Dİjİtal İnsan

ATS, Analitik, Yapay Zekâ ve Genişletilmiş Gerçeklik Uygulamaları

Özet

Bu çalışma, otel işletmelerinde işe alım ve oryantasyon süreçlerinde dijital insan kaynakları araçlarının kullanılabilirliğini genişletilmiş bir literatür incelemesiyle ele almaktadır. Çalışmada ATS (Applicant Tracking System–Aday Takip Sistemi) ve İK analitiği ana eksen olarak belirlenmiş; yapay zekâ, makine öğrenmesi, sohbet robotları, video mülakat, oyunlaştırma, öğrenme yönetim sistemleri, robotik süreç otomasyonu, blokzincir tabanlı kimlik/doğrulama, metaverse, VR, AR ve XR uygulamaları tamamlayıcı araçlar olarak değerlendirilmiştir. En az 50 bilimsel makaleden yararlanılarak yapılan değerlendirme, otel işletmelerinde dijital İK araçlarının başvuru hacmini yönetme, aday deneyimini standartlaştırma, işe alım kalitesini izleme, oryantasyonu kişiselleştirme ve erken işten ayrılma riskini azaltma potansiyeli taşıdığını göstermektedir. Bununla birlikte algoritmik önyargı, veri mahremiyeti, açıklanabilirlik, çalışan gözetimi, teknoloji kabulü ve dijital eşitsizlik gibi riskler, bu araçların insan odaklı ve etik bir yönetişim modeliyle uygulanmasını zorunlu kılmaktadır. Çalışma, otel işletmeleri için aşamalı dijitalleşme, pilot uygulama, veri yönetişimi, İK analitik okuryazarlığı ve sürekli ölçme-değerlendirme temelli öneriler sunmaktadır.

Anahtar Kelimeler: Dijital İnsan Kaynakları, Aday Takip Sistemi, İK Analitiği, Otel İşletmeleri, Yapay Zekâ, Genişletilmiş Gerçeklik

Abstract

This study examines the usability of digital human resource tools in hotel recruitment and onboarding processes through an extended literature review. ATS (Applicant Tracking System) and HR analytics are positioned as the main axes, while artificial intelligence, machine learning, chatbots, video interviewing, gamification, learning management systems, robotic process automation, blockchain-based identity verification, metaverse, VR, AR, and XR applications are discussed as complementary tools. Drawing on at least 50 scientific articles, the review indicates that digital HR tools can help hotel businesses manage applicant volume, standardize candidate experience, monitor quality-of-hire, personalize onboarding, and reduce early turnover risk. However, risks such as algorithmic bias, data privacy, explainability, employee surveillance, technology acceptance, and digital inequality require a human-centered and ethical governance model. The study offers recommendations for hotel businesses based on phased digitalization, pilot implementation, data governance, HR analytics literacy, and continuous measurement and evaluation.

Keywords: Digital Human Resources, Applicant Tracking System, HR Analytics, Hotel Businesses, Artificial Intelligence, Extended Reality

1. Giriş

Otel işletmelerinde hizmet kalitesi, büyük ölçüde çalışanların doğru seçilmesi, görev gereklerine hazırlanması ve örgüte hızlı uyum sağlamasıyla ilişkilidir. Ön büro, kat hizmetleri, yiyecek-içecek, mutfak, satış-pazarlama, rezervasyon, teknik servis ve misafir ilişkileri gibi departmanlarda çalışan davranışı, misafir deneyiminin doğrudan parçasıdır. Bu nedenle işe alım ve oryantasyon, yalnızca idari bir İK faaliyeti değil, otel işletmesinin rekabet gücünü etkileyen stratejik bir süreçtir. Turizm ve konaklama sektöründe dijitalleşme uzun süredir dağıtım kanalları, çevrim içi rezervasyon sistemleri, müşteri ilişkileri ve gelir yönetimi üzerinden tartışılmaktadır (Buhalis & Law, 2008; Law, Leung, & Buhalis, 2009; Gretzel, Sigala, Xiang, & Koo, 2015). Bununla birlikte aynı dönüşüm insan kaynakları yönetimine de taşınmıştır. e-İK uygulamaları, dijital işe alım, yapay zekâ destekli aday değerlendirme, İK analitiği, sanal eğitim ortamları ve genişletilmiş gerçeklik uygulamaları bu dönüşümün temel bileşenleri hâline gelmiştir (Bondarouk & Ruël, 2009; Marler & Fisher, 2013; Stone, Deadrick, Lukaszewski, & Johnson, 2015). Bu çalışmanın amacı, otel işletmelerinde işe alım ve oryantasyon süreçlerinde dijital araçların kullanılabilirliğini ATS ve analitik alt başlıkları merkezinde ele alınıp tartışmaktır. Çalışma, yalnızca ATS ve analitikle sınırlı kalmamakta; yapay zekâ, sohbet robotları, video mülakat, oyunlaştırma, LMS, mobil oryantasyon, RPA, blokzincir, metaverse, VR, AR ve XR gibi araçları da farklı örneklerle değerlendirmektedir. Böylece dijital İK araçları, tekil yazılım çözümleri yerine bütünleşik bir işe alım ve oryantasyon ekosistemi olarak ele alınmaktadır.

2. Kavramsal Çerçeve

Bu bölümde makalenin dayandığı temel kavramlar açık biçimde tanımlanmakta ve her kavram otel işletmelerinde işe alım ile oryantasyon süreçleri bağlamında açıklanmaktadır. Böylece izleyen bölümde ele alınacak dijital araçların hangi kuramsal zeminde değerlendirildiği netleştirilmektedir.

2.1 Dijital İnsan Kaynakları

Dijital insan kaynakları, insan kaynakları süreçlerinin dijital teknolojiler aracılığıyla yeniden tasarlanmasıdır. Bu kavram, yalnızca belge ve formların elektronik ortama taşınmasını değil; işe alım, seçme, oryantasyon, eğitim, performans izleme ve çalışan deneyimi süreçlerinin veri temelli ve bütünleşik biçimde yönetilmesini ifade eder (Strohmeier, 2007; Bondarouk & Brewster, 2016; Tursunbayeva, Di Lauro, & Pagliari, 2018). Bu makalenin bağlamında dijital İK, otel işletmelerinin yoğun başvuru hacmini yönetmesini, adaylarla hızlı iletişim kurmasını, yeni çalışanların işe uyumunu izlemesini ve İK kararlarını ölçülebilir göstergelere dayandırmasını sağlayan stratejik bir dönüşüm alanıdır.

2.2 İşe Alım

İşe alım, örgütün ihtiyaç duyduğu niteliklere sahip adayları belirleme, çekme, değerlendirme ve işe başlatma sürecidir. Barber (1998) ve Breaugh (2008), işe alımın aday ile örgüt arasındaki ilk temas noktası olduğunu vurgulamaktadır. Otel işletmeleri açısından işe alım; yalnızca boş pozisyonu doldurma faaliyeti değil, misafirle doğrudan temas kuracak çalışanların hizmet kültürüne, vardiya düzenine, iletişim becerilerine ve operasyonel gerekliliklere uygunluğunu belirleme sürecidir. Bu nedenle makalede işe alım kavramı, ATS, yapay zekâ, video mülakat, chatbot ve analitik araçlarıyla desteklenebilen çok aşamalı bir karar süreci olarak ele alınmaktadır.

2.3 Oryantasyon

Oryantasyon, yeni çalışanın örgüte, işine, ekibine, hizmet standartlarına ve güvenlik prosedürlerine uyum sağlamasını amaçlayan planlı öğrenme sürecidir. Bauer (2010), etkili oryantasyonun çalışan bağlılığı ve erken dönem performans için kritik olduğunu belirtirken; Saks ve Gruman (2012), oryantasyonun rol netliği ve sosyal uyum sağladığını ifade etmektedir. Bu makalenin konusu bakımından oryantasyon, otel çalışanının marka standartlarını, misafirle iletişim biçimini, hijyen ve güvenlik kurallarını, departman içi görev akışını ve hizmet hatalarını azaltmaya yönelik pratikleri öğrenmesini sağlayan stratejik bir süreçtir. VR simülasyonları, AR destekli kontrol listeleri, mobil görev akışları ve LMS modülleri bu süreci zenginleştiren dijital araçlardır.

2.4 Aday Takip Sistemi (ATS)

Aday Takip Sistemi (ATS), aday başvurularının toplanması, sınıflandırılması, filtrelenmesi, mülakat aşamalarının izlenmesi ve aday iletişiminin yönetilmesi için kullanılan dijital işe alım platformudur. Makalenin bağlamında ATS, otel işletmelerinin sezonluk ve yüksek hacimli işe alımlarında aday havuzunu düzenleyen temel altyapıdır. ATS sayesinde adayın başvuru kaynağı, pozisyona uygunluğu, belge durumu, mülakat tarihi, teklif süreci ve işe başlama aşaması sistematik olarak izlenebilir. Bu yönüyle ATS, işe alım sürecini hızlandıran bir yazılım olmanın yanında, aday deneyimini standartlaştıran ve analitik için veri üreten bir İK aracıdır.

2.5 İK Analitiği

İK analitiği, insan kaynakları verilerinden karar destek değeri üretme sürecidir. Davenport, Harris ve Shapiro (2010), yetenek analitiğini çalışanlara ilişkin verinin rekabet avantajına dönüştürülmesi olarak tanımlarken; Marler ve Boudreau (2017), analitiğin açıklama, tahmin etme ve iyileştirme kapasitesine dikkat çekmektedir. Bu makalede İK analitiği, otel işletmelerinde başvuru kaynağı kalitesi, işe alım süresi, teklif kabul oranı, oryantasyon tamamlama oranı, ilk 90 gün performansı ve erken işten ayrılma riski gibi göstergelerin izlenmesi anlamında kullanılmaktadır. Bu kavram, İK kararlarının yalnızca sezgiye değil, ölçülebilir kanıtlara dayanmasını sağlar.

2.6 Yapay Zekâ ve Otomasyon

Yapay zekâ, insan benzeri sınıflandırma, tahmin, öneri üretme ve örüntü tanıma görevlerini gerçekleştiren algoritmik sistemleri ifade eder. Otomasyon ise tekrarlayan süreçlerin insan müdahalesi azaltılarak dijital sistemler tarafından yürütülmesidir. Otel İK’sı bağlamında yapay zekâ; özgeçmiş tarama, beceri eşleştirme, aday önceliklendirme, chatbot yanıtları ve kişiselleştirilmiş eğitim önerilerinde kullanılabilir. Otomasyon ise belge kontrolü, hatırlatma mesajları, eğitim raporları ve işe giriş kontrol listelerinde kullanılabilir. Ancak bu kavramlar, makalede insan kararının yerine geçen kapalı sistemler olarak değil, İK uzmanının karar kalitesini destekleyen araçlar olarak açıklanmaktadır (Tambe, Cappelli, & Yakubovich, 2019; Raghavan, Barocas, Kleinberg, & Levy, 2020).

2.7 Metaverse, VR, AR ve XR

Metaverse, kullanıcıların dijital kimliklerle etkileşim kurabildiği kalıcı ve üç boyutlu sanal ortamları ifade eder. VR (sanal gerçeklik), kullanıcının tamamen dijital bir ortamda deneyim yaşamasını sağlar. AR (artırılmış gerçeklik), gerçek fiziksel ortam üzerine dijital bilgi katmanları ekler. XR (genişletilmiş gerçeklik) ise VR, AR ve karma gerçeklik uygulamalarını kapsayan şemsiye kavramdır. Bu makalede bu kavramlar, otel işletmelerinde gerçekçi iş ön izleme, sanal tesis turu, resepsiyon simülasyonu, oda hazırlama eğitimi, hijyen prosedürü ve misafir şikâyeti rol canlandırması gibi işe alım ve oryantasyon uygulamalarıyla ilişkilendirilmektedir (Guttentag, 2010; Radianti, Majchrzak, Fromm, & Wohlgenannt, 2020; Wei, 2019).

2.8 Aday Deneyimi, Algoritmik Adalet ve Veri Mahremiyeti

Aday deneyimi, başvuru sahibinin ilanı görmesinden işe alım kararını öğrenmesine kadar süreç boyunca edindiği algı ve duyguları ifade eder. Algoritmik adalet, dijital değerlendirme sistemlerinin adaylara karşı ayrımcı veya önyargılı sonuçlar üretmemesidir. Veri mahremiyeti ise aday ve çalışan verilerinin açık amaç, sınırlı erişim, güvenli saklama ve rıza ilkelerine uygun biçimde işlenmesidir. Gilliland (1993), Ryan ve Ployhart (2000) ile McCarthy ve diğerleri (2017), seçme süreçlerinde adalet algısının aday tepkileri açısından belirleyici olduğunu göstermektedir. Bu nedenle makalede dijital araçların başarısı yalnızca hız ve maliyet avantajıyla değil; şeffaflık, açıklanabilirlik, itiraz hakkı ve insan gözetimi ilkeleriyle birlikte değerlendirilmektedir. Bu kavramlar birlikte değerlendirildiğinde, otel işletmelerinde dijital İK araçlarının teknik bir yazılım yatırımı olmanın ötesinde; aday deneyimi, çalışan uyumu, hizmet kalitesi, etik yönetişim ve stratejik karar verme süreçlerini etkileyen bütüncül bir dönüşüm alanı olduğu görülmektedir. Bu kuramsal zemin üzerinden bir sonraki bölümde işe alım ve oryantasyon süreçlerinde kullanılabilecek dijital araçlar ayrıntılı biçimde ele alınmaktadır.

3. İK’da Dijital Araçlar

Bu bölümde kavramsal çerçevede tanımlanan dijital İK yaklaşımının otel işletmelerinde hangi araçlarla uygulanabileceği açıklanmaktadır. Alt başlıklar, işe alım ve oryantasyon süreçlerinde en sık kullanılan ya da kullanılabilirliği artan araçları örnekleriyle birlikte sunmaktadır.

3.1 ATS

ATS, aday başvurularının toplanması, sınıflandırılması, filtrelenmesi, iletişim süreçlerinin yürütülmesi ve işe alım aşamalarının izlenmesi için kullanılan dijital sistemlerdir. Otel işletmelerinde ATS kullanımı özellikle yüksek başvuru hacmi, sezonluk işe alım, çoklu lokasyon yönetimi ve hızlı pozisyon kapatma ihtiyacı nedeniyle önemlidir. Bir zincir otelde aynı anda resepsiyonist, kat görevlisi, komi, garson, aşçı yardımcısı, spa terapisti ve satış temsilcisi pozisyonları için yüzlerce başvuru alınabilir. ATS bu yoğunluğu tek merkezden yönetilebilir hâle getirir.

ATS’nin temel katkısı süreç standardizasyonudur. Adayların hangi kaynaktan geldiği, hangi aşamada elendiği, mülakata kimin çağrıldığı, belgelerin tamamlanıp tamamlanmadığı ve teklif kabul oranları sistematik olarak izlenebilir. Bu yapı, hem hız hem de denetlenebilirlik sağlar. Breaugh (2013), işe alım araştırmalarının aday kaynağı, mesaj içeriği ve seçim aşamalarının ölçülmesi gerektiğini belirtir; ATS bu ölçümü mümkün kılan veri altyapısını üretir.

Otel işletmeleri için ATS yalnızca başvuru deposu değil, aday deneyimi yönetim aracıdır. Otomatik bilgilendirme e-postaları, SMS hatırlatmaları, çevrim içi mülakat planlama, aday portalı, belge yükleme ekranı ve işe giriş kontrol listeleri adayın süreci daha şeffaf izlemesini sağlar. Aday deneyiminin olumlu olması, işveren markasına katkı sunar. Ployhart (2006), aday çekme ve seçme süreçlerinde algılanan adaletin önemini vurgulamaktadır.

ATS’nin yapay zekâ ile bütünleşmesi, beceri temelli eşleştirme ve ön eleme açısından yeni olanaklar doğurur. Örneğin sistem, adayın yabancı dil düzeyi, önceki otel markaları, PMS kullanma deneyimi, vardiya uygunluğu ve sertifikalarını iş gerekleriyle eşleştirebilir. Ancak algoritmik ön eleme, geçmiş verilerdeki ayrımcı kalıpları yeniden üretebilir. Bu nedenle sistemde kullanılan ölçütler açık olmalı, pozisyon gerekleriyle ilişkilendirilmeli ve düzenli olarak denetlenmelidir (Tambe, Cappelli, & Yakubovich, 2019; Raghavan et al., 2020).

ATS kullanımında farklı dijital örnekler şu şekilde geliştirilebilir: sosyal medya ilanlarından gelen adayların otomatik etiketlenmesi, kariyer fuarı QR kod başvurularının sisteme aktarılması, stajyer adaylar için ayrı yetenek havuzu oluşturulması, adaylara chatbot ile sık sorulan soruların yanıtlanması, dijital teklif mektubu gönderimi ve işe giriş belgelerinin e-imza ile tamamlanması. Bu örnekler, otel işletmesinin işe alımı hem hızlandırmasına hem de adayla sürekli temas kurmasına yardımcı olur. ATS, oryantasyona geçişte de kritik rol oynar. İşe kabul edilen adayın bilgileri, öğrenme yönetim sistemine, bordro sistemine, vardiya planlama aracına ve dijital oryantasyon modüllerine aktarılabilir. Böylece işe alım ile oryantasyon arasında veri kopukluğu oluşmaz. Bu geçiş, ATS’nin analitikle birlikte ele alınmasını gerektirir.

3.2 Analitik

İK analitiği, insan kaynakları verilerinden karar destek değeri üretme sürecidir. Davenport, Harris ve Shapiro (2010), yetenek analitiğini çalışanlara ilişkin verinin rekabet avantajına dönüştürülmesi olarak tanımlar. Marler ve Boudreau (2017), İK analitiğinin yalnızca raporlama değil, insan sermayesi kararlarını açıklama, tahmin etme ve iyileştirme kapasitesi olduğunu vurgular. Otel işletmelerinde analitik, işe alım hunisinin her aşamasını görünür kılar. Başvuru sayısı, uygun aday oranı, mülakata katılım oranı, teklif kabul oranı, işe başlama süresi, işe alım maliyeti, ilk 30/60/90 gün performansı ve erken ayrılma oranı ölçülebilir. Bu göstergeler, hangi aday kaynaklarının daha nitelikli çalışan sağladığını gösterir. Örneğin turizm meslek yüksekokulları daha düşük başvuru hacmi üretse bile daha yüksek kalıcılık sağlayabilir; sosyal medya ilanları yüksek hacim sağlasa da uygunluk oranı düşük olabilir.

Analitik, oryantasyonun etkinliğini de ölçebilir. Yeni çalışanların dijital eğitim modüllerini tamamlama süresi, sınav puanları, VR simülasyonlarındaki hata türleri, AR kontrol listesi uyumu, yönetici geribildirimi ve misafir şikâyetleri birlikte değerlendirilebilir. Böylece oryantasyon, standart sunum dosyasından çıkarak ölçülebilir ve kişiselleştirilebilir bir öğrenme sürecine dönüşür. Prediktif analitik, erken işten ayrılma riskinin tahmininde kullanılabilir. Vardiya uyumsuzluğu, işe ulaşım süresi, eğitim modülü eksikleri, düşük yönetici etkileşimi ve önceki deneyim uyumsuzluğu gibi göstergeler erken uyarı sinyalleri olabilir. Ancak bu tür modeller çalışanları etiketlemek için değil, destek mekanizması kurmak için kullanılmalıdır. Levenson (2018), İK analitiğinin değer yaratabilmesi için işletme problemleriyle ilişkilendirilmesi gerektiğini belirtmektedir.

Analitik araçlara ilişkin otel örnekleri şunlardır: işe alım kaynak panosu, aday deneyimi memnuniyet anketi, pozisyon bazlı işe alım süresi haritası, departman bazlı oryantasyon tamamlama paneli, erken ayrılma risk göstergesi, hizmet standardı eğitim skor kartı, sezonluk istihdam talep tahmini ve çeşitlilik göstergeleri. Bu araçlar, İK departmanının operasyon yöneticileriyle ortak karar almasını kolaylaştırır.

3.3 Yapay Zekâ, Chatbot ve Video Mülakat

Yapay zekâ destekli İK araçları, aday eşleştirme, özgeçmiş sınıflandırma, mülakat sorusu önerme, aday iletişimi, duygu analizi ve tahmine dayalı karar desteği gibi alanlarda kullanılmaktadır (Tambe et al., 2019; van Esch, Black, & Ferolie, 2019; Black & van Esch, 2020). Otel işletmelerinde yapay zekâ, özellikle başvuru hacminin yoğun olduğu dönemlerde önceliklendirme ve iletişim hızını artırabilir. Chatbotlar, adayların çalışma saatleri, lojman, servis, ücret aralığı, üniforma, staj olanakları ve başvuru aşamalarıyla ilgili sorularını 7/24 yanıtlayabilir. Bu uygulama, İK uzmanlarının tekrarlayan sorulara harcadığı zamanı azaltırken aday deneyimini iyileştirebilir. Bununla birlikte chatbotun yanlış bilgi vermemesi, adayın gerektiğinde insan temsilciye yönlendirilmesi ve kişisel verilerin korunması önemlidir.

Yapay zekâ ve otomatik değerlendirme araçlarında aday tepkileri ayrı bir araştırma alanı hâline gelmiştir. Langer, König ve Fitili (2018), dijital mülakat ve otomatik değerlendirmelerde açıklama yapılmasının aday algılarını etkileyebileceğini belirtir. McCarthy ve diğerleri (2017), teknoloji destekli seçme uygulamalarının geçerlik kadar aday deneyimi ve örgüt imajı açısından da değerlendirilmesi gerektiğini savunur. Jeske ve Shultz (2016) ise sosyal medya taramasının işe alımda bilgi sağlayabileceğini, ancak mahremiyet ve bağlamdan koparma riskleri taşıdığını vurgular. Bu nedenle otel işletmeleri, yapay zekâ ve sosyal medya verilerini adayın açık rızası, iş gerekliliği ve şeffaf değerlendirme ilkeleriyle sınırlamalıdır. Video mülakat araçları, farklı şehirlerden veya ülkelerden adayların değerlendirilmesini kolaylaştırır. Otel zincirleri, yabancı dil gerektiren pozisyonlarda adayın iletişim becerisini önceden gözlemleyebilir. Ancak otomatik yüz ifadesi, ses tonu veya duygu analizi gibi uygulamalar bilimsel geçerlik ve etik açıdan tartışmalıdır. Bu nedenle video mülakat, adayın davranışsal örneklerini yapılandırılmış sorularla değerlendirmek için kullanılmalı; kapalı kutu algoritmalarla tek başına eleme yapılmamalıdır.

3.4 Metaverse, VR, AR ve XR

Metaverse ve genişletilmiş gerçeklik uygulamaları, otel işletmelerinde aday deneyimi ve oryantasyon açısından güçlü örnekler sunar. VR ile adaylara sanal otel turu yaptırılabilir; resepsiyonda yoğun giriş işlemi, restoranda servis akışı, kat hizmetlerinde oda hazırlama ve kriz anında misafir şikâyeti yönetimi gibi senaryolar deneyimletilebilir. Bu uygulama gerçekçi iş ön izleme işlevi görür ve adayın rol beklentisini netleştirir. AR uygulamaları, yeni çalışanın gerçek fiziksel ortamda dijital yönlendirme almasını sağlayabilir. Örneğin kat görevlisi, tablet veya akıllı gözlük üzerinden oda hazırlama kontrol listesini görebilir; mutfak çalışanı hijyen prosedürlerini adım adım izleyebilir; teknik servis çalışanı ekipmanın bakım yönergelerine erişebilir. XR, bu uygulamaları karma eğitim senaryolarında birleştirir. Turizm ve konaklama bağlamında VR/AR uygulamalarının kabulü, deneyimin inandırıcılığı ve kullanıcıya sağladığı fayda ile ilişkilidir. Tom Dieck ve Jung (2018), artırılmış gerçeklik uygulamalarında teknoloji kabulünün algılanan değer ve kullanım kolaylığıyla bağlantılı olduğunu göstermiştir. Yung ve Khoo-Lattimore (2019), turizmde VR araştırmalarının deneyim tasarımı, pazarlama ve eğitim alanlarında yoğunlaştığını belirtir. Flavián, Ibáñez-Sánchez ve Orús (2019) ise VR, AR ve karma gerçeklik arasındaki farkların deneyim tasarımında açık biçimde ayrıştırılması gerektiğini savunur.

Bu bulgular, otel oryantasyonunda XR araçlarının yalnızca görsel çekicilik için değil, rol öğrenme ve davranış pratiği için tasarlanması gerektiğini göstermektedir. VR/AR literatürü, deneyimsel öğrenmenin motivasyon ve bilgi kalıcılığı açısından yararlı olabileceğini göstermektedir (Radianti, Majchrzak, Fromm, & Wohlgenannt, 2020; Merchant, Goetz, Cifuentes, Keeney-Kennicutt, & Davis, 2014; Jensen & Konradsen, 2018). Turizm ve konaklama alanında VR, destinasyon deneyimi, eğitim, pazarlama ve hizmet tasarımı bağlamında ele alınmaktadır (Guttentag, 2010; Tussyadiah, Wang, Jung, & tom Dieck, 2018; Wei, 2019). Otel İK’sı açısından bu teknolojilerin değeri, işe alım ve oryantasyon verileriyle bütünleştiğinde artar.

3.5 Oyunlaştırma, LMS, Mobil Oryantasyon ve RPA

Oyunlaştırma, puan, rozet, seviye, görev tamamlama ve geribildirim gibi oyun unsurlarının öğrenme süreçlerine aktarılmasıdır. Deterding, Dixon, Khaled ve Nacke (2011) oyunlaştırmayı oyun dışı bağlamlarda oyun tasarım ögelerinin kullanımı olarak tanımlar. Otel oryantasyonunda oyunlaştırma; marka tarihi, hizmet standartları, yangın güvenliği, hijyen, veri koruma ve misafir şikâyeti yönetimi modüllerinde kullanılabilir.

LMS, dijital eğitim içeriklerinin sunulması, izlenmesi ve raporlanmasını sağlar. Mobil oryantasyon uygulamaları ise yeni çalışanın ilk gün kontrol listesi, departman tanıtımı, ekip üyeleri, vardiya bilgisi ve mikro öğrenme içeriklerine telefon üzerinden erişmesine imkân verir. Bu uygulamalar özellikle sezonluk çalışanların kısa sürede işe hazırlanmasını kolaylaştırır. RPA, tekrarlayan idari işlemleri otomatikleştirmek için kullanılabilir. Otel İK’sında kimlik belgesi kontrolü, sertifika takibi, işe giriş formu hatırlatmaları, vardiya uygunluk formu aktarımı ve eğitim tamamlama raporu üretimi RPA ile hızlandırılabilir. Blokzincir tabanlı doğrulama ise adayın sertifika, diploma, yabancı dil belgesi veya çalışma geçmişinin güvenilir biçimde doğrulanması için gelecekte daha fazla kullanılabilir (Tapscott & Tapscott, 2017; Casino, Dasaklis, & Patsakis, 2019).

4. Tartışma

Bu çalışmada değerlendirilen literatür, dijital İK araçlarının otel işletmelerinde dört temel katkı sağlayabileceğini göstermektedir: hız, standartlaşma, ölçülebilirlik ve deneyimsel öğrenme. ATS sistemleri işe alım sürecinin operasyonel omurgasını kurarken, analitik bu süreçten doğan veriyi stratejik içgörüye dönüştürür. Yapay zekâ ve otomasyon hız kazandırır; VR/AR/XR ise aday ve çalışan deneyimini daha gerçekçi hâle getirir.

Bununla birlikte literatür, dijitalleşmenin otomatik olarak daha iyi karar anlamına gelmediğini göstermektedir. Yapay zekâ destekli İK uygulamalarında veri kalitesi, ölçüt geçerliği, algoritmik önyargı ve hesap verebilirlik temel sorunlardır (Tambe et al., 2019; Raghavan et al., 2020; Bogen & Rieke, 2018). Otel işletmelerinde bu sorunlar daha hassastır; çünkü sektör genç, sezonluk, göçmen, stajyer ve farklı eğitim düzeylerinden gelen çalışanları yoğun biçimde istihdam etmektedir. Dolayısıyla dijital araçlar fırsat eşitliğini zedelemeyecek biçimde tasarlanmalıdır.

İK analitiği açısından en önemli risklerden biri, ölçülebilir olanın önemli olanla karıştırılmasıdır. Örneğin yalnızca işe alım süresini kısaltmaya odaklanan bir sistem, aday kalitesini ve çalışan uyumunu ihmal edebilir. Benzer biçimde yalnızca eğitim tamamlama oranını ölçen bir LMS, öğrenmenin gerçek iş davranışına dönüşüp dönüşmediğini göstermeyebilir. Bu nedenle ölçüm setleri hem nicel hem nitel göstergeler içermelidir. VR/AR/XR uygulamalarında ise teknoloji etkileyiciliği ile öğrenme etkisi birbirinden ayrılmalıdır.

Bir VR otel turu adayda olumlu izlenim yaratabilir; ancak gerçek iş ön izlemesi sağlamıyorsa yanlış beklenti de üretebilir. AR destekli oda hazırlama uygulaması çalışanı yönlendirebilir; ancak sistem kullanımı karmaşıksa işi yavaşlatabilir. Bu nedenle bu araçların küçük pilotlarla test edilmesi, kullanıcı geribildirimiyle geliştirilmesi ve performans göstergeleriyle ilişkilendirilmesi gerekir.

Genel olarak dijital İK araçlarının başarılı olabilmesi için otel işletmelerinde insan odaklı dijital dönüşüm yaklaşımı benimsenmelidir. Bu yaklaşımda teknoloji, İK uzmanının mesleki yargısını ortadan kaldırmaz; daha tutarlı, hızlı ve kanıta dayalı karar vermesini destekler. Aday ve çalışanlar ise yalnızca veri kaynağı olarak değil, dijital deneyimin aktif paydaşları olarak görülmelidir.

5. Sonuç ve Öneriler

Bu makale, otel işletmelerinde işe alım ve oryantasyon süreçlerinde dijital araçların kullanılabilirliğini en az 50 bilimsel makaleden yararlanarak hazırlanmıştır. Sonuç olarak ATS ve analitik, dijital İK ekosisteminin temel iki bileşeni olarak öne çıkmaktadır. ATS aday akışını ve işe alım iş akışlarını yönetirken; analitik bu süreçlerin etkililiğini ölçerek stratejik karar desteği sağlar. Yapay zekâ, chatbot, video mülakat, oyunlaştırma, LMS, mobil uygulama, RPA, blokzincir, metaverse, VR, AR ve XR ise bu temel yapıyı tamamlayan araçlardır. Otel işletmeleri için öneriler şu şekilde sıralanabilir. İlk olarak dijitalleşme aşamalı yürütülmeli; önce ATS ve temel raporlama, ardından analitik panolar, daha sonra yapay zekâ ve XR uygulamaları devreye alınmalıdır. İkinci olarak her dijital araç için açık amaç, başarı göstergesi ve etik sınır tanımlanmalıdır. Üçüncü olarak aday ve çalışan verileri için veri minimizasyonu, açık rıza, erişim yetkisi, anonimleştirme ve saklama süresi politikaları oluşturulmalıdır. Dördüncü olarak algoritmik kararlar insan gözetimine açık tutulmalı ve adaylara itiraz/geri bildirim kanalı sağlanmalıdır. Beşinci olarak İK profesyonelleri, departman yöneticileri ve eğitmenler analitik okuryazarlık ve dijital etik konularında eğitilmelidir. Altıncı olarak VR/AR/XR gibi maliyetli uygulamalar tüm işletmeye yayılmadan önce pilot departmanlarda test edilmelidir. Gelecek araştırmalarda, otel işletmelerinde ATS kullanımının aday deneyimi ve işe alım kalitesi üzerindeki etkisi nicel olarak incelenebilir. VR destekli oryantasyon ile geleneksel oryantasyon karşılaştırılabilir. Yapay zekâ destekli aday eşleştirme sistemlerinin algoritmik adalet, çeşitlilik ve çalışan kalıcılığı üzerindeki sonuçları araştırılabilir. Ayrıca metaverse tabanlı sanal kariyer fuarlarının otel işveren markası üzerindeki etkisi, turizm öğrencileri ve sektör çalışanları örnekleminde değerlendirilebilir.

Kaynakça

Angrave, D., Charlwood, A., Kirkpatrick, I., Lawrence, M., & Stuart, M. (2016). HR and Analytics: Why HR is set to fail the big data challenge. Human Resource Management Journal, 26 (1), 1–11.

Flavián, C., Ibáñez-Sánchez, S., & Orús, C. (2019). The impact of virtual, augmented and mixedreality technologies on the customer experience. Journal of Business Research, 100, 547–560.

Gilliland, S. W. (1993). The perceived fairness of selection systems: An organizational justice perspective. Academy of Management Review, 18 (4), 694–734.

Huselid, M. A. (2018). The science and practice of workforce analytics: Introduction to the HRM special issue. Human Resource Management, 57 (3), 679–684.

Jeske, D., & Shultz, K. S. (2016). Using social media content for screening in recruitment and selection: Pros and cons. Work, Employment and Society, 30 (3), 535–546.

Langer, M., König, C. J., & Fitili, A. (2018). Information as a double-edged sword: The role of computer experience and information on applicant reactions towards novel technologies for personnel selection. Computers in Human Behavior, 81, 19–30.

McCarthy, J. M., Bauer, T. N., Truxillo, D. M., Anderson, N. R., Costa, A. C., & Ahmed, S. M. (2017). Applicant perspectives during selection: A review addressing so what, what’s new, and where to next? Journal of Management, 43 (6), 1693–1725.

Minbaeva, D. (2018). Building credible human capital analytics for organizational competitive advantage. Human Resource Management, 57 (3), 701–713.

Ryan, A. M., & Ployhart, R. E. (2000). Applicants’ perceptions of selection procedures and decisions: A critical review and agenda for the future. Journal of Management, 26 (3), 565–606.

tom Dieck, M. C., & Jung, T. H. (2018). A theoretical model of mobile augmented reality acceptance in urban heritage tourism. Current Issues in Tourism, 21 (2), 154–174.

Yung, R., & Khoo-Lattimore, C. (2019). New realities: A systematic literature review on virtual reality and augmented reality in tourism research. Current Issues in Tourism, 22 (17), 2056–2081.

Barber, A. E. (1998). Recruiting employees: Individual and organizational perspectives. Foundations for Organizational Science.

Bauer, T. N. (2010). Onboarding new employees: Maximizing success. SHRM Foundation’s Effective Practice Guidelines Series.

Black, J. S., & van Esch, P. (2020). AI-enabled recruiting: What is it and how should a manager use it? Business Horizons, 63 (2), 215–226.

Bogen, M., & Rieke, A. (2018). Help wanted: An examination of hiring algorithms, equity, and bias. Upturn.

Bondarouk, T., & Brewster, C. (2016). Conceptualising the future of HRM and technology research. The International Journal of Human Resource Management, 27 (21), 2652–2671.

Bondarouk, T., & Ruël, H. (2009). Electronic human resource management: Challenges in the digital era. The International Journal of Human Resource Management, 20 (3), 505–514.

Breaugh, J. A. (2008). Employee recruitment: Current knowledge and important areas for future research. Human Resource Management Review, 18 (3), 103–118.

Breaugh, J. A. (2013). Employee recruitment. Annual Review of Psychology, 64, 389–416.

Buhalis, D., & Law, R. (2008). Progress in information technology and tourism management: 20 years on and 10 years after the Internet—The state of eTourism research. Tourism Management, 29 (4), 609–623. https://doi.org/10.1016/j.tourman.2008.01.005

Buhalis, D., & Sinarta, Y. (2019). Real-time co-creation and nowness service: Lessons from tourism and hospitality. Journal of Travel & Tourism Marketing, 36 (5), 563–582.

Casino, F., Dasaklis, T. K., & Patsakis, C. (2019). A systematic literature review of blockchain-based applications. Telematics and Informatics, 36, 55–81.

Chapman, D. S., & Webster, J. (2003). The use of technologies in the recruiting, screening, and selection processes for job candidates. International Journal of Selection and Assessment, 11 (2–3), 113–120.

Cheng, M., & Edwards, D. (2015). Social media in tourism: A visual analytic approach. Current Issues in Tourism, 18 (11), 1080–1087.

Davenport, T. H., Harris, J., & Shapiro, J. (2010). Competing on talent analytics. Harvard Business Review, 88 (10), 52–58.

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13 (3), 319–340.

Deloitte. (2017). Rewriting the rules for the digital age. Global Human Capital Trends.

Deterding, S., Dixon, D., Khaled, R., & Nacke, L. (2011). From game design elements to gamefulness: Defining gamification. Proceedings of the 15th International Academic MindTrek Conference, 9–15.

Dineen, B. R., & Soltis, S. M. (2011). Recruitment: A review of research and emerging directions. APA Handbook of Industrial and Organizational Psychology, 43–66.

Gretzel, U., Sigala, M., Xiang, Z., & Koo, C. (2015). Smart tourism: Foundations and developments. Electronic Markets, 25 (3), 179–188.

Guttentag, D. A. (2010). Virtual reality: Applications and implications for tourism. Tourism Management, 31 (5), 637–651.

Harris, M. M., Van Hoye, G., & Lievens, F. (2003). Privacy and attitudes towards Internet-based selection systems: A cross-cultural comparison. International Journal of Selection and Assessment,11 (2–3), 230–236.

Huang, M. H., & Rust, R. T. (2018). Artificial intelligence in service. Journal of Service Research, 21 (2), 155–172.

Ivanov, S., & Webster, C. (2019). Perceived appropriateness and intention to use service robots in tourism. Information and Communication Technologies in Tourism, 237–248.

Jensen, L., & Konradsen, F. (2018). A review of the use of virtual reality head-mounted displays in education and training. Education and Information Technologies, 23 (4), 1515–1529.

Kavanagh, M. J., Thite, M., & Johnson, R. D. (2015). Human resource information systems: Basics, applications, and future directions. Sage.

Law, R., Leung, R., & Buhalis, D. (2009). Information technology applications in hospitality and tourism: A review of publications. Journal of Travel & Tourism Marketing, 26 (5–6), 599–623.

Levenson, A. (2018). Using workforce analytics to improve strategy execution. Human Resource Management, 57 (3), 685–700.

Lievens, F., & Harris, M. M. (2003). Research on Internet recruiting and testing: Current status and future directions. International Review of Industrial and Organizational Psychology, 18, 131–165.

Marler, J. H., & Boudreau, J. W. (2017). An evidence-based review of HR analytics. The International Journal of Human Resource Management, 28 (1), 3–26.

Marler, J. H., & Fisher, S. L. (2013). An evidence-based review of e-HRM and strategic human resource management. Human Resource Management Review, 23 (1), 18–36.

Martin, K., & Freeman, R. E. (2003). Some problems with employee monitoring. Journal of Business Ethics, 43 (4), 353–361.

Merchant, Z., Goetz, E. T., Cifuentes, L., Keeney-Kennicutt, W., & Davis, T. J. (2014). Effectiveness of virtual reality-based instruction on students’ learning outcomes. Computers & Education, 70, 29–40.

Nikolaou, I. (2014). Social networking web sites in job search and employee recruitment. International Journal of Selection and Assessment, 22 (2), 179–189.

Parry, E., & Tyson, S. (2008). An analysis of the use and success of online recruitment methods in the UK. Human Resource Management Journal, 18 (3), 257–274.

Ployhart, R. E. (2006). Staffing in the 21st century: New challenges and strategic opportunities. Journal of Management, 32 (6), 868–897.

Raghavan, M., Barocas, S., Kleinberg, J., & Levy, K. (2020). Mitigating bias in algorithmic hiring: Evaluating claims and practices. Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, 469–481.

Radianti, J., Majchrzak, T. A., Fromm, J., & Wohlgenannt, I. (2020). A systematic review of immersive virtual reality applications for higher education. Computers & Education, 147, 103778.

Ruël, H., Bondarouk, T., & Looise, J. K. (2004). E-HRM: Innovation or irritation? An explorative empirical study. Management Revue, 15 (3), 364–380.

Saks, A. M., & Gruman, J. A. (2012). Getting newcomers engaged: The role of socialization tactics. Journal of Managerial Psychology, 27 (4), 383–402.

Stone, D. L., Deadrick, D. L., Lukaszewski, K. M., & Johnson, R. (2015). The influence of technology on the future of human resource management. Human Resource Management Review, 25 (2), 216– 231.

Strohmeier, S. (2007). Research in e-HRM: Review and implications. Human Resource Management Review, 17 (1), 19–37.

Tapscott, D., & Tapscott, A. (2017). How blockchain will change organizations. MIT Sloan Management Review, 58 (2), 10–13.

Tambe, P., Cappelli, P., & Yakubovich, V. (2019). Artificial intelligence in human resources management: Challenges and a path forward. California Management Review, 61 (4), 15–42. https://doi.org/10.1177/0008125619867910

Tursunbayeva, A., Di Lauro, S., & Pagliari, C. (2018). People analytics: A scoping review of conceptual boundaries and value propositions. International Journal of Information Management, 43,224–247.

Tussyadiah, I. P., Wang, D., Jung, T. H., & tom Dieck, M. C. (2018). Virtual reality, presence, and attitude change: Empirical evidence from tourism. Tourism Management, 66, 140–154.

van Esch, P., Black, J. S., & Ferolie, J. (2019). Marketing AI recruitment: The next phase in job application and selection. Computers in Human Behavior, 90, 215–222.

Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27 (3), 425–478.

Wei, W. (2019). Research progress on virtual reality and augmented reality in tourism and hospitality.Journal of Hospitality and Tourism Technology, 10 (4), 539–570.

Wirtz, J., Patterson, P. G., Kunz, W. H., Gruber, T., Lu, V. N., Paluch, S., & Martins, A. (2018).Brave new world: Service robots in the frontline. Journal of Service Management, 29 (5), 907–931.

Xiang, Z., Magnini, V. P., & Fesenmaier, D. R. (2015). Information technology and consumer behavior in travel and tourism. Journal of Travel Research, 54 (4), 511–527.

Yarger, L., Cobb Payton, F., & Neupane, B. (2020). Algorithmic equity in the hiring of underrepresented IT job candidates. Online Information Review, 44 (2), 383–395.

Zhao, X., Lynch, J. G., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37 (2), 197–206.