AI ile Puantaj Analizi: Hataları Otomatik Yakalamak

Puantaj, bordronun temelidir: Kim, hangi gün, kaç saat çalıştı, ne kadar fazla mesai yaptı, hangi günler izinliydi? Bu soruların yanıtı yanlışsa maaşlar yanlış hesaplanır, yasal riskler doğar ve çalışan güveni zedelenir. Buna rağmen birçok işletmede puantaj hâlâ ay sonunda, Excel üzerinde, satır satır göz kontrolüyle hazırlanıyor. Yapay zeka destekli puantaj analizi, bu kontrol yükünün büyük bölümünü otomatikleştirerek hem hata oranını hem de kapanış süresini ciddi biçimde azaltabiliyor.

Puantajın ne olduğunu ve yasal çerçevesini ayrı bir rehberde ele almıştık. Bu yazıda odak noktamız, yapay zekanın puantaj verisi üzerinde somut olarak ne yaptığı.

Puantajda En Sık Karşılaşılan Hata Türleri

Önce sorunun haritasını çıkaralım. PDKS verisinden puantaja giderken tipik olarak şu hatalar oluşur:

• Eksik kayıt: Personel girişte kart okutmuş ama çıkışta okutmamış. Gün "açık" kalır.
• Çift okutma: Aynı kişi kartını arka arkaya iki kez okutmuş; sistem iki ayrı hareket görür.
• Vardiya uyumsuzluğu: Kayıt var ama planlanan vardiyayla örtüşmüyor; gece vardiyasındaki kişi gündüz girişli görünüyor.
• Yanlış cihaz/lokasyon: Personel başka şubedeki terminalden okutmuş; lokasyon bazlı raporlar bozulur.
• Manuel düzeltme hataları: İK'nın elle girdiği düzeltmelerde yazım veya tarih hatası.

120 kişilik bir işletmede ayda yaklaşık 5.000-6.000 hareket kaydı oluşur. Hata oranı yüzde 2 bile olsa, her ay yüzü aşkın satırın elle bulunup düzeltilmesi gerekir.

Yapay Zeka Bu Hataları Nasıl Yakalar?

Kural tabanlı denetimden örüntü tabanlı denetime

Klasik yazılımlar sabit kurallarla çalışır: "Çıkışı olmayan girişleri listele." Bu faydalıdır ama bağlamı bilmez. Yapay zeka destekli denetim ise her personelin geçmiş davranışından bir profil öğrenir ve kayıtları bu profile göre değerlendirir:

Denetim türü	Kural tabanlı yaklaşım	AI destekli yaklaşım
Eksik çıkış	Tüm açık günleri listeler	Kişinin tipik çıkış saatine göre olası çıkış önerir
Geç giriş	Sabit eşik (örn. 09.15 sonrası)	Kişi ve vardiya bazlı normal aralıktan sapma
Çift okutma	Sabit süre filtresi	Hareket dizisinin bütününe göre hangi kaydın geçerli olduğunu seçer
Vardiya çelişkisi	Plan-kayıt eşleşmesi	Fiili vardiya değişimlerini (swap) tanıyıp ayırır

Buradaki en değerli fark öneri üretebilmektir. Sistem yalnızca "bu satır hatalı" demekle kalmaz; "bu kişi son 60 iş gününün 57'sinde 18.05-18.20 arasında çıkış yaptı, eksik çıkış muhtemelen bu aralıktadır" gibi bir tahmin sunar. İK ekibi tahmini onaylar veya düzeltir; her onay modelin bir sonraki tahminini iyileştirir.

Tutarlılık denetimi: çapraz kontroller

İyi bir analiz katmanı, tek tek satırlara değil satırlar arası ilişkilere de bakar:

1. İzin kaydı olan günde hareket kaydı varsa ikisinden biri yanlıştır.
2. Fazla mesai onayı olmayan günde 11 saati aşan çalışma görünüyorsa işaretlenir.
3. Aynı dakikada iki farklı lokasyonda okutma fiziksel olarak mümkün değildir; bu durum anomali tespiti kapsamında ayrıca incelenir.

Örnek Vaka: 180 Kişilik Bir Perakende Zinciri

Sekiz mağazalı, 180 personelli bir perakende işletmesini düşünelim. Mağazalar arası görevlendirmeler sık; personel bazen başka şubenin terminalinden giriş yapıyor. Eski süreçte İK, ay sonunda her mağaza müdüründen düzeltme listesi topluyor, kapanış 5-6 gün sürüyordu.

AI destekli denetim sonrası akış şöyle değişti:

• Her sabah, önceki günün şüpheli kayıtları mağaza müdürünün ekranına düştü (ortalama günde 4-7 kayıt).
• Sistem, şubeler arası görevlendirmeleri örüntüden tanıyıp "yanlış lokasyon" uyarısı üretmeyi bıraktı; yalnızca gerçekten açıklanamayan durumlar kaldı.
• Ay sonu kapanışı 6 günden 1,5 güne indi; bordroya yansıyan hata sayısı üç ayda yüzde 80'in üzerinde azaldı.

Bu noktada teknolojinin olgunlaştığını da belirtmek gerekiyor: AirX'in puantaj modülü gibi PDKS verisini otomatik denetimden geçirip bordroya hazır hale getiren yerli çözümler, benzer akışları kurum içi yazılım geliştirmeden uygulamayı mümkün kılıyor.

İsabet Oranı ve Yanlış Pozitifler

Gerçekçi olalım: Hiçbir denetim modeli kusursuz değildir. Pratikte iki metrik izlenir:

• Yakalama oranı: Gerçek hataların ne kadarı işaretlendi? Olgun sistemlerde bu oran tipik olarak yüzde 90'ın üzerindedir.
• Yanlış pozitif oranı: İşaretlenen kayıtların ne kadarı aslında doğruydu? İlk haftalarda yüzde 30-40'a çıkabilir; geri bildirimle birkaç ayda yüzde 10'un altına iner.

Yanlış pozitifler tamamen yok edilemez, çünkü insan davranışı değişkendir. Önemli olan, uyarı hacminin ekibin işleyebileceği seviyede tutulması ve her uyarının tek tıkla "doğru kayıt" olarak geri bildirilebilmesidir.

Uygulamaya Geçerken Kontrol Listesi

1. Veri disiplinini ölçün. Açık gün oranınız yüzde 5'in üzerindeyse önce terminal kullanım alışkanlığını düzeltin.
2. Vardiya planlarını sisteme bağlayın. Plan verisi olmadan vardiya çelişkisi denetimi çalışamaz.
3. Geri bildirim döngüsü kurun. Uyarıları kapatan kişinin "doğru/yanlış" işaretlemesi modelin öğrenme yakıtıdır.
4. Bordro öncesi son kontrolü koruyun. Otomasyon güveni artsa da ilk 3-4 ay manuel örneklem kontrolü yapın.
5. KVKK uyumunu belgeleyin. Hangi verinin hangi amaçla analiz edildiğini aydınlatma metnine ekleyin.

Yapay zeka ile puantaj analizi, İK ekibini veri hamallığından kurtaran ve bordro doğruluğunu yapısal olarak iyileştiren, bugün erişilebilir durumda olan bir teknolojidir. Bir sonraki adım olarak, aynı verinin geleceğe dönük nasıl kullanılabileceğini fazla mesai tahminleme yazımızda inceleyebilirsiniz.