# İK'da yapay zeka Unilever'e özgü bir şey değil. KOBİ'lere özgü bir şey

> Unilever'den KOBİ'lere: kurumsal iş akışlarını 4 haftada aylık 500€'ya çoğaltmak

Source: https://www.electe.net/tr/post/l-ai-in-hr-non-roba-da-unilever-roba-da-pmi

Site guide: https://www.electe.net/tr/llms.txt

Her hafta, Avrupa'daki şirketlerle konuşurken aynı cümleyi duyuyorum:
**“İK'da yapay zeka büyükler içindir. Biz Unilever değiliz.”**

Bu maliyetli bir efsane.

Gerçek şu: kurumsal şirketlere milyonlar kazandıran aynı kalıplar, bugün bir KOBİ tarafından **ayda 100-500€** ile, freemium araçlar, biraz otomasyon ve zaten sahip olduğu verilerle çoğaltılabilir.

## **Kurumsal vs KOBİ: fark göründüğünden çok daha küçük**

Unilever yılda 250.000 başvuruyu yapay zeka ile işliyor ve 1M€ tasarruf ediyor.
50 kişilik bir startup, şirket içinde küçük bir otomatik iş akışı uyguluyor ve ayda 100-200€ yatırımla haftada 10-15 saat tasarruf ediyor.

Kurumsal teknolojiye gerek yok. Gereken şey mantık: otomatikleştirmek, standartlaştırmak, öngörmek.

_(Bunlar DIY uygulama için yazılım lisans maliyetleridir. Kurulum, karmaşıklığa bağlı olarak tek seferlik 20-100 saatlik iç çalışma gerektirir.)_

## Veriler bunu doğruluyor

Mastercard, yapay zeka destekli yetenek pazarı ile 21 milyon dolar üretti.
Ancak bir KOBİ de ayda 20€'luk Zapier otomasyonlarıyla eleme süresinde %75 azalma elde edebilir.
Açık kaynak modeller (Random Forest, XGBoost), yalnızca HRIS verilerini kullanarak işten ayrılma öngörüsünde %85-95 doğruluk oranına ulaşıyor.

## Giriş maliyeti: çöktü

Bugün İK'da yapay zeka 0€'dan başlıyor:

- CV ayrıştırma → ücretsiz
- Öngörü modelleri → açık kaynak
- Otomasyonlar → Zapier/Make, ayda 20€'dan başlıyor
- ATS → freemium

20-40 saatlik iç kurulum ile bir KOBİ şunları yapan bir sistem kurabilir:

- haftada 15-20 saatlik manuel işi ortadan kaldırır
- işten ayrılma riski taşıyan çalışanları onlar ayrılmadan önce tespit eder
- işe alım süresini %40-60 hızlandırır

_Karmaşıklık azalıyor. Fırsatlar artıyor._

## 📊 Gerçek vaka: Lombardiya'da bir imalat KOBİ'si (120 çalışan)

DIY bir öngörü modeli, İK'nın radarında olmayan yüksek riskli 3 çalışanı tespit etti. Bunlardan 2'sine müdahale edilerek şirket 90 bin € işten ayrılma maliyetinden kaçındı. 1. yıl toplam yatırım: 5.000€. ROI: %1.700.

Somut kurulum (3 hafta):

- HRIS geçmiş verisi dışa aktarımı (3 yıl): Fazla mesai, Maaş, Son Terfi, Memnuniyet anketi, Ayrılış verisi
- 180 geçmiş ayrılış + 300 aktif çalışan üzerinde Random Forest model eğitimi
- Ortaya çıkan en öngörücü değişkenler: Haftada 12 saatten fazla fazla mesai, 3 yıldan uzun terfi durgunluğu, 6/10'un altında memnuniyet skoru

Sonuç: model, 6 ay içinde %85+ ayrılma olasılığına sahip 3 çalışanı işaretledi.
Bunlardan ikisi hiçbir belirgin risk sinyali vermemişti (“8+ yıldır istikrarlı, hoşnutsuzluk belirtisi yok”).

İşaretleme sonrası manuel analiz:

- Çalışan A: sürekli fazla mesai (haftada 15 saat) + 4 yıldır terfi yok → dışarıdan iş teklifi almış
- Çalışan B: piyasa maaşının %18 altında + memnuniyet 5/10 → aktif olarak LinkedIn'de arayış içindeydi
- Çalışan C: yeni bir kariyer yoluna girmek için iş değiştirmeye zaten karar vermişti → karar, işten ayrılma görüşmesinde teyit edildi

Müdahale: ücret artışı +%12 (A ve B) + yazılı kariyer planı + fazla mesai azaltımı.
A ve B elde tutuldu. **C elde tutulabilir değildi.**

_“Verileri yıllardır HRIS'te tutuyorduk. CSV'yi çıkarıp Python scriptini çalıştırmak bir veri analistinin 8 saatini aldı. Değer sofistike teknolojide değil, zaten sahip olduğumuz verilere bakmaktaydı.” — İK Müdürü_

Soru “buna gücümüz yeter mi?” değil. Soru şu: uygulamak için 20-40 saatiniz var mı? Cevap evetse, getiri hemen hemen garantidir — her ölçekte.

## KOBİ'ler enterprise AI'ı nasıl kurumsal bütçe olmadan tekrarlayabilir

**Unilever iş akışı parça parça: her adımda gerçekte ne oluyor**

Unilever'in Future Leaders Programme için AI recruiting süreci, sektörün altın standardıdır. 2016'da başlatılan bu süreç, 30.000 pozisyon için yıllık 1,8 milyon başvuruyu işleyerek işe alım süresini 4-6 aydan 4 haftaya indirdi.

### Adım 1 → LinkedIn üzerinden Başvuru (10-15 dakika)

Aday, geleneksel bir özgeçmiş olmadan doğrudan LinkedIn profilini bağlar. Bu seçim, temsil edilen üniversite sayısını 840'tan 2.600'e çıkararak yetenek havuzunu genişletti.

### Adım 2 → Pymetrics Oyunları (20-30 dakika)

12 nörobilim tabanlı oyun, 91 bilişsel ve duygusal özelliği ölçer: dikkat, karar verme, risk toleransı, duygu tanıma, dayanıklılık. Sistem, profili en yüksek performans gösterenlerin benchmark'ıyla karşılaştırır. Adayların %98'i bu aşamayı tamamlıyor (geleneksel yöntemlerde %50).

### Adım 3 → HireVue Video Mülakat (30 dakika)

Asenkron video. 2021'den itibaren yüz analizi kaldırıldı: düşük tahmin gücü (%0,25-%4) ve önyargı.
AI yalnızca anlamsal içeriği ve konuşma kalıplarını analiz ediyor. %80'e varan oranda eleme yapıyor.

### Adım 4 → Discovery Center Günü

250.000 başvurudan 3.500 finalist. Yıllık 800 işe alım.

**Belgelenmiş sonuçlar:**
Recruiter zamanında -%75, yılda 1M £ tasarruf, işgücü çeşitliliğinde +%16, cinsiyet eşitliğine ulaşıldı, teklif kabul oranı %64'ten %82'ye ✅

_Yapay zeka, hiçbir manuel sürecin ortaya çıkaramayacağı bağlantıları, fırsatları ve yolları gün yüzüne çıkarır. Gizli olan görünür hale gelir._

## 2. Kurum içi yetenek pazaryerlerinin arkasındaki teknoloji

Internal Talent Marketplace, iç mobilite için en gelişmiş AI biçimidir.
Gloat, dinamik bir ontolojiyle kendi bildirimi, iş geçmişi ve pazar sinyallerinden beceri verisi toplar.

**Mastercard "Unlocked" Vakası**
Sonuçlar: 21M$ tasarruf, 900.000 saat serbest bırakıldı, %62 adoption, +%80 memnuniyet, +%30 elde tutma.

**Schneider Electric "Open Talent Market" Vakası**
2 ayda %60 adoption, 360.000 saat serbest bırakıldı, 15M$+ tasarruf, NPS 60.

## 3. İşten ayrılma oranını gerçekten öngören değişkenler

IBM Watson modeli 35 değişken kullanıyor.

En öngörücü olanlar:

- OverTime
- JobSatisfaction
- YearsSinceLastPromotion
- MonthlyIncome
- JobInvolvement

📊 **Tipik doğruluk:**

- Random Forest: %84-87
- XGBoost/CatBoost: %85-95
- Logistic Regression: %75-80

`import pandas as pd`
`from sklearn.model_selection import train_test_split`
`from sklearn.ensemble import RandomForestClassifier`

`# IBM HR Analytics veri setini yükle (Kaggle'da ücretsiz)`
`df = pd.read_csv('IBM-HR-Attrition.csv')`
`y = df['Attrition'].map({'Yes': 1, 'No': 0})`
`X = pd.get_dummies(df.drop('Attrition', axis=1))`

`# Train model`
`X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)`
`rf = RandomForestClassifier(n_estimators=40)`
`rf.fit(X_train, y_train)`

`# En etkili 5 tahmin değişkeni`
`importances = pd.Series(rf.feature_importances_, index=X.columns)`
`print(importances.nlargest(5))`

Bu kod Google Colab'da ücretsiz olarak çalışır. Tipik çıktı: MonthlyIncome, OverTime, Age, TotalWorkingYears, YearsAtCompany en önemli tahmin edicilerdir.

## Araçların ekonomisi: 0€'dan 500€/aya (DIY)

İK'da AI için araç ekosistemi demokratikleşti. Giriş seviyesi yatırım 50.000€+'dan 0-500€/aya düştü **içeride uygulayanlar için**. Bunlar anahtar teslim hizmetler değil, kurulması gereken yazılım araçlarının maliyetleridir.

**Freemium yığın (0€/ay - bağımsız kurulum):**

- ATS: Breezy HR (ücretsiz katman 1 aktif pozisyon)
- Video mülakat: myInterview (temel ücretsiz)
- Değerlendirme: TestGorilla (uzatılmış ücretsiz deneme)
- CV ayrıştırma: pyresparser (açık kaynak)
- Tahmin modeli: Python + scikit-learn (açık kaynak)
- Analitik: Google Sheets + şablon

**10-50 çalışanlı KOBİ yığını (100-300€/ay - içeride uygulama):**

- LinkedIn Recruiter Lite: 170€/ay
- Zapier/Make: 20€/ay (iş akışı yapılandırması gerektirir)
- pyresparser: ücretsiz
- Python modeli: ücretsiz (temel Python becerisi gerektirir)

**50-200 çalışanlı KOBİ yığını (500-1.500€/ay - iç ekip):**

- Eksiksiz ATS: 200-400€/ay (yapılandırma + bakım)
- Değerlendirme platformu: 150-300€/ay
- Analitik gösterge paneli: 100-200€/ay
- Gelişmiş otomasyonlar: 50-100€/ay

**Kritik açıklama:** bu bütçeler **yazılım lisans maliyetleridir**, uygulama süresini içermez. Temel beceriler gerekir (Zapier'i yapılandırmak, Python script'leri çalıştırmak, API dokümantasyonu okumak). 10-50 çalışanlı şirketler için: ilk kurulum için 20-40 saat iş. 50-200 çalışanlı şirketler için: 4-8 hafta boyunca dağıtılan 60-100 saat.

Avantajı: bir kez uygulandığında, bakım minimaldir (ayda 2-5 saat) ve ROI kalıcıdır.

## Hızlı kazanım #1: 1 günde otomatik CV tarama

CV'lerin otomatik ayrıştırılması, no-code araçları (Zapier) minimal bir Python script'iyle birleştirerek 6-8 saatte uygulanabilir.

**Seçenek A: Sadece Zapier (kodlama yok, 2-3 saat)**

Kod yazmadan eksiksiz pipeline:

1. **Tetikleyici:** _hr@electe.net_ adresine alınan ekli yeni e-posta
2. **Eylem:** Zapier Parser, CV'den verileri otomatik olarak çıkarır (name, email, phone, skills)
3. **Eylem:** Çıkarılan verilerle Google Sheet'te satır oluşturur
4. **Eylem:** İşe alım uzmanına Slack bildirimi: "Yeni CV alındı: \[isim\] - \[beceriler\]"
5. **Eylem:** Adayı e-posta dizisine ekle (örn. "Teşekkürler, sizinle tekrar iletişime geçeceğiz")

**Maliyet:** Zapier Professional 20€/ay
**Kurulum süresi:** 2-3 saat tıkla-yapılandır
**Gerekli beceriler:** Sıfır kodlama, sadece web arayüzlerine aşinalık

**Seçenek B: Zapier + Code by Zapier (satır içi Python/JS, 4-5 saat)**

Zapier Parser yeterli olmazsa, doğrudan Zapier'e özel mantık ekleyin:

1. Tetikleyici: Ekli yeni e-posta
2. **Eylem: Code by Zapier (Python)** - satır içi gelişmiş ayrıştırma:

`# Python eseguito direttamente in Zapier`
`import re`
`cv_text = input['cv_text']`
`email = re.findall(r'[\w\.-]+@[\w\.-]+', cv_text)[0]`
`phone = re.findall(r'\+?\d[\d\s\-\(\)]{8,}', cv_text)[0]`
`return {'email': email, 'phone': phone, 'text': cv_text}`

1. Aksiyon: Google Sheet satırı oluştur
2. Aksiyon: Slack bildirimi
3. Aksiyon: E-posta dizisi

**Maliyet:** Zapier Professional 20€/ay (Code dahil)
**Kurulum süresi:** 4-5 saat (özel mantık geliştirme + test)
**Gerekli beceriler:** Temel Python/JavaScript

**Seçenek C: harici sunucuda pyresparser (maksimum parsing, 6-8 saat)**

Çok karmaşık CV'ler veya yüksek hacimler için (ayda 500+ CV):

`# Özel sunucuda script`
`pip install pyresparser`
`from pyresparser import ResumeParser`
`data = ResumeParser('/path/to/resume.pdf').get_extracted_data()`
`# Çıktı: name, email, mobile, skills, college, degree, experience`

Zapier, webhook üzerinden sunucuyu çağırır, parse edilmiş JSON'u alır, Sheet/Slack/Email ile devam eder.

**Maliyet:** Zapier 20€/ay + DigitalOcean 5€/ay
**Kurulum süresi:** 6-8 saat (sunucu kurulumu + deploy)
**Gerekli beceriler:** Python + deployment YA DA harici geliştirici

⚡ Tipik tasarruf: ayda 200+ CV işleyenler için haftada 15+ saat.

_Otomasyonun bileşik etkisi: düşük sabit maliyetler, artan tasarruflar._

## 10 haftalık playbook (DIY)

**Ön koşul:** Dahili teknik kaynaklara erişim (geliştirici, veri analisti) veya kurulumu destekleyecek bir freelancer için 2.000-3.000€ bütçe.

**1. Hafta:** pyresparser + Zapier pipeline ile otomatik CV parsing. İlk ölçülebilir tasarruf: 10-15 saat.

**2. Hafta:** İK verisi denetimi, Sheets/Airtable'a aktarım, temel metrikler için dashboard kurulumu (time-to-hire, cost-per-hire, headcount).

**3. Hafta:** Geçmiş veri seti üzerinde işten ayrılma tahmin modeli, mevcut değişkenlerle eğitim, İK yöneticisiyle doğrulama.

**4. Hafta:** Tekrarlayan iş akışları için Zapier otomasyonları (mülakat planlama, işe alım kontrol listesi, izin talepleri). Nihai ROI hesaplaması.

**5-10. Haftalar:** İterasyon ve ölçeklendirme. Sadece ROI'nin doğrulandığı yerlerde karmaşıklık ekleyin.

_📥 Bu iş akışlarının kendi durumunuza uygulanabilir olup olmadığını keşfetmek ister misiniz?_
_Burada anlatılan Google Sheet şablonları, Python scriptleri ve Zapier otomasyonları zaten çalışır durumda. Kendi gerçekliğinize uyarlayın._

## Sonuç

Yaygın hata, kurumsal bütçelere veya pahalı danışmanlara ihtiyaç olduğunu düşünmektir.
Mantık — taramayı otomatikleştirmek, değerlendirmeyi standartlaştırmak, riskleri tahmin etmek — açık kaynak araçlar ve erişilebilir SaaS'larla tekrarlanabilir.

Değer pahalı araçlarda değil, yöntemde yatıyor.
ROI ilk yılda kolayca %600'ü aşıyor.

**Not.** Bu makaledeki Python kodu ve Zapier örnekleri zaten çalışıyor. Kopyalayın, kendi gerçekliğinize uyarlayın, uygulayın. Ek şablonlara gerek yok: başlamak için ihtiyacınız olan her şeye zaten sahipsiniz.