Çalışanların Memnuniyet Düzeylerine Yönelik Makine Öğrenmesi Algoritmaları ile Sınıflandırma Uygulaması


Cellat Z. F., Öz E.

7th International Researchers, Statisticians, and Young Statisticians Congress, İstanbul, Türkiye, 2 - 05 Kasım 2023, ss.1-2

  • Yayın Türü: Bildiri / Özet Bildiri
  • Basıldığı Şehir: İstanbul
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.1-2
  • Yıldız Teknik Üniversitesi Adresli: Evet

Özet

Şirketlerin gelişimi ve sürdürülebilirliği için çalışanların memnuniyeti son derece önemlidir. Bulunduğu yerde memnun, mutlu olan bir çalışan işten ayrılmayı düşünmeyeceği için işine daha sıkı bağlanacak ve şirketine daha fazla katkı sağlayacaktır. Bu çalışmanın amacı, çalışanların bağlılığı, memnuniyeti ve duyarlılığını analiz etmek, işgücü dinamiklerine ilişkin içgörüleri kolaylaştırmak ve iyileştirme stratejilerine rehberlik etmesi amacıyla makine öğrenmesi yöntemlerini kullanmaktır. Kullanılacak veri seti 3,000 çalışana ait kişisel ve şirket içi demografik yapılarının yanı sıra şahsi gelişimleri için aldıkları eğitim bilgileri de içermektedir. Makine öğrenmesi algoritmaları (gradyan artırma, k-en yakın komşu, lojistik regresyon, rasgele orman, destek vektör makineleri) ile çalışanların performans düzeyine ait sınıflandırma uygulamaları yapılmıştır. Uygulamada algoritmalar için parametre optimizasyonu yapılmıştır. Ayrıca çalışanların performansını etkileyen faktörlerin, önem düzeyleri bulunmuştur.

The satisfaction of employees is of utmost importance for the development and sustainability of companies. A satisfied and happy employee in their current position is less likely to consider leaving their job, leading to a stronger commitment to their work and a greater contribution to the company. The aim of this study is to analyze employee engagement, satisfaction, and sensitivity, using machine learning methods to facilitate insights into workforce dynamics and guide improvement strategies. The dataset used includes personal and in-company demographic information for 3,000 employees, as well as information on their personal development through training. Machine learning algorithms (gradient boosting, k-nearest neighbors, logistic regression, random forest, support vector machines) were applied for classification related to employee performance. Parameter optimization was carried out for the algorithms in the application. Additionally, the factors influencing employee performance and their levels of importance were determined.