Google Fusion Tables ile İnsan Kaynakları Veri Analizi ve Raporlama

İnsan Kaynakları (İK) departmanları; işe alımdan yetenek yönetimine, ücretlendirmeden çalışan bağlılığına kadar çok geniş bir veri evrenine hükmeder. Aday havuzu verileri, bordro kayıtları, performans puanları ve eğitim saatleri; genellikle farklı sistemlerde (ATS, HRIS, LMS, bordro yazılımı) dağınık hâlde bulunur. 2009–2019 arasında hizmet veren Google Fusion Tables, kodlama bilmeyen İK analistlerine bile büyük CSV dosyalarını saniyeler içinde yükleyip birleştirme, filtreleme ve görselleştirme imkânı tanıyarak “veri odaklı İK” kültürünü demokratikleştirdi. Hizmet kapansa da “yükle-sorgula-görselleştir-paylaş” felsefesi bugün BigQuery-Looker Studio-Apps Script üçlüsünde ölçeklenebilir ve güvenli biçimde yaşamaya devam ediyor. Bu kapsamlı makalede Fusion Tables kullanarak İK metriklerinin nasıl bütünleştirileceğini, KPI’ların nasıl hesaplanacağını, canlı panoların nasıl kurulacağını ve modern Google Cloud mimarisine geçerken nelere dikkat edilmesi gerektiğini adım adım ele alacağız.

---

2. İK Veri Ekosisteminin Bileşenleri

1. Aday Takip Sistemi (ATS) – başvuru, mülakat, teklif, işe alım tarihleri

2. İK Bilgi Sistemi (HRIS) – demografi, departman, pozisyon, kıdem

3. Bordro & Yan Haklar – maaş, prim, izin bakiyesi, yan hak kullanımı

4. Performans Yönetimi – hedef puanları, yetkinlik değerlendirmeleri

5. Eğitim Yönetimi (LMS) – eğitim saati, sertifika, katılım oranı

6. Çalışan Etkileşimi – anket skorları, NPS, öneri kayıtları
   Bu çok kaynaklı veriyi tek bakışta görebilmek için Fusion Tables, ortak anahtarlar (ör. employee_id, date) üzerinden tabloları birleştirip hızlı FTQL sorgularıyla analiz kolaylığı sunardı.

---

3. Kurulum: Veri Toplama, Temizleme ve Birleştirme

Adım 1 – CSV Aktarımı

• ATS’den candidates.csv (candidate_id, source, stage, hire_date)

• HRIS’ten employees.csv (employee_id, dept, title, hire_date, gender, age)

• Bordrodan payroll.csv (employee_id, period, gross_salary, bonus, taxed)

• LMS’den training.csv (employee_id, course_id, hours, completion_date)

Adım 2 – Alan Eşleştirme

• Tüm tabloda employee_id veya candidate_id sütunlarının formatını büyük-harf–sıfır dolgulu hâle getirin (örn. EMP-000567).

• Tarihleri YYYY-MM-DD standardına dönüştürün, boş alanları “NULL” yerine uygun varsayılanla (0, “Unknown”) değiştirin.

Adım 3 – Birleştirme (Merge)

1. employees.csv + payroll.csv → employee_id üstünden “Merge”

2. Ortaya çıkan tabloya training.csv yine employee_id anahtarıyla eklenir

3. İsteğe bağlı olarak işe alım kaynak analizleri için candidates.csv içindeki hire_date ile employees.hire_datebirleştirilir
   Sonuçta master_hr_table adıyla tüm İK metriklerinin bir arada bulunduğu merkezî bir tablo oluşur.

---

4. Temel İK KPI’ları ve FTQL Örnekleri

Örnek – Devir Hızı:

---

5. Görselleştirme ve Pano Tasarımı

Fusion Tables’ın Visualize bölümüyle dakikalar içinde:

• Çizgi Grafiği: Aylık devir hızı trendi

• Sütun Grafiği: Departman bazlı işe alım hızı

• Pasta Grafiği: Cinsiyet dağılımı, kuşak kırılımı

• Isı Haritası: Şube bazlı eğitim saati yoğunluğu

• Baloncuk Grafiği: Ücret benchmark oranı vs. performans puanı

Publish→Embed adımıyla <iframe> kodu alınarak İK portalına veya intranetine yapıştırılır; gerçek zamanlı güncellemeyle yönetici ekrana en güncel metrikleri görür.

---

6. Otomasyon: Google Apps Script ile Güncel Kalmak

Fusion Tables doğrudan streaming desteklemese de Apps Script sayesinde:

Betik 30 dakikada bir çalışarak HRIS’ten son güncellemeleri çekip Fusion Tables master tablosuna ekler; panolar canlı kalır.

---

7. Örnek Senaryo: Yüksek Performanslı Çalışanı Elde Tutma Analizi

Amaç: Son iki yılda performans puanı>4 olup ayrılan çalışanların ortak özelliklerini bulmak.

1. performance.csv dosyasını master tablosuna employee_id ile ekleyin.

2. FTQL:

   sql

   KopyalaDüzenle

   SELECT dept, avg_tenure, avg_salary
FROM master_hr_table
WHERE perf_score>4 AND exit_date IS NOT NULL
GROUP BY dept
ORDER BY COUNT(*) DESC


3. Baloncuk grafiğiyle departman bazlı ayrılış yoğunluğu + maaş = balon büyüklüğü.

4. Sonuç: IT departmanında 3–5 yıl kıdem, piyasa maaşının %88’inde kalan çalışanlar riskli.

5. Aksiyon: Revize ücret politikası + kariyer yol haritası programı önerisi.

---

8. Kapanış Sonrası Modern Google Cloud Geçişi

Geçiş adımları: Fusion Tables’tan CSV → bq load → FTQL → Standard SQL dönüşümü → Looker şablonları → IAM rol ataması → Apps Script tetikleyicileri → Cloud Functions’a port etmek.

---

9. Yapay Zekâ Destekli İK Analitiği Ufku

• BigQuery ML: Churn (çalışan ayrılışı) tahmin modeli → olasılık>0.7 erken uyarı

• Vertex AI Forecast: İşe alım ihtiyaç tahmini (başvuru hacmi, sezon, büyüme hızı)

• Generative BI: “Bu çeyrekte kadın çalışanların eğitim saati ne kadar arttı?” sorusuna doğal dille grafikli yanıt

• Sentiment Analysis: Açık uçlu anket cevaplarında duygu analizi → eNPS sebep ağacı

• Skills Gap Mapping: İş tanımları + çalışan CV’si → AI ile beceri uyum skoru, kişiselleştirilmiş eğitim önerisi

• Privacy-First Analitik: Çapraz coğrafya PII verisinde federated learning ile uyumluluk (KVKK, GDPR)

---

10. Sonuç

Google Fusion Tables, İK profesyonellerine kod yazmadan veri birleştirme ve içgörü üretme fırsatı sunarak “veri tabanlı İK” çağını erkenden başlattı. Bugün hizmet kapanmış olsa da BigQuery-Looker Studio-Apps Script ekosistemi, Fusion Tables’ın sunduğu kullanım kolaylığını petabayt ölçeği, yapay zekâ gücü ve kurumsal güvenlikle buluşturuyor. Devir hızı, işe alım hızı, ücret dengesi ve çalışan bağlılığı gibi kritik metrikleri gerçek zamanlı takip eden organizasyonlar; sadece doğru yeteneği çekmekle kalmaz, aynı zamanda yüksek performanslı ekiplerini elde tutarak sürdürülebilir rekabet avantajı yaratır. Veri odaklı İK, artık lüks değil; stratejik zorunluluktur.

Veri, modern dünyanın en değerli varlıklarından biri haline gelmiştir ve iş dünyasında, araştırmada ve karar verme süreçlerinde kritik bir rol oynamaktadır. Biz, veri analizi konusundaki tutkulu bir topluluk olarak, veri biliminin ve analizinin gücünü vurguluyoruz. Web sitemiz, işletmelerden akademisyenlere ve veri meraklılarına kadar herkesin veri analizi becerilerini geliştirmesine yardımcı olmayı amaçlayan bir kaynaktır. Misyonumuz, veri analizi sürecini anlaşılır ve erişilebilir hale getirmek, verilerin içinde gizlenen değeri açığa çıkarmak ve daha bilinçli kararlar almalarını desteklemektir.

Web sitemiz, geniş bir veri analizi yelpazesi sunmaktadır. Hangi sektörde olursanız olun veya hangi veri analizi aracını kullanıyorsanız kullanın, ihtiyaçlarınıza uygun hizmetler sunuyoruz. SPSS, R, Python, Excel veya diğer analiz araçlarını kullanarak veri madenciliği, hipotez testleri, regresyon analizi, zaman serisi tahmini, segmentasyon ve daha fazlasını içeren çeşitli analiz türlerini kapsarız. Ayrıca, öğrenmeyi kolaylaştırmak için zengin kaynaklar, öğreticiler ve interaktif araçlar sunuyoruz.