İnsan Kaynaklarında metrikler ve analiz konusunda yer alan yazılarımızı örnek bir vaka çalışması ile desteklemek amacıyla hazırlanan bu yazının fayda sağlamasını dilerim.
“Ölçemediğiniz şeyi yönetemezsiniz.” – Peter Drucker
Veriye dayalı bu yaklaşım, sadece İK stratejisini değil, çalışan mutluluğunu da iyileştirir.
📌 Amaç:
Çalışan memnuniyeti, kıdem ve yaş gibi değişkenlerin işten ayrılma eğilimi üzerindeki etkisini analiz etmek.
🧮 1. Python ile Uygulama
🔹 Kullanılan Kütüphaneler:
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
import statsmodels.api as sm
🔹 Veri Örneği Hazırlama Kodları:
data = {
‘Yas’: [25, 34, 45, 29, 31, 40, 50, 28],
‘Kidem_Yili’: [1, 3, 10, 2, 5, 9, 15, 1],
‘Memnuniyet_Skoru’: [3.2, 4.1, 4.5, 2.8, 3.6, 4.2, 4.7, 2.9],
‘Ayrildi’: [1, 0, 0, 1, 0, 0, 0, 1] # 1 = Ayrıldı, 0 = Hala çalışıyor
}
df = pd.DataFrame(data)
🔹 Lojistik Regresyon Analizi Kodları:
X = df[[‘Yas’, ‘Kidem_Yili’, ‘Memnuniyet_Skoru’]]
X = sm.add_constant(X)
y = df[‘Ayrildi’]
model = sm.Logit(y, X).fit()
print(model.summary())
🔹 Grafik Kodları:
sns.scatterplot(x=’Memnuniyet_Skoru’, y=’Kidem_Yili’, hue=’Ayrildi’, data=df)
plt.title(‘Memnuniyet ve Kıdeme Göre Ayrılma Durumu’)
plt.xlabel(‘Memnuniyet Skoru’)
plt.ylabel(‘Kıdem Yılı’)
plt.show()
📌 Yorum:
Model çıktısında, Memnuniyet_Skoru değişkeninin negatif ve anlamlı bir katsayıya sahip olması, memnuniyet arttıkça ayrılma ihtimalinin azaldığını gösterebilir.
🧪 2. SPSS ile Uygulama
🔹 Adımlar:
- SPSS’e veri girilir. Değişkenler:
- Yas (scale)
- Kidem_Yili (scale)
- Memnuniyet_Skoru (scale)
- Ayrildi (nominal: 1=Ayrıldı, 0=Çalışıyor) şeklinde variable view sekmesinden tanımlanır.
- Analyze > Regression > Binary Logistic… yolu izlenerek aşağıdaki seçimler yapılır:
- Dependent: Ayrildi
- Covariates: Yas, Kidem_Yili, Memnuniyet_Skoru
- “Hosmer and Lemeshow test”, “Classification plots” gibi kutucukları da işaretlenir ve çıktı ( output) sayfasında çıktı tablo ve grafikler gözükür.
📊Her iki yöntemle elde edilen sonuçlar:
Lojistik Regresyon
Bağımlı değişken: Ayrıldı (1 = Ayrıldı, 0 = Çalışıyor)
Bağımsız değişkenler: Yaş, Kıdem Yılı, Memnuniyet Skoru
🔎 Önemli Regresyon Bulguları:
| Değişken | Katsayı (Coef.) | p-Değeri | Exp(B) (Olasılık Katsayısı) | Anlamlı mı? |
|---|---|---|---|---|
| Yaş | 0.0063 | 0.8468 | 1.006 | Hayır |
| Kıdem Yılı | 0.0880 | 0.3530 | 1.092 | Hayır |
| Memnuniyet Skoru | -1.1711 | 0.0017 | 0.310 | Evet |
📌 Yorumlar:
- Memnuniyet Skoru, işten ayrılmayı anlamlı şekilde etkiliyor (p < 0.01).
- Exp(B) değeri 0.310: Memnuniyet skoru her 1 puan arttığında işten ayrılma olasılığı yaklaşık %69 azalıyor.
- Yaş ve Kıdem bu örnekte anlamlı çıkmadı ama yönleri pozitif; yani yaş ve kıdem arttıkça ayrılma eğilimi zayıf da olsa artıyor olabilir.
Grafik ve Yorumu
- Ayrılanlar genellikle daha düşük memnuniyet skorlarına sahip.
- Çalışanlar ise yüksek memnuniyet skoru ile öne çıkıyor.
🎯 Sonuç
✅ İşten ayrılma eğilimleri erken tespit edilir.
✅ Memnuniyet artırıcı politikalar hedefli uygulanabilir.
✅ Kıdem ve yaş segmentlerine göre risk analizi yapılabilir.
Bir sonraki yazımızda Yapısal Eşitlik Modeli ( SEM – Structural Equation Modeling) kullanılarak firmalarda uygulanan memnuniyet anketi sonuçlarının değerlendirilmesi hedeflenmektedir.
🔗 Kaynakça:
- Hair et al. (2010). Multivariate Data Analysis
- Field, A. (2013). Discovering Statistics Using SPSS
- SHRM (2023). HR Analytics Metrics Guide
- Yalçınkaya, A. E. (2023). IBM SPSS ile istatistiksel veri analizi. Nobel Bilimsel Eserler.
🖋 Dr. Ayşem Ece Yalçınkaya – Veri Analizi ve Yönetim Sistemleri Eğitmeni, Denetçi ve Süreç Mimarı
KalitEce's Blog 