Dİjİtal İnsan

Özet

Bu çalışma, otel işletmelerinde veri odaklı işe alım yaklaşımının hangi insan kaynakları (İK) metrikleri üzerinden yönetilmesi gerektiğini kavramsal ve uygulamalı bir çerçevede incelemektedir. Otelcilik, hizmetin eş zamanlı üretildiği ve tüketildiği, emek yoğun, talep dalgalanmalarına açık ve müşteri deneyiminin çalışan davranışına doğrudan bağlı olduğu bir sektördür. Bu nedenle işe alım kararları yalnızca aday bulma ve seçme süreci değil; hizmet kalitesi, gelir yönetimi, maliyet kontrolü, çalışan bağlılığı, işveren markası ve finansal performansla ilişkili stratejik bir yönetim alanıdır. Makalede özellikle işe alım başına maliyet, pozisyon doldurma süresi, ilk 90 günlük elde tutma oranı, işe alım kalitesi, kaynak kanal verimliliği, aday deneyimi, eğitim tamamlama oranı, üretkenliğe ulaşma süresi ve İK metriklerinin otel muhasebe, finans ve cost control raporlarına entegrasyonu ele alınmaktadır. Dijital İK, KPI, metaverse, sanal gerçeklik (VR), artırılmış gerçeklik (AR), genişletilmiş gerçeklik (XR), yapay zekâ (AI), insan kaynakları analitiği ve algoritmik karar destek sistemleri, otel işe alım süreçlerinin ölçülebilir ve öngörülebilir hâle gelmesi açısından değerlendirilmektedir. Bulgular, mevcut literatürde teknoloji destekli turizm ve otelcilik çalışmalarının artmasına rağmen, İK metriklerinin finansal raporlama, departman bazlı iş gücü maliyeti ve hizmet aksaklığı maliyetleriyle bütünleşik ele alınmasında önemli boşluklar bulunduğunu göstermektedir. Çalışma, otel yöneticilerine ölçülebilir, etik, finansal olarak izlenebilir ve çalışan deneyimini güçlendiren bir işe alım gösterge seti önermektedir.

Anahtar Kelimeler: Otel Yönetimi; İK Metrikleri; Dijital İK; Yapay Zekâ; Metaverse; Cost Control

Abstract

Data-Driven Recruitment: Which HR Metrics Should Be Monitored in Hotel Management?

This study examines the human resource (HR) metrics that should guide data-driven recruitment in hotel enterprises from a conceptual and managerial perspective. Hospitality is a labor-intensive sector in which service is produced and consumed simultaneously, demand fluctuates seasonally, and guest experience depends directly on employee behavior. Recruitment decisions therefore represent not only an operational hiring activity but also a strategic management domain connected with service quality, revenue management, cost control, employee engagement, employer branding, and financial performance. The article focuses on cost-perhire, time-to-hire, first 90-day retention, quality of hire, source-channel efficiency, candidate experience, training completion, time-to-productivity, and the integration of HR metrics into hotel accounting, finance, and cost-control reporting. Digital HR, key performance indicators (KPIs), the metaverse, virtual reality (VR), augmented reality (AR), extended reality (XR), artificial intelligence (AI), HR analytics, and algorithmic decision-support systems are discussed as tools that can make hotel recruitment processes more measurable and predictable. The review indicates that although technology-enabled tourism and hospitality research has expanded, there are still substantial gaps in integrating HR metrics with financial reporting, departmental labor-cost analysis, and the cost of service disruption. The paper proposes a measurable, ethical, financially traceable, and employee-experience-oriented recruitment dashboard for hotel managers.

Keywords: Hotel Management; HR Metrics; Digital HR; Artificial Intelligence; Metaverse; Cost Control

1. Giriş

Otel işletmelerinde insan kaynağı, fiziksel varlıklar, marka yatırımları ve dijital rezervasyon kanalları kadar belirleyici bir rekabet unsurudur. Bir otelin oda kalitesi, lokasyonu, mimarisi veya teknolojik altyapısı güçlü olsa bile, misafir deneyiminin nihai algısı çoğu zaman resepsiyon görevlisinin karşılama biçimi, kat hizmetleri personelinin titizliği, restoran çalışanının iletişim becerisi, satış ekibinin çözüm üretme hızı ve yönetici kadronun koordinasyon kapasitesi ile şekillenir. Bu nedenle otelcilikte işe alım, yalnızca boş pozisyonun doldurulması değil; hizmet vaadinin sürdürülebilir biçimde yerine getirilmesi, gelir kaybının önlenmesi, iş gücü maliyetlerinin kontrol edilmesi ve marka itibarının korunması anlamına gelir.

Geleneksel işe alım uygulamalarında oteller çoğu zaman başvuru sayısı, adayın deneyim yılı, referans bilgisi ve görüşme izlenimi gibi sınırlı göstergelerle karar vermiştir. Ancak dijital dönüşüm, çevrimiçi başvuru sistemleri, aday takip yazılımları, sosyal medya verileri, çevrimiçi değerlendirme araçları, yapay zekâ destekli ön eleme sistemleri, VR tabanlı iş simülasyonları ve çalışan analitiği platformları işe alım kararlarını daha veri odaklı hâle getirmiştir. İnsan kaynakları analitiği literatürü, İK kararlarının sezgisel yaklaşımlardan kanıta dayalı yönetim anlayışına geçmesini vurgulamaktadır [32, 7, 2]. Bu geçiş otel işletmeleri açısından daha da önemlidir; çünkü hizmet hatasının maliyeti yalnızca personel gideriyle sınırlı değildir. Hatalı işe alım, düşük misafir memnuniyeti, olumsuz çevrimiçi yorum, personel devri, fazla mesai, eğitim maliyeti, departman içi moral kaybı ve gelir kaybı şeklinde zincirleme sonuçlar doğurabilir.

Bu çalışmanın temel amacı, otel işletmelerinde veri odaklı işe alım için izlenmesi gereken temel İK metriklerini kavramsal, teknolojik ve finansal boyutlarıyla tartışmaktır. Çalışmanın ana sorusu şudur: Otel yönetimleri, işe alım süreçlerini daha etkili, adil, maliyet kontrollü ve stratejik hâle getirmek için hangi İK metriklerini izlemeli ve bu metrikleri otel muhasebe, finans ve cost control raporlarıyla nasıl ilişkilendirmelidir? Bu soruya yanıt aranırken dijital İK, KPI yönetimi, AI, metaverse, VR, AR ve XR uygulamalarının işe alım, oryantasyon ve işbaşı eğitim süreçlerindeki kullanımı da değerlendirilmiştir.

Araştırmanın önemi üç noktada toplanabilir. Birincisi, otel işletmeleri yüksek iş gücü devri ve mevsimsel talep dalgalanmaları nedeniyle işe alım kararlarının etkisini kısa sürede görür. İkincisi, otelcilikte çalışan performansı doğrudan müşteri deneyimi ve gelir göstergeleriyle bağlantılıdır. Üçüncüsü, dijital teknolojiler işe alım süreçlerinde verimlilik sağlarken algoritmik yanlılık, kişisel verilerin korunması, aday mahremiyeti ve insan odaklı yönetim gibi etik sorunları da beraberinde getirmektedir [43, 38, 1]. Bu nedenle veri odaklı işe alım yalnızca teknik bir optimizasyon problemi değil, aynı zamanda yönetsel, etik ve finansal bir denge alanıdır.

Makale, giriş bölümünden sonra kavramsal çerçevede dijital İK, KPI, metaverse, VR, AR, XR, AI, otel muhasebesi, finans ve cost control kavramlarını ele almaktadır. Ardından modern otelcilikte iyi aday tanımının değişimi, işe alım başına maliyetin hesaplanması, pozisyon doldurma süresi, ilk 90 günlük elde tutma oranı ve İK metriklerinin finansal raporlara entegrasyonu incelenmektedir. Sonuç ve öneriler bölümünde otel yöneticileri için uygulanabilir bir gösterge seti sunulmaktadır.

2. Kavramsal Çerçeve

Bu bölümde veri odaklı işe alımın dayandığı temel kavramlar açıklanmaktadır. Otel işletmelerinde işe alım süreci, dijital İK altyapısı, KPI tasarımı, yapay zekâ destekli karar mekanizmaları, metaverse ve XR tabanlı deneyim ortamları ile muhasebe-finans raporlaması arasında çok boyutlu bir ilişki vardır. Dolayısıyla kavramsal çerçeve, insan kaynakları yönetimini yalnızca personel departmanının faaliyeti olarak değil, otelin bütünsel performans mimarisinin parçası olarak ele alır.

2.1. Dijital İK ve İnsan Kaynakları Analitiği

Dijital İK, insan kaynakları süreçlerinin bilgi sistemleri, veri tabanları, otomasyon, analitik araçlar ve dijital iletişim kanalları üzerinden yürütülmesini ifade eder. Elektronik insan kaynakları yönetimi literatürü, dijitalleşmenin İK hizmet sunumunda hız, standartlaşma ve veri erişilebilirliği sağladığını belirtmektedir [42, 6]. Ancak dijitalleşmenin asıl stratejik etkisi, verinin karar desteğine dönüştürülebilmesidir. İnsan kaynakları analitiği; çalışan, aday, eğitim, performans, devamsızlık, ücret, vardiya ve devir verilerinin istatistiksel ve yönetsel yöntemlerle yorumlanmasıdır [32, 34].

Otel işletmelerinde bu yaklaşım, örneğin hangi işe alım kanalından gelen çalışanların daha uzun süre kaldığını, hangi departmanda pozisyon doldurma süresinin misafir şikâyetlerini artırdığını veya hangi oryantasyon modülünün ilk 90 gün devrini azalttığını gösterebilir. Veri odaklı işe alım, aday seçiminde yalnızca CV ve görüşme izlenimine dayanmak yerine, geçmiş işe alım sonuçları, aday kaynağı, değerlendirme puanları, eğitim performansı, işe başladıktan sonraki performans göstergeleri ve elde tutma sonuçları arasındaki ilişkileri analiz eder. Bu yaklaşım, kanıta dayalı yönetim ilkeleriyle uyumludur [9]. Bununla birlikte İK analitiği, insanı yalnızca ölçülebilir bir maliyet unsuru olarak ele aldığında etik ve kültürel riskler yaratabilir. Otelcilikte misafirperverlik, empati, duygusal emek ve kültürlerarası iletişim gibi nitelikler kolay ölçülemeyen fakat hizmet kalitesi açısından kritik yetkinliklerdir [24, 35]. Bu nedenle veri odaklı işe alım, nicel metrikleri nitel yönetici değerlendirmesiyle birlikte kullanmalıdır.

2.2. KPI Kavramı ve Otel İşletmelerinde Gösterge Yönetimi

KPI, bir işletmenin stratejik hedeflerine ne ölçüde ulaştığını izlemek için kullanılan anahtar performans göstergesidir. Otellerde doluluk oranı, ortalama günlük oda fiyatı, oda başına gelir, misafir memnuniyeti, yiyecek-içecek maliyet yüzdesi, işçilik maliyeti oranı ve çevrimiçi değerlendirme puanı sık kullanılan göstergelerdir. Ancak İK metrikleri çoğu zaman bu finansal ve operasyonel göstergeler kadar sistematik izlenmez. Bu durum, işe alım kararlarının maliyet ve gelir etkisinin görünmez kalmasına neden olur. KPI tasarımında üç ilke önemlidir. Birincisi, gösterge stratejik amaçla bağlantılı olmalıdır. Örneğin lüks segmentteki bir otel için yalnızca hızlı işe alım değil, hizmet standardına uygun aday seçimi önemlidir. İkincisi, gösterge davranışı yanlış yönlendirmemelidir. Sadece pozisyon doldurma süresini kısaltmaya odaklanan bir İK ekibi, kaliteyi düşürerek erken devir oranını artırabilir. Üçüncüsü, KPI departmanlar arası hesap verebilirlik üretmelidir. Kat hizmetleri müdürü, insan kaynakları müdürü ve finans müdürü aynı işe alım göstergesine farklı açılardan bakabilmelidir. Bu nedenle İK KPI’ları finansal ve operasyonel göstergelerle ilişkilendirilmelidir.

2.3. Metaverse, VR, AR ve XR’nin İşe Alım ve Eğitimdeki Rolü

Metaverse, kullanıcıların dijital avatarlar, üç boyutlu ortamlar ve etkileşimli deneyimler aracılığıyla sosyal ve ekonomik faaliyetlere katıldığı sanal evrenleri ifade eder. Turizm ve otelcilik literatüründe metaverse; destinasyon pazarlaması, sanal otel turları, müşteri deneyimi, eğitim ve çalışan etkileşimi bağlamında ele alınmaktadır [21, 17, 10]. VR, kullanıcıyı tamamen sanal bir ortama taşırken; AR fiziksel çevreye dijital bilgi katmanları ekler. XR ise VR, AR ve karma gerçeklik uygulamalarını kapsayan şemsiye bir kavramdır [33, 3].

Otel işe alımında VR ve XR teknolojileri iki alanda önem kazanır. Birincisi, adaylara işin gerçekçi ön izlemesini sunmaktır. Gerçekçi iş ön izlemesi, adayın işin zorluklarını ve beklentilerini önceden görmesini sağlayarak kişi-iş uyumunu artırabilir [8]. Örneğin bir aday, VR ortamında yoğun checkin saatinde resepsiyon simülasyonuna, banket hazırlık sürecine veya housekeeping oda hazırlama senaryosuna katılabilir. İkincisi, değerlendirme süreçlerinde davranışsal verinin toplanmasıdır. Adayın stres altında problem çözme, misafir şikâyetine yanıt verme, ekip koordinasyonu ve güvenlik prosedürlerini uygulama biçimi simülasyonla gözlenebilir. Bu tür uygulamalar, geleneksel mülakatın sınırlı öngörü gücünü tamamlayabilir [40, 11]. Bununla birlikte metaverse ve XR uygulamalarının otel İK süreçlerinde yaygınlaşması için maliyet, erişilebilirlik, teknik yeterlilik, veri güvenliği ve adaylar arası fırsat eşitliği gibi konular çözülmelidir. Kaynakları sınırlı bağımsız oteller için yüksek maliyetli simülasyon sistemleri uygulanabilir olmayabilir. Bu nedenle oteller, teknoloji yatırımını işe alım başına maliyet, eğitim maliyeti, erken devir oranı ve hizmet hatası maliyetlerindeki azalma ile birlikte değerlendirmelidir.

2.4. Yapay Zekâ ve Algoritmik İşe Alım

Yapay zekâ, işe alım süreçlerinde ilan metni optimizasyonu, aday eşleştirme, CV tarama, sohbet robotları, video mülakat analizi, tahmine dayalı performans modeli ve çalışan devir riski tahmini gibi alanlarda kullanılmaktadır [43, 47, 46]. Otel işletmelerinde AI destekli sistemler, yoğun başvuru dönemlerinde ön eleme süresini azaltabilir ve aday havuzunu daha hızlı sınıflandırabilir. Özellikle zincir otellerde çok sayıda lokasyon ve yüksek hacimli pozisyonlar için standartlaşmış veri akışı sağlanabilir. Ancak algoritmik işe alım önemli etik riskler taşır. Geçmiş verilerde cinsiyet, yaş, etnik köken, mezun olunan okul, bölge veya çalışma biçimi kaynaklı yanlılık varsa, algoritma bu yanlılığı yeniden üretebilir [38, 1]. Otelcilikte adayın aksanı, dış görünümü, sosyal sınıf göstergeleri veya dijital erişim kapasitesi gibi unsurların haksız değerlendirmeye dönüşme riski vardır. Bu nedenle AI destekli işe alımda açıklanabilirlik, insan denetimi, düzenli algoritma denetimi, veri minimizasyonu ve aday itiraz hakkı gibi ilkeler uygulanmalıdır.

2.5. Otel Muhasebesi, Finans ve Cost Control ile İK Metrikleri

Otel muhasebesi, gelir merkezleri ve maliyet merkezleri üzerinden performans izlemeye dayanır. Odalar, yiyecek-içecek, spa, banket ve diğer gelir alanları farklı maliyet yapıları üretir. Cost control ise özellikle yiyecek-içecek maliyeti, stok, fire, işçilik, enerji ve operasyonel giderlerin planlanan standartlara göre izlenmesini amaçlar. İK metrikleri bu yapıya entegre edilmediğinde işe alım maliyetleri genel yönetim gideri içinde görünmezleşir.

İşe alım başına maliyet, pozisyon doldurma süresi ve erken devir oranı doğrudan finansal etki oluşturur. Boş kalan resepsiyon pozisyonu fazla mesaiye, yavaş check-in sürecine ve olumsuz yorumlara yol açabilir. Eksik housekeeping kadrosu oda satış kapasitesini sınırlayabilir. Deneyimsiz servis personeli yiyecek-içecek satış fırsatlarını kaçırabilir ve fire oranını artırabilir. Bu nedenle İK metriklerinin departman bazlı işçilik maliyeti, gelir kaybı, fazla mesai, eğitim gideri ve misafir memnuniyetiyle ilişkilendirilmesi gerekir. Böyle bir entegrasyon, İK departmanını maliyet merkezi olmaktan çıkarıp stratejik değer ortağı hâline getirir [45, 4].

Bu kavramsal çerçeve, işe alımın yalnızca aday seçimi değil; dijital teknoloji, operasyonel hizmet kalitesi ve finansal sürdürülebilirlik arasında kurulan bir yönetim sistemi olduğunu göstermektedir. Aşağıdaki başlıklar, bu sistemin otel işletmelerinde hangi metriklerle izlenebileceğini ayrıntılandırmaktadır.

3. Modern Otelcilikte “İyi Aday” Tanımının Değişimi

Geleneksel otelcilikte iyi aday çoğu zaman deneyimli, prezentabl, referansı güçlü, vardiyalı çalışmaya uygun ve temel mesleki bilgiye sahip kişi olarak tanımlanmıştır. Modern otelcilikte ise bu tanım genişlemiştir. Dijital rezervasyon sistemleri, çevrimiçi itibar yönetimi, gelir yönetimi yazılımları, mobil check-in, self-servis kiosklar, CRM sistemleri, çok kanallı misafir iletişimi ve veri temelli karar süreçleri çalışanlardan yeni yetkinlikler beklemektedir. Bu nedenle iyi aday artık yalnızca işi yapan kişi değil; veriyi okuyabilen, teknolojiyle uyumlu çalışan, misafir deneyimini bütünsel gören ve değişime hızlı uyum sağlayan kişidir.

İyi aday tanımındaki dönüşümün ilk boyutu dijital yetkinliktir. Resepsiyon çalışanının PMS kullanması, satış personelinin CRM verilerini yorumlaması, yiyecek-içecek yöneticisinin POS raporlarını değerlendirmesi, kat hizmetleri şefinin mobil görev atama sistemlerini izlemesi ve insan kaynakları ekibinin aday takip sistemlerini kullanması beklenmektedir. Bu dijital yetkinlik, teknik beceriyle sınırlı değildir; veri okuryazarlığı, siber güvenlik farkındalığı, dijital iletişim etiği ve sistemler arası ilişki kurma becerisini de içerir.

İkinci boyut, hizmet psikolojisi ve duygusal emektir. Otel çalışanları yalnızca fiziksel görevleri yerine getirmez; misafirle kurdukları etkileşimde kurumun duygusal vaadini temsil eder. Duygusal emek literatürü, hizmet çalışanlarının duygularını örgütsel beklentilere göre düzenlediğini göstermektedir [24, 19]. Bu nedenle iyi aday, stres altında nezaketini koruyabilen, şikâyetleri fırsata çevirebilen, kültürlerarası iletişim kurabilen ve ekip içi dayanışmayı sürdürebilen kişidir.

Üçüncü boyut öğrenme çevikliğidir. Otelcilikte iş akışı mevsime, misafir profiline, etkinlik takvimine, krizlere ve teknoloji değişimine göre hızla değişir. Pandemi süreci, hijyen protokolleri, temassız hizmetler ve uzaktan çalışma uygulamaları otel çalışanlarının hızlı öğrenme kapasitesini kritik hâle getirmiştir [20, 41]. AI destekli müşteri hizmetleri, robotik servis sistemleri ve dijital concierge uygulamaları yaygınlaştıkça çalışanların teknolojiyi rakip değil tamamlayıcı araç olarak kullanması gerekecektir.

Dördüncü boyut etik ve veri sorumluluğudur. Otel çalışanları kimlik bilgileri, ödeme verileri, özel talepler, sağlık bilgileri ve seyahat tercihleri gibi hassas misafir verileriyle temas eder. Bu nedenle iyi aday, yalnızca hizmet becerisine değil, gizlilik ve veri güvenliği bilincine de sahip olmalıdır. Dijital İK süreçlerinde aday verileri de benzer biçimde korunmalıdır.

Bu dönüşüm, işe alım metriklerini de değiştirmektedir. Sadece başvuru sayısı veya görüşme sonucu yerine, adayın dijital beceri puanı, simülasyon performansı, kültürel uyum göstergesi, öğrenme hızı, eğitim tamamlama oranı, ilk 90 gün performansı ve misafir geri bildirimleri izlenmelidir. Ancak iyi aday tanımının veriyle genişletilmesi, insanın tek boyutlu puana indirgenmesi anlamına gelmemelidir. Otelcilikte iyi aday, ölçülebilen yetkinliklerle ölçülmesi zor insani niteliklerin birlikte değerlendirildiği adaydır.

4. İşe Alım Başına Maliyet (Cost-per-Hire) Nasıl Doğru Hesaplanır?

İyi aday tanımının değişmesi, işe alımın maliyet yapısını da karmaşıklaştırmaktadır. Dijital ilan platformları, aday takip sistemleri, danışmanlık hizmetleri, değerlendirme testleri, VR simülasyonları ve eğitim modülleri işe alım maliyetinin yalnızca ilan giderinden ibaret olmadığını gösterir. Cost-per-hire, belirli bir dönemde işe alım için yapılan toplam iç ve dış maliyetlerin aynı dönemde işe alınan kişi sayısına bölünmesiyle hesaplanır. Basitleştirilmiş formül şöyledir:

İç maliyetler; İK personelinin zamanı, departman yöneticilerinin mülakat zamanı, referans kontrolü, idari işlem maliyeti, oryantasyon hazırlığı ve sistem kullanım giderlerini kapsar. Dış maliyetler; ilan ücretleri, kariyer portalları, danışmanlık firmaları, aday testleri, arka plan kontrolü, seyahat giderleri, işe alım fuarları, sosyal medya reklamları ve dış değerlendirme hizmetlerini içerir. Otel işletmelerinde bunlara üniforma, sağlık kontrolü, personel yemeği hazırlığı, lojman düzenlemesi, iş güvenliği eğitimleri ve işe giriş belgeleri gibi sektöre özgü maliyetler de eklenmelidir. Cost-per-hire metriğinin doğru hesaplanması için üç ayrım önemlidir. İlk olarak maliyetler pozisyon düzeyinde ayrıştırılmalıdır. Genel müdür yardımcısı, gelir yöneticisi, aşçıbaşı, resepsiyonist ve kat görevlisi için işe alım maliyeti aynı değildir. İkinci olarak maliyetler kanal bazında izlenmelidir.

Kariyer sitesi, çalışan referansı, okul iş birliği, sosyal medya, danışmanlık firması ve kurum içi terfi kaynaklarının maliyet ve sonuçları karşılaştırılmalıdır. Üçüncü olarak maliyet, kalite metriğiyle birlikte değerlendirilmelidir. Düşük maliyetli kanal yüksek erken devir üretiyorsa gerçekte pahalıdır. Otel muhasebesi açısından cost-per-hire sadece İK bütçesinde izlenmemeli, departman bazlı işçilik maliyetine dağıtılmalıdır. Örneğin yiyecek-içecek departmanında aşırı personel devri varsa, bu departmanın gerçek maliyeti yalnızca maaş ve sosyal haklardan oluşmaz; sürekli işe alım, eğitim, fire, servis hatası ve fazla mesai maliyetleri de dikkate alınmalıdır. Cost control birimi, bu maliyetleri departman kârlılığına yansıtmalıdır.

Dijital teknolojiler cost-per-hire yönetiminde iki yönlü etki oluşturur. Aday takip sistemleri ve AI destekli ön eleme araçları süreç maliyetlerini azaltabilir. Ancak VR simülasyonları, değerlendirme merkezleri ve gelişmiş analitik sistemler başlangıç yatırımını artırabilir. Bu nedenle yatırımın geri dönüşü, erken devirde azalma, eğitim süresinde kısalma, misafir memnuniyetinde artış ve hizmet hatalarında düşüş üzerinden hesaplanmalıdır. Maliyet metriği tek başına değil, değer metriğiyle birlikte okunmalıdır.

5. Pozisyon Doldurma Süresi (Time-to-Hire) ve Boş Kadronun Yarattığı Hizmet Aksaklıkları

İşe alım maliyeti kadar kritik bir diğer gösterge, pozisyon doldurma süresidir. Time-to-hire, adayın başvuru yaptığı veya sürece dâhil edildiği tarihten iş teklifini kabul ettiği tarihe kadar geçen süreyi ifade eder. Time-to-fill ise pozisyonun açıldığı tarihten işe alımın tamamlandığı tarihe kadar geçen toplam süredir. Otel işletmeleri için her iki metrik de önemlidir; çünkü boş kadro hizmet üretim kapasitesini doğrudan etkileyebilir.

Boş kadronun maliyeti departmana göre değişir. Resepsiyonda eksik personel check-in ve check Out sürelerini uzatabilir; bu durum misafir memnuniyetini ve çevrimiçi yorumları etkileyebilir. Kat hizmetlerinde eksik personel oda temizliği döngüsünü yavaşlatabilir; bu da erken giriş taleplerinin karşılanamamasına ve oda satış kapasitesinin sınırlanmasına yol açabilir. Yiyecek-içecek bölümünde eksik servis personeli masa dönüş hızını düşürebilir, satış fırsatlarını azaltabilir ve servis hatalarını artırabilir. Teknik serviste boş kadro, arızaların daha geç giderilmesine ve enerji verimliliği sorunlarına neden olabilir.

Time-to-hire metriği yalnızca hız göstergesi olarak kullanılmamalıdır. Çok hızlı işe alım, aday kalitesinin düşmesine ve ilk 90 gün devrinin artmasına yol açabilir. Çok yavaş işe alım ise iyi adayların rakip işletmelere gitmesine ve hizmet aksaklığı maliyetinin büyümesine neden olur. Bu nedenle oteller optimum işe alım hızını belirlemelidir. Optimum hız, pozisyonun kritiklik düzeyi, iş gücü piyasası koşulları, sezon takvimi, eğitim süresi ve hizmet aksaklığı maliyetine göre hesaplanmalıdır.

Bu noktada dijital İK araçları önemli avantaj sağlar. Aday takip sistemleri başvuru akışını hızlandırır, otomatik randevu sistemleri mülakat planlamasını kolaylaştırır, chatbotlar aday sorularını yanıtlar, AI destekli ön eleme sistemleri uygun adayları hızlı sınıflandırır. Ancak aday deneyiminin zayıflaması, otomatik yanıtların kişisiz algılanması veya algoritmik hatalar, işveren markasına zarar verebilir [5, 23]. Bu nedenle hızlılık ile insan merkezli iletişim arasında denge kurulmalıdır. Time-to-hire metriğinin finansal entegrasyonu için boş kadro günü maliyeti hesaplanabilir. Basit bir modelde boş kadro maliyeti; fazla mesai maliyeti, geçici personel maliyeti, tahmini gelir kaybı, hizmet telafi maliyeti ve misafir memnuniyeti kaybı göstergelerinden oluşur. Bu hesaplama mükemmel kesinlik üretmese bile, işe alım gecikmesinin görünmez maliyetini yönetim raporlarına taşır.

6. İlk 90 Günlük Elde Tutma Oranı Neden En Kritik Sinyaldir?

Pozisyonun hızlı doldurulması ve maliyetin düşük tutulması, yeni çalışanın kısa sürede ayrılması durumunda başarısız bir sonuç doğurur. Bu nedenle ilk 90 günlük elde tutma oranı, otel işe alım sisteminin en kritik erken uyarı göstergelerinden biridir. İlk 90 gün, adayın iş gerçekliğiyle karşılaştığı, örgüt kültürünü deneyimlediği, yönetici desteğini değerlendirdiği, ekip ilişkilerini kurduğu vebeklentilerle gerçekler arasındaki uyumu test ettiği dönemdir.

İlk 90 günlük elde tutma oranı şu şekilde hesaplanabilir:

Bu metriğin kritik olmasının dört nedeni vardır. Birincisi, işe alım kalitesini erken gösterir. Yeni çalışanın hızlı ayrılması, aday-iş uyumsuzluğu, gerçekçi olmayan iş vaadi veya hatalı seçim süreci anlamına gelebilir. İkincisi, oryantasyon ve işbaşı eğitim kalitesini gösterir. Çalışan doğru destek alamıyorsa, işin gerekliliklerini öğrenmeden ayrılabilir. Üçüncüsü, yönetici davranışının etkisini ortaya çıkarır. Aynı işe alım kanalından gelen çalışanlar bazı departmanlarda kalırken bazı departmanlarda ayrılıyorsa sorun seçimden çok yerel yönetim tarzında olabilir. Dördüncüsü, finansal kaybı erken saptar. İlk 90 günde ayrılan çalışan için yapılan ilan, mülakat, eğitim ve üniforma maliyetleri boşa gidebilir.

İlk 90 gün metriği, yalnızca elde tutma oranıyla sınırlı kalmamalıdır. İlk hafta işe devam oranı, oryantasyon tamamlama oranı, eğitim sınavı başarısı, vardiya uyum puanı, yönetici geri bildirimi, çalışan memnuniyeti nabız anketi, misafir geri bildirimi ve performans gözlemleri birlikte izlenmelidir. VR ve AR destekli eğitimler bu aşamada önemli rol oynayabilir. Örneğin yeni bir housekeeping çalışanı, oda temizlik standardını VR ortamında tekrar tekrar deneyimleyebilir; restoran çalışanı AR destekli menü ve servis akışı eğitimleri alabilir; resepsiyon çalışanı zor misafir senaryolarını simülasyonla çalışabilir. Eğitim teknolojileri, işbaşı hatalarını azaltarak ilk 90 gün uyumunu güçlendirebilir [26, 18, 31].

Ancak ilk 90 gün metriği yorumlanırken bağlam dikkate alınmalıdır. Mevsimlik otellerde kısa süreli sözleşmeler normal olabilir. Stajyer ve sezonluk personel için elde tutma hedefi farklı belirlenmelidir. Ayrıca çalışan ayrılığı her zaman olumsuz değildir; düşük performanslı veya kültürel uyumu zayıf çalışanın erken ayrılması uzun vadede maliyeti azaltabilir. Bu nedenle metrik, ayrılma nedeni kodlarıyla desteklenmelidir: gönüllü ayrılık, işveren kararı, sezon sonu, ücret memnuniyetsizliği, vardiya uyumsuzluğu, konaklama sorunu, yönetici ilişkisi, iş beklentisi uyumsuzluğu gibi kategoriler kullanılmalıdır.

7. İK Metriklerinin Otel Muhasebe ve Finans Raporlarına Entegrasyonu

İlk 90 günlük elde tutma oranı işe alım sisteminin erken başarısını gösterirken, bu göstergenin yönetim kararına dönüşmesi için finansal raporlara entegre edilmesi gerekir. Otel işletmelerinde departman yöneticileri çoğu zaman gelir, maliyet ve hizmet kalitesi hedefleriyle değerlendirilir; ancak işe alım metrikleri bu hedeflerle ilişkilendirilmediğinde insan kaynağı kararları parçalı kalır. Bu nedenle İK, muhasebe, finans ve cost control birimleri ortak bir gösterge mimarisi kurmalıdır. Entegrasyonun ilk adımı veri sözlüğü oluşturmaktır. İşe alım tarihi, pozisyon açılış tarihi, teklif tarihi, işe başlama tarihi, departman, pozisyon, işe alım kanalı, işe alım maliyeti, eğitim maliyeti, vardiya bilgisi, ayrılma tarihi, ayrılma nedeni, performans puanı ve misafir geri bildirimi gibi alanlar standart tanımlanmalıdır. Aynı kavramın farklı departmanlarda farklı ölçülmesi raporlamayı bozar. İkinci adım departman bazlı maliyet atamasıdır. İşe alım giderleri tek bir İK hesabında toplanmak yerine ilgili departmana dağıtılmalıdır. Örneğin restoran servis personeli işe alım maliyeti yiyecek içecek departmanı işçilik maliyet analizinde görünmelidir. Böylece departman yöneticileri yüksek devir oranının gerçek maliyetini görebilir.

Üçüncü adım gösterge paneli tasarımıdır. Otel yönetim panelinde şu metrikler birlikte izlenebilir:

8. Tartışma

Literatür, insan kaynakları analitiğinin stratejik karar kalitesini artırabileceğini; ancak veri, teknoloji ve yönetsel kapasite eksiklikleri nedeniyle uygulamada sınırlı kaldığını göstermektedir [32, 2, 34]. Otelcilik bağlamında yapılan çalışmalar, hizmet kalitesi, çalışan bağlılığı, iş gücü devri ve müşteri memnuniyeti arasındaki ilişkiyi güçlü biçimde ortaya koymuştur [22, 13, 28]. Buna karşın işe alım metriklerinin otel finans raporlarıyla doğrudan entegrasyonu literatürde yeterince ayrıntılı incelenmemiştir.

İşe alım ve seçim literatürü yapılandırılmış mülakatların, bilişsel yetenek testlerinin, iş örneklerinin ve çoklu değerlendirme yöntemlerinin geçerliliğini vurgulamaktadır [40, 11, 25]. Bu bulgular otelcilikte de önemlidir; çünkü geleneksel, izlenime dayalı mülakatlar adayın gerçek hizmet davranışını sınırlı ölçebilir. VR ve simülasyon temelli değerlendirmeler bu boşluğu doldurma potansiyeline sahiptir. Ancak literatürde VR tabanlı otel işe alım simülasyonlarının uzun dönemli işe alım kalitesi, erken devir ve finansal performans üzerindeki etkisini ölçen ampirik çalışma sayısı sınırlıdır. Bu, gelecekte araştırılması gereken önemli bir alandır. AI destekli işe alım literatürü verimlilik ve ölçeklenebilirlik avantajlarını belirtirken algoritmik yanlılık, şeffaflık ve hesap verebilirlik sorunlarına dikkat çekmektedir [43, 38, 1]. Otelcilik sektöründe bu riskler daha hassastır; çünkü hizmet estetiği, iletişim tarzı, dil becerisi ve kültürel uyum gibi faktörler ayrımcılığa açık biçimde yorumlanabilir. Bu nedenle oteller AI sistemlerini yalnızca hız aracı olarak değil, denetlenmesi gereken sosyo-teknik sistemler olarak ele almalıdır.

Metaverse ve XR literatürü turizm deneyimini zenginleştirme potansiyelini göstermektedir [21, 17,10]. Eğitim literatürü ise sürükleyici ortamların öğrenme motivasyonu ve beceri kazanımı açısından avantaj sağlayabileceğini, ancak bilişsel yük, maliyet ve tasarım kalitesinin sonuçları etkilediğini ortaya koymaktadır [26, 31]. Otelcilik açısından eksik kalan nokta, bu teknolojilerin yalnızca eğitim memnuniyetiyle değil, üretkenliğe ulaşma süresi, hizmet hatası oranı, misafir şikâyeti ve erken devir gibi işletme sonuçlarıyla birlikte değerlendirilmesidir.

Finans ve cost control literatürü otel maliyetlerinin departman bazlı izlenmesini vurgulasa da, insan kaynakları metrikleri çoğu zaman operasyonel maliyet analizine sınırlı yansımaktadır. Oysa yüksek iş gücü devri, tekrar işe alım ve eğitim maliyetinden daha geniş sonuçlar üretir: fazla mesai, hizmet kalitesinde düşüş, müşteri sadakatinde azalma, çevrimiçi itibar kaybı ve yönetici zamanının boşa harcanması. Bu nedenle mevcut literatürün eksik kalan yönlerinden biri, İK metriklerinin gelir yönetimi, müşteri deneyimi analitiği ve cost control sistemleriyle bütünleşik modellenmesidir. Çalışmalarda ayrıca bağımsız oteller ile zincir oteller arasındaki farklar yeterince ayrıştırılmamaktadır.

Zincir oteller gelişmiş İK bilgi sistemleri, standart raporlama ve büyük veri kapasitesine sahipken; küçük ve orta ölçekli oteller çoğu zaman sınırlı veri altyapısıyla çalışır. Bu nedenle önerilen metrik setleri ölçeklenebilir olmalıdır. Bağımsız bir otel için Excel tabanlı basit bir gösterge paneli yeterli başlangıç olabilirken, uluslararası zincirler için entegre HRIS, PMS, POS ve finans sistemi bağlantısı gerekir.

Son olarak, literatürde çalışan refahı ile veri odaklı performans yönetimi arasındaki denge daha fazla incelenmelidir. İK analitiği yalnızca maliyet düşürme amacıyla kullanıldığında çalışanları sürekli izlenen ve puanlanan nesnelere dönüştürebilir. Oysa otelcilikte sürdürülebilir hizmet kalitesi, çalışanların psikolojik güvenliği, adalet algısı ve gelişim fırsatlarıyla bağlantılıdır. Bu nedenle veri odaklı işe alımın başarısı, insan merkezli yönetim ilkeleriyle birlikte değerlendirilmelidir. Bu değerlendirmeler ışığında, otel işletmeleri için literatürden çıkarılabilecek en önemli sonuç, işe alım metriklerinin tekil göstergeler olarak değil, neden-sonuç ilişkileri içinde okunması gerektiğidir. Örneğin düşük cost-per-hire ilk bakışta verimlilik göstergesi gibi görünse de, aynı kanaldan gelen çalışanların ilk 90 gün içinde ayrılması durumunda bu kanal stratejik olarak başarısızdır. Benzer biçimde kısa time-to-hire değeri, yüksek misafir memnuniyeti ve düşük erken devir ile desteklenmediğinde yalnızca operasyonel aceleciliği gösterir. Bu nedenle gelecek çalışmalarda işe alım göstergeleri arasında yapısal modeller kurulmalı; kanal maliyeti, aday deneyimi, eğitim başarısı, yönetici desteği, çalışan bağlılığı, misafir memnuniyeti ve finansal performans arasındaki ilişkiler boylamsal veriyle test edilmelidir. İncelenen çalışmaların bir diğer eksik yönü, muhasebe ve insan kaynakları verilerinin ortak veri mimarisi içinde ele alınmamasıdır. Otel işletmelerinde finansal performans çoğu zaman oda gelirleri, yiyecek-içecek maliyetleri, işçilik oranı ve operasyonel giderler üzerinden raporlanırken, işe alım kararlarının bu sonuçlara nasıl yansıdığı ayrıntılı biçimde izlenmemektedir. Oysa işe alım kalitesi, yalnızca İK departmanının başarısı değil; satış, operasyon, misafir ilişkileri ve cost control birimlerinin performansını etkileyen çapraz fonksiyonlu bir değişkendir. Bu nedenle araştırmacılar, otel işletmelerinde HRIS, PMS, POS, muhasebe yazılımı ve çevrimiçi itibar platformlarından gelen verileri bütünleştiren modeller geliştirmelidir.

Teknoloji temelli çalışmalarda da önemli bir yöntemsel sınırlılık görülmektedir. Metaverse, VR, AR ve AI üzerine yapılan birçok çalışma kavramsal potansiyeli vurgulamakta; ancak bu araçların gerçek otel işe alım süreçlerinde hangi koşullarda maliyet etkin sonuç verdiğini yeterince ölçmemektedir. Özellikle küçük ve orta ölçekli otellerde teknoloji yatırımının geri dönüşü, çalışanların teknoloji kabulü, adayların dijital erişim eşitsizliği ve veri güvenliği maliyetleri daha fazla araştırılmalıdır. Böylece dijital İK uygulamalarının yalnızca büyük zincir oteller için değil, farklı ölçek ve segmentteki işletmeler için de uygulanabilirliği değerlendirilebilir.

9. Sonuç ve Öneriler

Bu çalışma, otel işletmelerinde veri odaklı işe alımın temel İK metrikleri üzerinden nasıl yönetilebileceğini incelemiştir. Sonuç olarak işe alım başına maliyet, pozisyon doldurma süresi, ilk 90 günlük elde tutma oranı, işe alım kalitesi, kanal verimliliği, aday deneyimi, eğitim tamamlama oranı ve üretkenliğe ulaşma süresi otel yönetimleri için öncelikli göstergeler olarak öne çıkmaktadır. Ancak bu metriklerin gerçek değeri, muhasebe, finans, cost control, gelir yönetimi ve misafir deneyimi verileriyle birlikte yorumlandığında ortaya çıkar.

Otel yöneticileri için ilk öneri, işe alım metriklerini standart tanımlarla ölçmektir. Her pozisyon için pozisyon açılış tarihi, başvuru tarihi, teklif tarihi, işe başlama tarihi, kanal bilgisi, maliyet kalemi ve ayrılma nedeni düzenli kaydedilmelidir.

İkinci öneri, cost-per-hire metriğini pozisyon ve kanal bazında izlemek, ancak bu metriği işe alım kalitesi ve ilk 90 gün elde tutma oranıyla birlikte değerlendirmektir.

Üçüncü öneri, time-to-hire ve time-to-fill göstergelerini boş kadro maliyetiyle ilişkilendirmektir. Böylece hızlı işe alım baskısı ile kaliteli işe alım ihtiyacı arasında daha rasyonel denge kurulabilir.

Dördüncü öneri, ilk 90 gün sürecini işe alım sisteminin kalite testi olarak görmektir. Oryantasyon, işbaşı eğitim, yönetici desteği, vardiya uyumu ve çalışan deneyimi bu dönemde yakından izlenmelidir.

Beşinci öneri, VR, AR ve XR teknolojilerini özellikle gerçekçi iş ön izlemesi, güvenli simülasyon eğitimi ve kritik hizmet senaryolarının değerlendirilmesi için kullanmaktır. Ancak teknoloji yatırımları, yalnızca yenilikçi görünmek için değil; erken devir, eğitim süresi, hizmet hatası ve misafir memnuniyeti üzerindeki etkileriyle değerlendirilmelidir.

Altıncı öneri, AI destekli işe alım sistemlerinde etik yönetişim kurmaktır. Algoritmalar düzenli denetlenmeli, adaylara süreç hakkında açık bilgi verilmeli, insan denetimi korunmalı ve ayrımcılık riski azaltılmalıdır.

Yedinci öneri, İK metriklerini departman bazlı finans raporlarına entegre etmektir.

İnsan kaynakları, muhasebe, finans ve cost control ekipleri ortak veri sözlüğü ve raporlama takvimi oluşturmalıdır.

Gelecek araştırmalar için üç alan öne çıkmaktadır. Birincisi, VR ve metaverse tabanlı işe alım simülasyonlarının işe alım kalitesi ve erken devir üzerindeki etkisini ölçen ampirik çalışmalar gereklidir. İkincisi, AI destekli aday eleme sistemlerinin otelcilikte adalet, çeşitlilik ve aday deneyimi üzerindeki etkileri incelenmelidir. Üçüncüsü, İK metriklerinin otel finansal performansı, çevrimiçi itibar ve misafir sadakatiyle bütünleşik modellenmesi gerekmektedir. Bu alanlardaki çalışmalar, otel işletmelerinin insan kaynağı kararlarını daha bilimsel, etik ve sürdürülebilir biçimde yönetmesine katkı sağlayacaktır.

Kaynaklar

[1] Ajunwa, I. (2020). The paradox of automation as anti-bias intervention. Cardozo Law Review,41 (5), 1671–1742.

[2] 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.

[3] Azuma, R. T. (1997). A survey of augmented reality. Presence: Teleoperators and Virtual Environments, 6 (4), 355–385.

[4] Becker, B. E., Huselid, M. A., & Ulrich, D. (2001). The HR scorecard: Linking people, strategy, and performance. Harvard Business School Press.

[5] 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.

[6] Bondarouk, T., Parry, E., & Furtmueller, E. (2017). Electronic HRM: Four decades of research on adoption and consequences. The International Journal of Human Resource Management, 28 (1), 98–131.

[7] Boudreau, J. W., & Cascio, W. F. (2017). Human capital analytics: Why are we not there? Journal of Organizational Effectiveness: People and Performance, 4 (2), 119–126.

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

[9] Briner, R. B., Denyer, D., & Rousseau, D. M. (2009). Evidence-based management: oncept cleanup time? Academy of Management Perspectives, 23 (4), 19–32.

[10] Buhalis, D., Leung, D., & Lin, M. (2023). Metaverse as a driver for customer experience and value co-creation: Implications for hospitality and tourism management and marketing. International Journal of Contemporary Hospitality Management, 35 (2), 701–716.

[11] Campion, M. A., Palmer, D. K., & Campion, J. E. (1997). A review of structure in the selection interview. Personnel Psychology, 50 (3), 655–702.

[12] Cascio, W. F., & Boudreau, J. W. (2014). Investing in people: Financial impact of human resource initiatives (2nd ed.). Pearson.

[13] Chi, C. G., & Gursoy, D. (2009). Employee satisfaction, customer satisfaction, and financial performance: An empirical examination. International Journal of Hospitality Management, 28 (2), 245–253.

[14] Cho, S., Woods, R. H., Jang, S., & Erdem, M. (2006). Measuring the impact of human resource management practices on hospitality firms’ performances. International Journal of Hospitality Management, 25 (2), 262–277.

[15] Collins, C. J., & Stevens, C. K. (2002). The relationship between early recruitment-related activities and the application decisions of new labor-market entrants. Journal of Applied Psychology, 87 (6), 1121–1133.

[16] DeFranco, A. L., & Lattin, T. W. (2007). Hospitality financial management. Wiley.

[17] Dwivedi, Y. K., Hughes, L., Baabdullah, A. M., Ribeiro-Navarrete, S., Giannakis, M., Al-Debei, M. M., Dennehy, D., Metri, B., Buhalis, D., Cheung, C. M. K., Conboy, K., Doyle, R., Dubey, R., Dutot, V., Felix, R., Goyal, D. P., Gustafsson, A., Hinsch, C., Jebabli, I., . . .Wamba, S. F. (2022). Metaverse beyond the hype: Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 66, 102542.

[18] Freina, L., & Ott, M. (2015). A literature review on immersive virtual reality in education. In Proceedings of eLearning and Software for Education (pp. 133–141).

[19] Grandey, A. A. (2000). Emotion regulation in the workplace: A new way to conceptualize emotional labor. Journal of Occupational Health Psychology, 5 (1), 95–110.

[20] Gursoy, D., & Chi, C. G. (2020). Effects of COVID-19 pandemic on hospitality industry: Review of the current situations and a research agenda. Journal of Hospitality Marketing & Management, 29 (5), 527–529.

[21] Gursoy, D., Malodia, S., & Dhir, A. (2022). The metaverse in the hospitality and tourism industry: An overview of current trends and future research directions. Journal of Hospitality Marketing & Management, 31 (5), 527–534.

[22] Harter, J. K., Schmidt, F. L., & Hayes, T. L. (2002). Business-unit-level relationship between employee satisfaction, employee engagement, and business outcomes. Journal of Applied Psychology, 87 (2), 268–279.

[23] Hausknecht, J. P., Day, D. V., & Thomas, S. C. (2004). Applicant reactions to selection procedures: An updated model and meta-analysis. Personnel Psychology, 57 (3), 639–683.

[24] Hochschild, A. R. (1983). The managed heart: Commercialization of human feeling. University of California Press.

[25] Huffcutt, A. I. (2011). An empirical review of the employment interview construct literature. International Journal of Selection and Assessment, 19 (1), 62–81.

[26] 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, 1515–1529.

[27] Kim, T. T., Yoo, J. J., Lee, G., & Kim, J. (2012). Emotional intelligence and emotional labor acting strategies among frontline hotel employees. International Journal of Contemporary Hospitality Management, 24 (7), 1029–1046.

[28] Kusluvan, S., Kusluvan, Z., Ilhan, I., & Buyruk, L. (2010). The human dimension: A review of human resources management issues in the tourism and hospitality industry. Cornell Hospitality Quarterly, 51 (2), 171–214.

[29] Law, R., Buhalis, D., & Cobanoglu, C. (2014). Progress on information and communication technologies in hospitality and tourism. International Journal of Contemporary Hospitality Management, 26 (5), 727–750.

[30] Li, J. J., Bonn, M. A., & Ye, B. H. (2019). Hotel employee’s artificial intelligence and robotics awareness and its impact on turnover intention. International Journal of Contemporary Hospitality Management, 31 (4), 1706–1723.

[31] Makransky, G., & Petersen, G. B. (2021). The cognitive affective model of immersive learning. Educational Psychology Review, 33, 937–958.

[32] 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.

[33] Milgram, P., & Kishino, F. (1994). A taxonomy of mixed reality visual displays. IEICET Transactions on Information and Systems, E77-D(12), 1321–1329.

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

[35] Nickson, D., Warhurst, C., & Dutton, E. (2005). The importance of attitude and appearancein the service encounter in retail and hospitality. Managing Service Quality, 15 (2), 195–208.

[36] Noe, R. A., Hollenbeck, J. R., Gerhart, B., & Wright, P. M. (2020). Human resource management: Gaining a competitive advantage (11th ed.). McGraw-Hill.

[37] Parry, E., & Tyson, S. (2011). Desired goals and actual outcomes of e-HRM. Human Resource Management Journal, 21 (3), 335–354.

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

[39] Robinson, R. N. S., Kralj, A., Solnet, D. J., Goh, E., & Callan, V. (2014). Thinking job embeddedness not turnover: Towards a better understanding of frontline hotel worker retention. International Journal of Hospitality Management, 36, 101–109.

[40] Schmidt, F. L., & Hunter, J. E. (1998). The validity and utility of selection methods in personnel psychology. Psychological Bulletin, 124 (2), 262–274.

[41] Sigala, M. (2020). Tourism and COVID-19: Impacts and implications for advancing and resetting industry and research. Journal of Business Research, 117, 312–321.

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

[43] 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.

[44] Tracey, J. B., & Hinkin, T. R. (2008). Contextual factors and cost profiles associated with employee turnover. Cornell Hospitality Quarterly, 49 (1), 12–27.

[45] Ulrich, D. (1997). Human resource champions. Harvard Business School Press.

[46] Upadhyay, A. K., & Khandelwal, K. (2018). Applying artificial intelligence: Implications for recruitment. Strategic HR Review, 17 (5), 255–258.

[47] 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.

[48] Wang, Y., So, K. K. F., & Sparks, B. A. (2017). Technology readiness and customer satisfaction with travel technologies: A cross-country investigation. Journal of Travel Research, 56 (5), 563–577.

[49] Woods, R. H., & Macaulay, J. F. (1989). Rx for turnover: Retention programs that work. Cornell Hotel and Restaurant Administration Quarterly, 30 (1), 78–90.

[50] Wright, P. M., Gardner, T. M., Moynihan, L. M., & Allen, M. R. (2005). The relationship between HR practices and firm performance. Personnel Psychology, 58 (2), 409–446.

[51] Xiang, Z., Schwartz, Z., Gerdes, J. H., & Uysal, M. (2015). What can big data and text analytics tell us about hotel guest experience and satisfaction? International Journal of Hospitality Management, 44, 120–130.

[52] Yigitcanlar, T., Desouza, K. C., Butler, L., & Roozkhosh, F. (2020). Contributions and risks of artificial intelligence in building smarter cities. Energies, 13 (6), 1473.

[53] Zhao, X. R., & Ghiselli, R. (2016). Why do you feel stressed in a “smile factory”? Hospitality job characteristics influence work–family conflict and job stress. International Journal of Contemporary Hospitality Management, 28 (2), 305–326.