdeki üç ay içinde işten ayrılır mı?”
sorusudur.
Katmanlı Bir İK Veri Ambarı (Datamart)
Güvenilir bir modelleme veri seti oluşturmak için birden fazla kurumsal İK sisteminden alınan veriler merkezi bir veri ambarında (datamart) birleştirildi.
Mimari, katmanlı bir tasarıma göre oluşturuldu:
- Hazırlık Katmanı (Staging Layer): Operasyonel sistemlerden alınan ham verilerin, mümkün olduğunca az değişiklik yapılarak saklandığı katman.
- Dönüştürme Katmanı (Transformation Layer): Verilerin temizlendiği, standartlaştırıldığı ve entegre edildiği katman.
- Analitik Katman (Analytical Layer): Makine öğrenmesi hattında kullanılan nihai çalışan anlık görüntülerinin ve özelliklerin yer aldığı katman.
Bu ayrım, veri soy ağacının (data lineage), bakım kolaylığının ve izlenebilirliğin iyileştirilmesini sağladı. Ayrıca modelleme mantığının, her bir kaynak sistemin yapısından bağımsız kalmasına olanak tanıdı.
Geçersiz Kayıtları Görünür Tutmak
Ön işleme aşamasındaki en önemli mekanizmalardan biri, modelleme dışında bırakılacak kayıtları belirleyen bir filtreleme süreciydi (Out-of-Model Filtering). Bazı kayıtlarda, basit veri tamamlama yöntemleriyle güvenli şekilde giderilemeyecek yapısal sorunlar bulunuyordu.
Bunlara şu örnekler verilebilir:
- Kurum içi kıdem bilgisinin eksik olması
- İşe giriş tarihi ile anlık görüntü tarihi arasındaki ilişkilerin geçersiz olması
- Çalışma geçmişinde tutarsızlıklar bulunması
- Mevcut pozisyona ilişkin bilgilerin eksik veya hatalı olması
- Organizasyon hiyerarşisinde çelişkiler bulunması
Bu gözlemleri sessizce düzeltmek veya silmek yerine veri hattı üzerinden özel bir dışlama katmanına aktardık.
Bu yaklaşım iki amaca hizmet etti.
İlk olarak, geçersiz kayıtların hedef değişkenin oluşturulmasını ve model eğitimini etkilemesini önledi.
İkinci olarak, izlenebilirliği korudu. İK ve veri ekipleri, dışlanan kayıtları ayrı olarak inceleyebiliyor ve veri kalitesine ilişkin tekrarlayan sorunların kaynağını belirleyebiliyordu. Bu ayrım önemli. Kurumsal makine öğrenmesi uygulamalarında bir kaydı modelleme dışında bırakmak, neden dışlandığına ilişkin görünürlüğü kaybetmek anlamına gelmemelidir.
İK Kayıtlarını Tahmin Sinyallerine Dönüştürmek
Operasyonel İK sistemlerinin büyük bölümü bordro, organizasyon yönetimi, raporlama ve idari iş süreçleri için tasarlanır. Bu sistemlerdeki değişkenler, doğrudan tahmin yapmak amacıyla oluşturulmaz. Bu nedenle özellik mühendisliği (feature engineering), projenin en önemli aşamalarından biri hâline geldi.
İlk denemelerde ağırlıklı olarak çalışanın kıdemi, pozisyon seviyesi, departmanı ve demografik özellikleri gibi bireysel değişkenlere odaklandık. Bu özellikler belirli ölçüde tahmin gücü sağlasa da çalışanların işten ayrılma sürecini etkileyen organizasyonel bağlamı yeterince yansıtmıyordu.
En önemli gelişme, veri setini yalnızca bireysel çalışan özellikleriyle sınırlı tutmayıp kapsamını genişletmemizle sağlandı.
Kariyer Gelişimi Özellikleri
Çalışanın kurum içindeki pozisyonunun zaman içinde nasıl değiştiğini tanımlamak amacıyla kariyer odaklı değişkenler oluşturuldu.
Bunlara şu örnekler verilebilir:
- Şirkette geçirilen toplam süre
- Kurum içi kıdem
- Mevcut pozisyonda geçirilen süre
- Mevcut departmanda geçirilen süre
- Mevcut unvan seviyesinde geçirilen süre
- Kariyer istikrarını veya durağanlığını gösteren göstergeler
Bu değişkenler, çalışanın kariyerinde ilerleyip ilerlemediğini, mevcut konumunu koruyup korumadığını veya aynı organizasyonel pozisyonda olağandışı derecede uzun süre kalıp kalmadığını anlamaya yardımcı oldu.
Yönetsel Bağlam Özellikleri
Çalışan davranışları, liderlik ve ekip yapısından bağımsız değildir. Yönetsel bağlamı da değerlendirmeye dâhil etmek amacıyla çalışan anlık görüntüleri, mevcut yöneticilerine ilişkin bilgilerle zenginleştirildi.
Bu bilgiler arasında şunlar yer aldı:
- Yöneticinin şirkette geçirdiği süre
- Yöneticinin mevcut departmanında geçirdiği süre
- Yöneticinin mevcut unvan seviyesinde geçirdiği süre
- Yöneticinin kariyer geçmişi
- Çalışan ile yönetici arasındaki ilişkinin istikrarı
Bu yaklaşım, yalnızca bireysel çalışan özellikleriyle ortaya çıkarılamayacak örüntülerin belirlenmesini sağladı.
Örneğin, bir çalışanın toplam kıdemi tek başına çok fazla bilgi vermeyebilir. Ancak bu sürenin ne kadarını aynı yöneticiyle çalışarak geçirdiği, çalışanın kurumsal deneyimi hakkında çok daha farklı bir anlam taşıyabilir.
Göreceli ve Oran Bazlı Özellikler
Çalışan özelliklerini yönetsel ve organizasyonel değerlerle karşılaştıran değişkenler de oluşturduk.
Bunlara şu örnekler verilebilir:
- Çalışanın toplam çalışma süresinin ne kadarını mevcut yöneticisiyle geçirdiği
- Kurum içi kıdemin toplam kariyer süresine oranı
- Çalışanın şirkette geçirdiği sürenin yöneticisinin şirkette geçirdiği süreye oranı
- Mevcut pozisyonda geçirilen sürenin ekip veya organizasyon genelindeki ortalamalarla karşılaştırılması
Bu göreceli ölçümler, çoğu zaman mutlak değerlerden daha anlamlı sonuçlar verdi. Aynı pozisyonda beş yıl çalışmak bir organizasyonda olağan karşılanabilirken başka bir organizasyonda kariyer gelişiminin durakladığına işaret edebilir. Oran bazlı özellikler, modelin çalışan özelliklerini içinde bulundukları organizasyonel hiyerarşi çerçevesinde değerlendirmesine olanak tanır.
Bu aşamada ortaya çıkan en önemli sonuçlardan biri şuydu:
Çalışanların işten ayrılma eğilimi yalnızca bireysel özellikleri üzerinden tam olarak anlaşılamaz. Yönetici ilişkileri ve organizasyonel bağlam da önemlidir.
Çalışan Ayrılma Tahminini Üç Aylık Bir Öngörü Problemi Olarak Tanımlamak
Hedef değişken, erken müdahaleyi destekleyecek şekilde tasarlandı. Sistem, her bir aylık çalışan anlık görüntüsü için ilgili çalışanın takip eden 90 gün içinde şirketten ayrılıp ayrılmadığını kontrol etti.
Hedef değişken şu şekilde tanımlandı:
1: Çalışan önümüzdeki üç ay içinde şirketten ayrılır.
0: Çalışan, üç aylık tahmin dönemi boyunca şirkette kalmaya devam eder.
Böylece geçmişe dönük bir sınıflandırma yerine geleceğe yönelik bir hedef oluşturuldu.
Bu sayede bir çalışan, her biri yeni bir tahmin noktasını temsil eden birden fazla aylık anlık görüntüde yer alabildi. Model, çalışanın yalnızca son kaydından değil, işten ayrılmadan önce gözlemlenen koşullardan öğrenebildi.
Üç aylık tahmin dönemi, pratik bir denge gözetilerek seçildi: İK planlamasını destekleyecek kadar yakın, olası bir çalışanı elde tutma aksiyonuna fırsat tanıyacak kadar da erken.
Veri Sızıntısı Riskinden Kaçınmak
Veri sızıntısı (data leakage), çalışan ayrılma tahmini çalışmalarındaki en büyük risklerden biridir.
Bazı idari değişkenler, çalışan istifa veya işten çıkarma sürecini başlattıktan sonra güncellenebilir. Bu alanların model eğitimine dâhil edilmesi, modelin gerçekte tahmin anında erişilemeyecek bilgileri öğrenmesine ve olduğundan çok daha yüksek doğruluk oranlarına ulaşmasına neden olabilir.
Bu riski azaltmak amacıyla yinelemeli bir veri sızıntısı tespit aşaması oluşturduk.
Aday özellik seti kullanılarak tanısal amaçlı sığ karar ağaçları eğitildi. Tahmin gücü beklenmedik derecede yüksek olan özellikler, olay sonrasına ait bilgileri dolaylı olarak yansıtıp yansıtmadıklarını belirlemek amacıyla incelendi.
Şüpheli değişkenler çıkarıldı ve geriye kalan özellikler olası bir işten ayrılma öncesinde gerçekten mevcut olabilecek bilgileri temsil edene kadar süreç tekrarlandı.
Veri sızıntısı riskleri şirketlerin yerel İK sistemlerine ve süreçlerine göre farklılaştığı için bu işlem her şirket özelinde bağımsız olarak yürütüldü.
Performansı geleceğe ait bilgilere dayanıyorsa yüksek başarı gösteren bir modelin gerçek dünyada faydası olmayacaktır.

Büyük Ölçekli İK Verileri İçin LightGBM Tercihi
Model geliştirme sürecinde hem XGBoost hem de LightGBM değerlendirildi.
LightGBM, şirketlere özel veri setlerinde en güçlü ve istikrarlı sonuçları verdiği için nihai algoritma olarak seçildi.
Model geliştirmenin ilk aşamalarında daha basit bir başlangıç yaklaşımı olarak Lojistik Regresyon (Logistic Regression) da değerlendirildi. Ancak bu yöntemin tahmin performansı, ağaç tabanlı artırma modellerinin gerisinde kaldı.
Kurumsal İK verilerinin yapısı da artırma yöntemlerini bu problem için daha uygun hâle getirdi. Veri setlerinde eksik değerler, çok boyutlu özellikler, doğrusal olmayan ilişkiler ve çalışan, yönetici ve organizasyonel değişkenler arasındaki etkileşimler bulunuyordu. Lojistik Regresyon, bu özellikleri etkili biçimde ele alabilmek için ek ön işleme ve veri tamamlama adımları gerektirirken ağaç tabanlı artırma yöntemleri verinin altında yatan karmaşıklığı yakalamada daha başarılı oldu.
Bu ilk denemeler doğrultusunda modelleme süreci gradyan artırma (gradient boosting) algoritmalarına yöneldi.
Model geliştirme sürecinde hem XGBoost hem de LightGBM değerlendirildi. LightGBM, şirketlere özel veri setlerinde en güçlü ve istikrarlı sonuçları verdiği için nihai algoritma olarak seçildi.
Bu kullanım senaryosu için özellikle uygun olmasının nedenleri şunlardı:

Modeller, işten ayrılma olaylarının düşük sıklığını dikkate almak amacıyla dengelenmiş sınıf ağırlıklarıyla eğitildi. Aşırı öğrenmeyi (overfitting) azaltmak için ağaç derinliği, yaprak sayısı, minimum gözlem sayısı ve L1/L2 düzenlileştirme parametreleri optimize edildi.
LightGBM, her çalışan anlık görüntüsü için yalnızca evet veya hayır şeklinde bir sonuç üretmek yerine, çalışanın işten ayrılma olasılığını hesapladı.
Ardından bu olasılıklar, çalışanların göreceli risk düzeylerine göre sıralanmasında kullanıldı.
Neden Tek Bir Genel Model Kullanmadık?
İlk bakışta altı şirketin tamamı için tek bir model geliştirmek daha ölçeklenebilir görünebilir. Ancak şirketler birçok önemli açıdan birbirinden farklıydı:
- Sektör ve iş modeli
- Çalışan sayısı
- Terfi ve kariyer yapıları
- Organizasyonel hiyerarşi
- Özelliklerin ve verilerin erişilebilirliği
- Veri giriş uygulamaları
- Temel çalışan devir oranı
- Yönetsel dinamikler
Bir organizasyonda çalışan ayrılma riskinin yükseldiğine işaret eden bir örüntü, başka bir organizasyonda tamamen normal olabilir.
Bu nedenle genel veri mühendisliği ve modelleme hattını tutarlı tutarken her şirket için ayrı bir model eğitildi.
Bu yaklaşım, iki önemli avantajı bir araya getirdi:
- Ortak altyapı ve metodoloji
- Şirkete özel öğrenme ve özellik seçimi
En faydalı özellik seti de her organizasyon için ayrı ayrı belirlendi. Böylece her modelin kendi çalışan dinamikleri açısından en anlamlı değişkenlere odaklanması sağlandı.
Geçmiş Verilerle Eğitmek, Geleceği Test Etmek
Bu proje için rastgele eğitim-test ayrımı (random train-test split) uygun değildi.
Rastgele ayrım, aynı çalışana ait daha sonraki bir anlık görüntünün eğitim setine, daha önceki bir anlık görüntünün ise test setine düşmesine neden olabilirdi. Ayrıca geçmiş ve geleceğe ait çalışan koşullarını birbirine karıştırarak model performansının gerçekçi olmayan şekilde değerlendirilmesine yol açabilirdi.
Bunun yerine kesin bir zaman bazlı ayrım (time-based split) kullandık.
Mevcut anlık görüntülerin en güncel üç ayı test için ayrılırken daha önceki dönemlere ait veriler eğitim amacıyla kullanıldı.
Model geliştirme sürecinde, aşağıdaki senaryoları tekrar tekrar simüle etmek için zaman serisi bazlı doğrulamadan da yararlanıldı:
Geçmiş çalışan verileriyle eğit, ardından daha sonraki bir dönemi tahmin et.
Bu yapı, mevcut verilerle eğitilmiş bir modelin yeni tamamlanan aylık çalışan anlık görüntülerini değerlendirmesi gereken üretim koşullarına çok daha yakındı.
Gerçekten Önemli Olanı Ölçmek
Birincil değerlendirme metriği olarak ROC AUC seçildi.
Çalışanların işten ayrılma olayları nadir gerçekleştiği için doğruluk (accuracy) metriği uygun değildi. Neredeyse hiçbir çalışanın ayrılmayacağını tahmin eden bir model yüksek doğruluk oranına ulaşabilir ancak anlamlı riskleri belirlemekte başarısız olabilir.
Kesinlik (precision), duyarlılık (recall) ve F1 skoru gibi metrikler de faydalıdır. Ancak bu metrikler belirli bir sınıflandırma eşiğine bağlıdır. Bu projedeki temel amaç, her tahmini sabit bir ikili kategoriye zorlamak yerine çalışanları göreceli risk düzeylerine göre sıralamaktı.
ROC AUC, sonunda şirketten ayrılan bir çalışanın risk puanının, şirkette kalmaya devam eden bir çalışanın risk puanından daha yüksek olma olasılığını ölçer.
Bu özelliği sayesinde aşağıdaki amaçlar için uygun bir metrik oldu:
- Dengesiz çalışan veri setlerinin değerlendirilmesi
- Şirketler arasındaki modellerin karşılaştırılması
- Özellik seçimi
- Hiperparametre optimizasyonu
- Risk sıralamasına dayalı İK önceliklendirmesi
Altı Şirkette Modellerin Ortaya Koyduğu Sonuçlar
Modeller aşağıdaki ROC AUC skorlarını üretti:
Şirket A: 0,83
Şirket B: 0,75
Şirket C: 0,79
Şirket D: 0,75
Şirket E: 0,98
Şirket F: 0,72

Bu sonuçlar, farklı çalışan yapılarına, veri koşullarına ve İK süreçlerine sahip organizasyonlarda anlamlı çalışan ayrılma riski sıralamaları oluşturulabildiğini gösterdi.
Ancak bu skorlar, veri kalitesi ve ön işleme kararlarıyla birlikte değerlendirilmelidir.
Veri Kalitesi Model Performansını Önemli Ölçüde Etkiledi
Daha eksiksiz ve tutarlı İK kayıtlarına sahip şirketler genel olarak daha güçlü sonuçlar elde etti.
Örneğin Şirket F'nin başlangıçtaki AUC skoru yaklaşık 0,61 seviyesindeydi. Ek veri temizleme, özellik mühendisliği ve iyileştirme çalışmaları sonrasında performans 0,72'ye yükseldi.
Bu iyileşme, temel olarak daha karmaşık bir algoritmaya geçilmesinden kaynaklanmadı. Asıl fark, temel verinin kalitesinin ve temsil gücünün artırılmasıyla elde edildi.
Olağanüstü Yüksek Performans Dikkatle Değerlendirilmelidir
Şirket E, 0,98 AUC skoruna ulaştı. Ancak bu sonuç sorgulanmadan kabul edilen bir başarı olarak değerlendirilmedi.
Veri kısıtları nedeniyle bu şirkette farklı filtreleme koşulları uygulandı. Bazı kayıtlar, diğer şirketlerde uygulanan standart dışlama kuralları olmadan veri setine dâhil edildi. Bu durum, aşırı öğrenme veya gizli veri sızıntısı olasılığını artırdı.
Olağan dışı derecede yüksek bir değerlendirme skoru, hemen kutlanacak bir başarıdan ziyade daha kapsamlı doğrulama yapılmasını gerektirir.
Yönetsel ve Kariyer Özellikleri Tutarlı Biçimde Değerli Sonuçlar Verdi
Birden fazla modelde, aşağıdaki konularla ilişkili özellikler en güçlü tahmin değişkenleri arasında sıklıkla yer aldı:
- Çalışanın toplam kıdemi
- Mevcut pozisyonda geçirilen süre
- Mevcut departmanda geçirilen süre
- Kurum içi kıdem
- Mevcut yöneticiyle geçirilen süre
- Yönetsel istikrar
- Terfi ve kariyer gelişimi
- Çalışan ve yönetici arasındaki göreceli kıdem ilişkisi
Bu bulgular, projenin temel sonuçlarından birini destekledi: Çalışanların işten ayrılma riski yalnızca bireysel özelliklerinden değil, organizasyonel yapı içindeki konumlarından da etkileniyor.
Risk Skorlarını İK Ekipleri İçin Kullanılabilir Hâle Getirmek
Ham olasılık skorlarının İK operasyonlarında kullanılması zor olabilir.
Yorumlanabilirliği artırmak amacıyla tahmin edilen olasılıklar altı risk grubuna dönüştürüldü.

Bu segmentasyon, model ile İK kullanıcıları arasında daha anlaşılır bir arayüz oluşturdu.
Ekipler binlerce ondalıklı değeri tek tek incelemek yerine çalışanların risk gruplarına göre dağılımını takip edebiliyor ve daha yakından değerlendirilmesi gereken durumları önceliklendirebiliyordu.
Risk kategorileri ayrıca aşağıdaki kırılımlarda toplulaştırılabiliyordu:
- Departman
- Meslek ailesi
- Yönetici
- Şirket
- Organizasyonel birim
- Raporlama dönemi
Bu kategoriler otomatik istihdam kararları vermek amacıyla tasarlanmadı. Amaç, insan karar vericilerin daha yakından değerlendirmesi gereken alanları belirlemelerine yardımcı olmaktı.
SHAP ile Tahminleri Açıklamak
Bir İK uygulaması için yalnızca doğruluk yeterli değildi.
Bir model bir çalışanı yüksek riskli olarak belirleyebilir. Ancak İK profesyonellerinin bu sonuca hangi faktörlerin etki ettiğini anlaması da gerekir.
Bu nedenle SHAP değerleri tahmin hattına entegre edildi.
SHAP, her çalışan için bireysel özelliklerin tahmini modelin temel risk seviyesinin üzerine veya altına nasıl taşıdığını hesapladı.
Pozitif katkı, tahmin edilen ayrılma riskini artırırken negatif katkı riski azalttı.
Bir çalışana ilişkin açıklamada riskin aşağıdaki faktörlerden etkilenmiş olabileceği görülebiliyordu:
- Aynı pozisyonda uzun süre çalışmak
- Yakın dönemde sınırlı kariyer hareketliliği
- Yönetsel yapıda değişiklik
- Çalışan ve yönetici arasındaki kıdem ilişkisinde olağan dışı durumlar
- Departman düzeyinde istikrarsızlık
SHAP, iki farklı düzeyde yorumlanabilirlik sağladı.
Yerel Açıklanabilirlik (Local Explainability)
Yerel açıklamalar, modelin belirli bir çalışana neden belirli bir risk skoru atadığını ortaya koydu.
Genel Açıklanabilirlik (Global Explainability)
Toplulaştırılmış SHAP değerleri, bir şirketin tamamında veya belirli bir çalışan segmentinde hangi özelliklerin tahminler üzerinde en fazla etkili olduğunu gösterdi.
Hem olasılık tahminleri hem de özellik düzeyindeki açıklamalar, raporlama ve analitik sistemlerinin birlikte kullanabilmesi için yapılandırılmış kurumsal tablolarda saklandı.
Böylece model, bir kara kutu puanlama mekanizmasından yorumlanabilir bir karar destek aracına dönüştü.
Geliştirme Ortamındaki Denemeden Üretim Sürecine
Bir makine öğrenmesi modeli yalnızca geliştirme ortamındaki bir not defterinde manuel olarak çalıştırılıyorsa sınırlı bir iş değeri sunar.
Bu nedenle çalışan ayrılma tahmini çerçevesi, otomatik bir üretim hattı olarak tasarlandı.
Temel aşamalar şu şekildeydi:

İş akışı, Apache Airflow aracılığıyla orkestre edildi ve konteyner tabanlı bir ortamda devreye alındı.
Airflow, süreci birbirine bağlı görevler dizisi olarak modelledi. Bu sayede yürütme sırasının kontrol edilmesi, hataların izlenmesi, aylık çalıştırmaların planlanması ve model puanlama süreci başlamadan önce önceki İK veri işlemlerinin tamamlandığının doğrulanması mümkün oldu.
Model çıktıları sürümlendirildi. Böylece geçmiş tahminlerin, bu tahminleri oluşturan model sürümü ve çalışan anlık görüntüsüyle ilişkilendirilmesi sağlandı.
Bu operasyonel katman projenin önemli bir parçasıydı. Nihai çıktı yalnızca bir tahmin modeli değil, tekrarlanabilir bir iş gücü analitiği sistemi oldu.
Projeden Çıkarılan Temel Dersler
1. Veri Kalitesi, Algoritma Karmaşıklığından Daha Önemlidir
Gelişmiş bir model; tutarsız çalışma tarihlerini, eksik pozisyon bilgilerini veya güvenilir olmayan organizasyon hiyerarşilerini telafi edemez.
Performanstaki en büyük iyileşmelerin bir bölümü, daha gelişmiş modelleme yöntemlerinden değil, veri hazırlama süreçlerinin iyileştirilmesinden kaynaklandı.
2. Organizasyonel Bağlam, Çalışan Ayrılma Tahminini Güçlendirir
Yalnızca çalışan düzeyindeki değişkenler, işten ayrılma sürecini açıklamak için yeterli olmadı.
Yönetici özellikleri, hiyerarşik ilişkiler ve göreceli kariyer konumunu gösteren değişkenler önemli tahmin bilgileri sağladı.
3. Her Şirketin Kendine Özgü Çalışan Ayrılma Dinamikleri Vardır
Aynı kurumsal grup bünyesindeki şirketler bile farklı modellere, özelliklere, eşik değerlerine ve doğrulama stratejilerine ihtiyaç duyabilir.
Ortak bir teknik çerçeve kullanmak, tek bir genel model geliştirmeyi gerektirmez.
4. Zamansal Doğrulama Kritik Öneme Sahiptir
Bir çalışan ayrılma tahmini modeli, aynı geçmiş veri dağılımından rastgele seçilen bir örneklem üzerinde değil, gelecekteki bir dönem üzerinde değerlendirilmelidir.
Aksi takdirde raporlanan performans, gerçek kullanım koşullarını yansıtmayabilir.
5. Açıklanabilirlik, Mimarinin Bir Parçası Olmalıdır
Açıklamaları model devreye alındıktan sonra eklemek yeterli değildir.
Açıklanabilirlik; tahmin sürecinin standart bir bileşeni olarak hesaplanmalı, saklanmalı, izlenmeli ve kullanıcıya sunulmalıdır.
6. Çok Yüksek Skorlar Bir Uyarı İşareti Olabilir
0,98 AUC skoru güçlü bir tahmin sinyaline işaret edebilir. Ancak aynı zamanda veri sızıntısı, aşırı öğrenme veya tutarsız ön işleme süreçlerinin de göstergesi olabilir.
Model değerlendirmesi her zaman bağlamıyla birlikte ele alınmalıdır.
Bu Çerçevenin Henüz Çözemediği Konular
Geliştirilen çerçevenin hâlâ önemli sınırlılıkları bulunuyor.
İlk olarak, şirketlere özel modeller ilgisiz veya farklı yapılardaki diğer organizasyonlara otomatik olarak aktarılamaz. Her şirketin kendine özgü süreçleri, çalışan dağılımları ve veri uygulamaları vardır.
İkinci olarak, model performansı büyük ölçüde kaynak İK verilerinin kalitesine bağlıdır. Veri şemalarındaki değişiklikler, geciken veri hatları veya alanların tutarsız doldurulması tahminlerin güvenilirliğini etkileyebilir.
Üçüncü olarak, hedef değişken yalnızca önümüzdeki 90 gün içinde gerçekleşecek işten ayrılmaları kapsar. Uzun vadeli bağlılık kaybını, kurum içi geçişleri veya işten ayrılmanın tam olarak ne zaman gerçekleşeceğini doğrudan modellemez.
Dördüncü olarak, ekonomik şoklar, birleşmeler, yeniden yapılanmalar veya iş gücü piyasasındaki değişimler gibi önemli dış gelişmeler, çalışan davranışlarını modelin uyum sağlayabileceğinden daha hızlı değiştirebilir.
Son olarak, açıklanabilirlik etik riskleri ortadan kaldırmaz. Yaş, cinsiyet, kıdem, organizasyonel statü veya bunlarla ilişkili dolaylı göstergeleri içeren özellikler dikkatli bir yönetişim yaklaşımı gerektirir. Çalışan ayrılma tahminleri insan değerlendirmesini desteklemeli; istihdam kararlarını otomatikleştirmek veya çalışanları sadakatsiz olarak etiketlemek amacıyla kullanılmamalıdır.
Bu Çerçeve Nasıl Geliştirilebilir?
Sistemin yetkinliklerini güçlendirebilecek çeşitli geliştirme alanları bulunuyor.
Sıralı veri yapısını dikkate alan modeller (sequence-aware models) veya sağkalım analizi (survival analysis) yöntemleri kullanılarak yalnızca bir çalışanın işten ayrılıp ayrılmayacağı değil, ayrılığın ne zaman gerçekleşme olasılığının daha yüksek olduğu da tahmin edilebilir.
Otomatik veri kayması izleme (drift monitoring) mekanizmalarıyla aşağıdaki değişimler takip edilebilir:
- Özellik dağılımları
- Çalışan ayrılma oranları
- Tahmin dağılımları
- Model performansı
- SHAP açıklama örüntüleri
Olasılık kalibrasyonu, tahmin edilen risk ile gözlemlenen çalışan ayrılma sıklığı arasındaki uyumu iyileştirebilir.
Adalet denetimleri (fairness audits) ise modelin farklı çalışan gruplarındaki davranışını karşılaştırarak olası eşitsizliklerin belirlenmesine yardımcı olabilir.
Son aşamada, tahmin sonuçlarının müdahale ölçümüyle ilişkilendirilmesi hedeflenebilir. Kurumlar yalnızca riskleri belirlemekle kalmayıp hangi çalışanı elde tutma aksiyonlarının uygulandığını ve bu aksiyonların sonraki sonuçları değiştirip değiştirmediğini de takip edebilir.
Böylece sistem, tahmine dayalı analitikten kanıta dayalı, yönlendirici iş gücü zekâsına doğru ilerleyebilir.
Sonuç
Çalışan ayrılma tahmini yalnızca bir makine öğrenmesi problemi değildir.
Bu yaklaşım birçok bileşenin bir araya gelmesini gerektirir:
- Veri entegrasyonu
- Zamansal modelleme
- Özellik mühendisliği
- Organizasyonel anlayış
- Açıklanabilir yapay zekâ
- Model yönetişimi
- Üretim mühendisliği
Bu projenin en önemli çıktısı tek bir AUC skoru değildi.
Asıl kazanım; izlenebilirlik, yorumlanabilirlik ve operasyonel tutarlılığı korurken altı farklı şirkete uyum sağlayabilen ortak bir kurumsal çerçevenin oluşturulmasıydı.
Aylık çalışan anlık görüntülerini, şirketlere özel LightGBM modellerini, SHAP açıklamalarını ve otomatik veri hattını bir araya getiren sistem sayesinde İK analitiğinin geçmişe dönük çalışan devir raporlamasından proaktif iş gücü analizine geçişi desteklendi.
Makine öğrenmesi, bir kişinin bir kurumdan ayrılmayı gerçekten neden seçtiğini belirleyemez. Yönetici değerlendirmesinin yerini almamalı ve hiçbir zaman otomatik bir karar mekanizması olarak kullanılmamalıdır.
Ancak sorumlu bir yaklaşımla tasarlandığında, zaman içinde doğrulandığında ve güçlü bir veri yönetişimiyle desteklendiğinde kurumların anlamlı örüntüleri daha erken fark etmesine ve değerli çalışanları kaybetmeden önce daha doğru sorular sormasına yardımcı olabilir.

