İnsan Kaynakları (İK) Metrikleri ve Analizi ile Stratejik Karar Alma: YEM ile Örnek Vaka Analizi

İnsan Kaynaklarında metrikler ve analiz konusunda yer alan yazılarımızı örnek bir vaka çalışması ile desteklemek amacıyla hazırlanan bu ikinci yazının fayda sağlamasını dilerim.

“Ölçemediğiniz şeyi yönetemezsiniz.” – Peter Drucker

🧠 Yapısal Eşitlik Modeli (YEM/ SEM) Nedir?

YEM (Structural Equation Modeling:SEM), çok değişkenli istatistiksel analizlerde kullanılan, hem ölçüm modelleri (gizli değişkenlerin gözlenen değişkenlerle ilişkisi) hem de yapısal modelleri (değişkenler arası nedensel yollar) aynı anda test eden bir modelleme tekniğidir.

📌 Ne Amaçla Kullanılır?

Karmaşık neden-sonuç ilişkilerini test etmek.
Gizil değişkenleri (örn. “İş Doyumu”, “Örgütsel Destek”) ölçebilmek.
Psikoloji, sosyoloji, pazarlama, İK gibi alanlarda teoriyi test etmek.

🔍 Değerlendirilen Başlıca Parametreler

1. Uyum (Model Fit) İndeksleri

Modelin veriye ne kadar uygun olduğunu gösterir.

Parametre	Anlamı	Kabul Edilen Sınır
χ² / df	Ki-kare / Serbestlik derecesi	< 3 (ideal), < 5 (kabul edilebilir)
CFI	Karşılaştırmalı uyum indeksi	> 0.90 (iyi), > 0.95 (çok iyi)
RMSEA	Ortalama kare hatası kökü	< 0.08 (iyi), < 0.05 (mükemmel)
SRMR	Standartlaştırılmış kalan ort. kare	< 0.08

2. Yapısal Yol Katsayıları (β – Beta Katsayıları)

Değişkenler arasındaki nedensel ilişki düzeyini gösterir.
Örn: “Liderlik → İş Doyumu: β = 0.42” gibi.

3. t-Değerleri (Z-Score) ve p-Değerleri

Yol katsayılarının istatistiksel olarak anlamlı olup olmadığını belirler.

4. Güvenirlik ve Geçerlilik Testleri

Cronbach Alpha – İç tutarlılık güvenirliği (> 0.70)
AVE (Average Variance Extracted) – Yapı geçerliliği (> 0.50)
CR (Construct Reliability) – Yapısal güvenilirlik (> 0.70)

5. Doğrudan / Dolaylı / Toplam Etkiler

Örn: “Liderlik → İş Doyumu → Bağlılık” zincirinde dolaylı etkiler hesaplanır.

🧠Örnek Vaka Analizi : Çalışan Memnuniyeti ve Bağlılık İlişkisi

🎯 Amaç :

Bir orta ölçekli üretim firmasının İnsan Kaynakları departmanı, çalışanların kuruma olan bağlılıklarını artırmak için hangi faktörlerin etkili olduğunu anlamak istiyor. Bu amaçla, liderlik kalitesi, algılanan örgütsel destek, iş doyumu ve bağlılık gibi değişkenler üzerine kurulu bir Yapısal Eşitlik Modeli (SEM) oluşturulmuştur.

📥 Veri Toplama Süreci:

Veriler, işletmenin farklı departmanlarında çalışan 300 çalışandan toplanmıştır. Her çalışana dört ana başlık altında 5’li Likert ölçeği kullanılarak hazırlanan bir anket aracılığı ile yöneltilmiştir:

Liderlik (5 madde): “Yöneticim destekleyicidir”, “Adil davranır” vs.
Örgütsel Destek (5 madde): “Kuruluşum ihtiyaçlarımı önemser”
İş Doyumu (5 madde): “Yaptığım işten keyif alırım”
Bağlılık (5 madde): “Bu şirkette uzun süre çalışmayı planlıyorum”

Her ölçek için Cronbach Alpha değeri 0.80’in üzerinde bulunmuştur.

🔧 Gözlenen Değişkenler:

Verilerin işlenmesinden sonra her katılımcı için dört temel skor hesaplanmıştır:

Liderlik: Yöneticilerin destekleyicilik düzeyi (ort. 3.5)
OrgDestek: Çalışanların örgütsel destek algısı (ort. 3.2)
IsDoyumu: İşten duyulan genel tatmin
Baglilik: Kuruma duyulan aidiyet hissi

🧪 Python ile SEM Analizi:

Veriler Python ile aşağıdaki şekilde modellenmiştir. Bu veri, semopy veya lavaan gibi kütüphanelerle SEM analizine uygundur:

import pandas as pd
import numpy as np

np.random.seed(42)
n = 300

liderlik = np.random.normal(3.5, 0.6, n)
org_destek = np.random.normal(3.2, 0.7, n)
is_doyumu = 0.4*liderlik + 0.3*org_destek + np.random.normal(0, 0.5, n)
baglilik = 0.5*is_doyumu + np.random.normal(0, 0.4, n)

df_sem = pd.DataFrame({
    "Liderlik": liderlik,
    "OrgDestek": org_destek,
    "IsDoyumu": is_doyumu,
    "Baglilik": baglilik
})

Grafik Gösterimi için:

import matplotlib.pyplot as plt
import seaborn as sns

# Korelasyon matrisini ve grafiklerini oluşturalım
correlation_matrix = df_sem.corr()

# Korelasyon ısı haritası
plt.figure(figsize=(8, 6))
sns.heatmap(correlation_matrix, annot=True, cmap="coolwarm", fmt=".2f", square=True)
plt.title("Çalışan Memnuniyeti SEM Değişkenleri Korelasyon Matrisi")
plt.tight_layout()
plt.savefig("/mnt/data/sem_korelasyon_isiharitasi.png")
plt.show()

# Etkiyi görselleştirme: Liderlik ve OrgDestek'in İş Doyumu üzerindeki etkisi
plt.figure(figsize=(10, 6))
sns.regplot(x="Liderlik", y="IsDoyumu", data=df_sem, label="Liderlik", scatter_kws={"alpha":0.5})
sns.regplot(x="OrgDestek", y="IsDoyumu", data=df_sem, label="OrgDestek", scatter_kws={"alpha":0.5})
plt.title("Liderlik & Örgütsel Destek → İş Doyumu")
plt.xlabel("Bağımsız Değişken")
plt.ylabel("İş Doyumu")
plt.legend()
plt.tight_layout()
plt.savefig("/mnt/data/liderlik_orgdestek_isdoyumu_etkisi.png")
plt.show()

# İş Doyumu'nun Bağlılık üzerindeki etkisi
plt.figure(figsize=(8, 5))
sns.regplot(x="IsDoyumu", y="Baglilik", data=df_sem, scatter_kws={"alpha":0.5}, color="green")
plt.title("İş Doyumu → Bağlılık")
plt.xlabel("İş Doyumu")
plt.ylabel("Bağlılık")
plt.tight_layout()
plt.savefig("/mnt/data/isdoyumu_baglilik_etkisi.png")
plt.show()

Örnek analizimizden elde edilen 3 önemli çıktı şu şekildedir:

Çalışan memnuniyetini ölçen SEM değişkenlerinin korelasyon matrisini gösteren grafik.

Liderlik ve Örgütsel Destek’in İş Doyumu üzerindeki etkisi ile İş Doyumu’nun Bağlılık üzerindeki etkisini gösteren grafikler.

Korelasyon Isı Haritası/ Matrisi:
Liderlik, Örgütsel Destek, İş Doyumu ve Bağlılık arasında güçlü pozitif ilişkiler gözlenmiştir.
Liderlik & Örgütsel Destek → İş Doyumu:
Hem yöneticinin kalitesi hem de kurumun destek algısı, çalışan memnuniyetini doğrudan artırmaktadır.
İş Doyumu → Bağlılık:
Çalışan memnuniyeti arttıkça kuruma olan bağlılık da anlamlı şekilde yükselmektedir.

📈 AMOS ile SEM Adımları:

AMOS’ta gözlenen değişkenler tanımlanır.
Yol diyagramı çizilir: Liderlik ve OrgDestek → IsDoyumu → Baglilik
Model fit değerleri kontrol edilir:
- CFI > 0.90
- RMSEA < 0.08
- χ²/df < 3

📌 Yorum:

–Liderlik ve OrgDestek, IsDoyumu üzerinde anlamlı etkiye sahip çıkmıştır, bu alanlarda iyileştirme yapılması önerilebilir.

–IsDoyumu, Baglilik üzerinde etkili olduğu görülmüştür ve bağlılığı artırmak için memnuniyet odaklı İK stratejileri geliştirilebilir.

💡 Sonuç:

– SEM, sadece korelasyon değil, neden-sonuç ilişkilerini modellemesi açısından İK analitiğinde güçlü bir araçtır. Bu yaklaşım, veriye dayalı karar vermeyi destekler, çalışan deneyimini derinlemesine analiz etmeyi mümkün kılar.

🔗 Kaynakça:

Bahadır, E., Kalender, B., Yumuşak, F. N., Karaman, G., vd. (2018). Modelleme Analizleri Üzerine Bir Karşılaştırma Çalışması: Yapısal Eşitlik Ve Regresyon. Kesit Akademi Dergisi(16), 410-420.
Bayram, N. (2010). Yapısal eşitlik modellemesine giriş AMOS uygulamaları. Ezgi Kitabevi.
Byrne, B. M. (2013). Structural equation modeling with Mplus: Basic concepts, applications, and programming.
Kalaycı, Ş. (2010). SPSS uygulamalı çok değişkenli istatistik teknikleri. Asil Yayın Dağıtım Ltd. Şti.
Kline, R. B. (2023). Principles and practice of structural equation modeling. Guilford publications.
Meyer, J. P., & Allen, N. J. (1991). “Three Components of Organizational Commitment.” Human Resource Management Review, 1(1), 61–89.
Whittaker, T. A., & Schumacker, R. E. (2016). A beginner’s guide to structural equation modeling. (No Title).
SHRM (2023). HR Analytics Metrics Guide / https://www.shrm.org

🖋 Dr. Ayşem Ece Yalçınkaya – Veri Analizi ve Yönetim Sistemleri Eğitmeni, Denetçi ve Süreç Mimarı

📌 www.aysemece.com | 📧 iletisim: aysemece@gmail.com