İnsan Kaynakları Analitiği konusu tüm dünyada yükselişte. Bu yazımızda İK analitiğinin ilk adımı olan veri konusuna değineceğiz.
Verinin temizliği ve birleştirilmesi İK analitiği için oldukça kritik bir adımdır, bu adımda analiz için kullanılan verilerin doğru, tutarlı ve eksiksiz olduğundan emin olmak gerekmektedir. Analiz için kullanılan verilerin kalitesi elde edilen sonucun doğruluğunu ve faydasını direkt olarak etkiler.
En yaygın olarak kullanılan veri temizliği yöntemlerini sizler için derledik.
- Veri Standardizasyonu: Verilerin formatlarının standart hale getirilmesi olarak tanımlayabiliriz. Saat ve tarih, telefon numarası, e-mail formatlarının tek tip hale getirilmesini örnek olarak düşünebiliriz. Bir başka örnek, müşterimiz özelinde verileri incelediğimizde contracted tipindeki çalışanların farklı birimler tarafından contracted ve contractor olarak girildiğini tespit ettik. Veri kalitesinin arttırılması amacıyla farklı girişleri standartlaştırılarak analize dahil ettik.
- Veri Doğrulama: Bu adım verinin taranarak eksik bilgiler, çift girişler veya anomaliler gibi hataların tespit edilmesidir. Doğrulama adımı sayesinde organizasyonlar kendilerini yanlış kararlar almaya yönlendirecek iç görülerin önüne geçmiş olur.Örnek verecek olursak birden fazla data kaynağından veya birden fazla şirket datasından beslenen üst yönetim gibi yapılarda eğitim türleri birbirini tekrar eden şekilde fakat farklı yazım türlerinde yazılmış olabilir. Aslında aynı olması gereken fakat yazım, dil, boşluk veya kullanımdan kaynaklı farklılıklar tespit edilip trasformasyona tabi tutulduğunda bu verilerin standartlaştırılması ve verinin tekilleştirilerek analiz edilmesi sağlanır.Örneğin çalışan tipi şirketlerden birinde analize dahil edilen değişkenlerden bir tanesiyken, aynı kaynaktan beslenen bir diğer şirkette çalışan türü girişleri yapılmamış olabilir. Girişi yapılmamış çalışan verisinin tespit edilebileceği farklı bir alandan yola çıkılarak (Örneğin çalışanın ödeme tipi) girişi yapılmamış sözleşmeli veya standart çalışanların bilgisinin alınması sağlanabilir. Çalışanın ödeme tipi saatlik ise Peopleoma kural tanımı sayesinde bu çalışanın sözleşmeli çalışan tipine kaydedilmesi sağlanabilir.
- Veri tekilleştirme: Mükerrer kayıtların belirlenmesi ve veri kümesinden kaldırılması işlemidir. Bu önemlidir, çünkü yinelenen kayıtlar analiz sonuçlarını çarpıtabilir ve yanlış içgörülere yol açabilir.
- Veri normalizasyonu: Verileri kolayca analiz edilebilecek tutarlı bir formata dönüştürme adımıdır. Saatlik maaş verilerini yıllık görünüme çevirmek veya kategorik verileri sayısal olarak dönüştürmek gibi farklı birimlerden veri dönüştürmeyi içerir.
- Veri birleştirme: Birden fazla platformda bulunan verilerin tek bir yerde toplanarak birleştirilmesi işlemidir. Örnek verecek olursak çalışan merkezi sisteminden çalışanların demografik ve organizasyon bilgileri, performans sisteminden performans sonuçları, bordro sisteminden ücret ve yan hak verileri gelmektedir. Peopleoma veri birleştirme modülü farklı platformlardan aldığı verileri tek bir veri havuzunda toparlar ve aynı ekranda analiz edilmesini sağlar. Bu adımda Peopleoma manuel eşleştirme ve birleştirmeye ihtiyaç duymadan tüm verileri otomasyonla bir araya getirir ve analiz eder.Bir diğer örnek veri kaynaklarından birinde Hiyerarşi 1-2-3 içerisinde en üstte yer alan hiyerarşi verisinin Hiyerarşi 1’de konumlandığı gözlemlenirken, bir diğer veri kaynağında hiyerarşik olarak en üste konumlandıran hiyerarşi grubunun Hiyerarşi 3 olduğu tespit edilmiştir. Burada analizin doğru yapılabilmesi için olması gereken hiyerarşik sıralamanın Peopleoma transformasyon özelliği sayesinde düzenlenip doğru yere yazdırılması ve standart bir şekilde analiz edilebilmesi sağlanmıştır.
- Veri yönetimi: Veri kalitesini ve tutarlılığını sağlayabilmek için oluşturulan bir dizi kuralların ve prosedürlerin oluşturulması adımıdır. Bu kurallara veri tanımlarının oluşturulması, veri sahipliğinin belirlenmesi ve süreç yönetiminin çizilmesini örnek olarak verebiliriz.Örneğin çok şirketli yapılarda istisnai çalışanlar olabilir. Şirketler arası görevlendirmelerde bulunan bu çalışanların aynı anda farklı şirketlerde kayıtları olabilir. Bu durum veride çoklama ve bozulma olmasına sebep olmaktadır. Bu gibi durumların önüne geçilebilmesi için çalışan görevlendirildiği süre boyunca bir önceki iş lokasyonunda istisna kapsamına alınır ve her iki lokasyondan yalnızca bir tanesinin aktif çalışan sayısı içerisinde sayılması sağlanır.
Yukarıda bahsettiğimiz yöntemler kullanılarak insan kaynakları verisi doğru, tutarlı ve eksiksiz hale getirilebilir. Bu sayede analitik yöntemleri kullanıldığında daha doğru, tutarlı ve uygulanabilir içgörüler elde edilebilir. Ek olarak verinin yönetimi ve kullanımı kolaylaşır.
Veri temizleme ve birleştirmenin, verilerin doğru ve güncel kalmasını sağlamak için düzenli izleme, bakım ve güncellemeler gerektiren ve devam eden bir süreç olduğunu belirtmek gerekir. Kuruluşlar, analiz için kullanılan verilerin her zaman doğru ve güncel olmasını sağlamak için düzenli veri temizleme, doğrulama ve birleştirme süreci oluşturmalıdır. Tüm bu veri standardizasyon ve doğrulama adımları, sürdürülebilir olmaları halinde anlamlıdır. Peopleoma, bu sürdürülebilirliği sağlamak için her güncellemede ham veriye kurallar uygulayarak standartlaştırır ve standart yapıya uymayan girişlerin hızlı bir şekilde tespit edilmesini sağlar.
Sonuç olarak, veri temizleme ve birleştirme, İK analitiği sürecinde önemli ve veri odaklı karar alma kültürünün oluşması için olmazsa olmaz bir adımdır. Organizasyonlar verileri kapsamlı bir şekilde temizlemek ve birleştirmek için zaman ayırarak İK analitiği uygulamalarından elde edilen içgörülerin mümkün olduğunca doğru ve yararlı olmasını sağlayabilirler. Biz Peopleoma ekibi olarak bu sürece ne kadar erken başlanırsa o kadar fayda sağlanabileceğine inanıyoruz. Bu nedenle herkesi veriye daha derinden bakmaya davet ediyoruz.