C/IKAB : İK için Veri Analitiği: Bilgiye Dayalı Karar Alma

Modül 1: Veri Analitiğine Giriş

• Hatalı Analize Neden Olan İnsana has Kusurlar
• Karar Vericilerin Sıkışıp Kaldığı Mevcut Durum
• Veri Analitiği Tipleri
• Veri ve Metaveri
• İK'da veri kullanımının önemi
• İK verilerinin kaynakları (çalışan anket verileri, işe alım, performans, iş gücü planlaması vb.)
• Demo: İşe alım verileriyle temel bir analiz yaparak açık pozisyonların dolma sürelerini histogramla görselleştirme.

Modül 2: Betimleyici İstatistikler

• İstatistiksel Çalışmalarda Temel Adımlar
• Birim-Gözlem, Değişken, Şık, Ölçme Düzeyleri (Ölçekler), listeler, Seriler vs.
• Merkezi Eğilim Ölçüleri (Means, Mod, Medyan, Quartiles vs.)
• Değişkenlik Ölçüleri (Varyans, Standard Deviation, Standart Error, Range, Kurtosis, Skewness vs.)
• İK Verileriyle Betimleyici İstatistik Kullanımı
• Demo: Çalışan memnuniyeti anket verileriyle dağılım grafikleri oluşturma ve Gini indexi (Excel).

Modül 3: İstatistiksel Tahminleme

• Populasyon, Örneklem, Normal Dağılım, Standart Normal Dağılım Nedir?
• Nokta ve Aralık Tahminlemesi
• Evren Ortalaması (𝜇) Aralık Tahminlemesi
• Evren Oranı (𝜋) Aralık Tahminlemesi
• Evren Ortalamaları Arasındaki Farkın (𝜇,−𝜇_2) Aralık Tahminlemesi
• Evren Oranı Arasındaki Farkın (𝜋_1−𝜋_𝟐) Aralık Tahminlemesi

Modül 4: İstatistiksel Karar Alma

• Tek Evren Parametresiyle İlişkili Hipotez Testleri
• İki Evren Parametresiyle İlişkili Hipotez Testleri
• F Testi – Varyans Analizi (ANOVA)
• Demo: İş gücü turnover oranlarını analiz ederek farklı departmanlar arasındaki anlamlı farkları tespit etme (Excel'de t-testi).

Modül 5: Etkili Raporlama Teknikleri

• Raporlama İlkeleri
• Görsel hiyerarşi
• Renk kullanımı ve tasarım ilkeleri
• İyi bir raporun özellikleri
• Veri Görselleştirme
• Grafik türleri: Çizgi, çubuk, pasta, alan grafikleri
• Hangi grafik türü hangi veriye uygun?
• İK Raporlamasında Temel KPI’lar
• Çalışan memnuniyeti, turnover oranı, performans
• Demo: Excel'de dinamik KPI raporu oluşturma (departman bazında çalışan başına maliyet analizi).

Modül 6: Excel ile Grafik ve Pivot Tablolarla İleri Düzey Analiz

• Pivot Tablo Temelleri
• Pivot tablonun yapı taşları: Satırlar, sütunlar, değerler
• Dilimleyici kullanımı (Slicer)
• Filtreleme ve veri düzenleme teknikleri
• İleri Düzey Pivot Teknikleri
• Veri gruplama (Örneğin, tarihsel veri gruplama)
• Çoklu pivot tablolar ile kapsamlı veri analizi
• Veri türlerine göre hesaplamalar ve özetleme
• Excel ile Grafik Kullanımı
• Pivot tablolardan grafik oluşturma (Çubuk grafik, pasta grafik, çizgi grafik vb.)
• Grafiklerde görsel ögeler (renkler, etiketler, trend çizgileri)
• Grafiklerde etkileşimli özellikler ekleme (dilimleyici, filtreler)
• Pivot Tablolarla İK Verisi Analizi
• Departman bazında çalışan performansı analizi
• Maaş dağılımı ve maaş artışları
• Çalışan devir hızı ve eğilimler
• Grafiklerle görselleştirme: Çalışan performansı ve maaş artışı analizlerinin grafiksel gösterimi
• Demo: Çalışan performansı verilerini pivot tablo ve grafiklerle analiz ederek yıl bazında ortalama performans artışı ve maaş dağılımı raporu oluşturma.

Modül 7: Self-Service BI'a Giriş

• Power BI Nedir?
• Self-Service BI tanımı ve avantajları
• Power BI’ın temel bileşenleri
• Power BI ile Veri Yükleme
• Veri kaynaklarından veri alma
• Excel ve SQL veri bağlantıları
• Veri Modelleme ve İlişkiler
• Veritabanı modeli oluşturma
• Power BI’da ilişkiler kurma
• Demo: İK verilerini Power BI’a yükleyerek, çalışanların yaş dağılımını ve deneyim yıllarını gösteren bir grafik oluşturma.

Modül 8: Dimensional Modelleme ve Veri İlişkileri

• Dimensional Modelleme Temelleri
• Fact ve dimension tabloları arasındaki farklar
• Veri modelleme kavramları
• Veri İlişkileri
• Power BI'da tablo ilişkileri oluşturma
• Veri bütünlüğü sağlama
• Modelleme İyi Uygulamaları
• Veri modelleme hataları ve önlenmesi
• Demo: İşe alım ve performans verilerinden oluşan iki tabloyu ilişkilendirerek Power BI'da birleşik bir modelleme senaryosu

Modül 9: Makine Öğrenimine Giriş

• Makine Öğrenimi Temelleri
• Makine öğrenimi nedir?
• Denetimli ve denetimsiz öğrenme
• Regresyon ve Sınıflandırma Modelleri
• Regresyon modeli (çalışan memnuniyeti tahmini)
• Sınıflandırma modeli (çalışan churn analizi)
• Veri Hazırlama ve Modelleme
• Eğitim ve test verisi oluşturma
• Modelin değerlendirilmesi
• Demo: Çalışan churn (işten ayrılma) oranını tahmin etmek için Excel’de basit doğrusal regresyon uygulaması.

Modül 10: Çalışan Churn Tahmini

• Çalışan Churn Modelleme
• Çalışan ayrılma tahmini için veri analizi
• Model kurma ve değerlendirme
• Model Sonuçlarının Yorumlanması
• Sonuçları yorumlama ve aksiyon alabilme
• Tahmin Doğruluğu
• Doğruluk oranı hesaplama ve model iyileştirmeleri
• Demo: Power BI’daki tahminsel analiz araçlarını kullanarak çalışan churn tahminini görselleştirme.

Modül 11: Performans Analizi için Makine Öğrenimi

• Çalışan Performansı İçin Modelleme
• Çalışan performansını tahmin etme
• Başarı faktörlerinin modellenmesi
• İK İhtiyaçları İçin Makine Öğrenimi Modelleri
• Veriye dayalı karar alma süreçleri
• Model Sonuçlarının İşe Alınması
• Sonuçları HR süreçlerine entegre etme
• Demo: Çalışanların geçmiş başarılarına dayanarak gelecekteki performanslarını tahmin eden bir model oluşturma (Python’dan alınan sonuçların Power BI ile entegrasyonu).

Module 12: Zaman Serileri Analizi

• Zaman Serileri Analizi
• Trend Analizi (Hareketli ortalamalar)
• Trend Analizi (En küçük kareler yöntemi)
• Standart Hata

Module 13: Karar Teorisi

• Karar Teorisi
• Belirsizlik Altında Karar Verme
• Risk Altında Karar Verme
• Tam Bilginin Beklenen Değeri
• Karar Ağacı