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