İşe Alım Süreçlerinde Karar Kalitesini Artırmaya Yönelik Hibrit Bir Model: MAUT ve TOPSIS Uygulaması

Bu çalışma, işe alım süreçlerinde karar kalitesini artırmak amacıyla MAUT (Multi Attribute Utility Theory) ve TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) tabanlı bir karar destek modeli geliştirmeyi hedeflemektedir. Model, insan kaynakları departmanlarının karşılaştığı zaman kaybı, maliyet ve subjektiflik gibi sorunlara çözüm sunmayı amaçlamaktadır. Modelin geliştirilmesinde çok kriterli karar verme yöntemlerinden MAUT ve TOPSIS kullanılmıştır. Çevrim içi iş ilanlarından ve kamu personel alım duyurularından elde edilen verilerle kriterler belirlenmiş ve ağırlıklandırılmıştır. Python tabanlı doğal dil işleme teknikleriyle veri temizleme süreci yürütülmüş ve uzman görüşleri doğrultusunda kriter ağırlıkları belirlenmiştir. Model, adayların mezuniyet bilgisi, web teknolojilerine hâkimiyet, veri tabanı bilgisi, yabancı dil seviyesi, proje deneyimi ve iş tecrübesi olmak üzere altı kriter üzerinden değerlendirmiştir. Rastgele özelliklere sahip beş farklı temsili aday üzerinde yapılan uygulama sonucunda, modelin adaylar arasında objektif ve tutarlı bir sıralama sağladığı görülmüştür. Çalışma, MAUT ve TOPSIS yöntemlerini birlikte kullanarak işe alım süreçlerine entegre edilebilir esnek ve uygulanabilir bir sistem önermektedir. Bu yönüyle hem akademik hem de kurumsal düzeyde karar verme süreçlerine katkı sağlamaktadır.

This study aims to develop a decision support model based on MAUT (Multi Attribute Utility Theory) and TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) to improve the quality of decision-making in recruitment processes. The model seeks to address common challenges faced by human resources departments, such as time inefficiencies, high costs, and subjectivity. The model was constructed using multi-criteria decision-making techniques, specifically MAUT and TOPSIS. Criteria were derived and weighted based on data collected from online job postings and public recruitment announcements. The data were preprocessed using Python-based natural language processing methods, and the weighting of the criteria was finalized with input from domain experts. The model evaluates candidates across six main criteria: educational background, proficiency in web technologies, database knowledge, foreign language skills, project experience, and professional work history. When applied to five representative candidates with randomly assigned attributes, the model produced a consistent and objective ranking. By combining MAUT and TOPSIS methods, the study presents a flexible and practical system that can be integrated into recruitment workflows. In this respect, it contributes to decision-making processes at both academic and institutional levels.