BİLİŞİM TEKNOLOJİLERİ DEPARTMANINDA KULLANICILARIN TALEPLERİNE CEVAP VERME SÜRESİNİN MAKİNE ÖĞRENMESİ İLE TAHMİN EDİLMESİ

Abstract

Günümüzde şirketlerin artan rekabet şartlarından dolayı bilişim teknolojilerine olan ihtiyaç her geçen gün artmaktadır. Bilişim teknolojilerinin (BT) sorunsuz, hızlı ve güvenilir çalışması yapılan yatırım kadar önemlidir. Şirketlerde bulunan bilişim teknoloji(BT) departmanları yapılacak yatırımların planlanmasından, mevcut sistemin sorunsuz çalışmasından ve oluşabilecek sorunlara hızlı çözümler üretilmesinden sorumludurlar. Şirket çalışanlarının BT departmanına sorunları iletmesi, süreci takip etmesi ve raporlandırması amacıyla bilgi işlem takip programları kullanmaktadır. Böylece sorunların ve çözüm sürecinin yönetimi, bilgilendirmesi ve raporlandırılması profesyonel ve kolay yapılabilmektedir. Sorunların hızlı çözülmesi ve çözüm süresinin bilinmesi çalışanlarının zamanı iyi kullanmasını sağlayacak ve belirsiz bekleme süresinin yaratacağı olumsuz etkileri ortadan kaldıracaktır. Bu çalışmada bir şirketin kullanıcıdan gelen talepleri çözme süresi makine öğrenmesi yöntemiyle tahmin edilmiştir. Bunun için kullanıcılardan gelen 2320 talep; departman, destek türü, sorumlu ve kategori olarak kayıt altına alınmaktadır. Sonuçtaki destek süreleri için bir sınıf yapısı ile test edilmiştir. Harcanan süreler 0-10 dakikadan başlayıp 90 dakika ve daha fazlası şeklinde 10’ar dakika arayla on adet sınıfa ayrılmıştır. Bu veri setleri üzerinde makine öğrenme yöntemleri kullanılmıştır. Gerçekleştirilen testler sonucunda en iyi sonuç Destek Vektör Makineleri (Support Vector Machine-SVM) metodu kullanılarak tasarlanan model ile, eğitim başarısı %99.82, test başarısı ise %93.11 olarak ölçülmüştür. Bu sistem sayesinde kullanıcının bekleme süresi ve sorunun ortalama çözüm süresi tahmin edilmektedir.

Keywords

• Makine Öğrenmesi
• DVM
• Sınıflandırma
• Talep Süresi
• IT
• IT

PREDICTION OF SOLUTION TIME OF USER REQUESTS DELIVERED TO THE INFORMATION TECHNOLOGIES DEPARTMENT VIA MACHINE LEARNING

Abstract

Today, the need for information technologies is increasing day by day due to the increasing competitive conditions of companies. Companies that make timely and adequate investments take advantage of their competitors and take a step forward. Investments in information technologies (IT) are as important as the smooth, fast and reliable investment. Therefore, companies need professional teams to protect the performance of information systems and to find solutions to the problems they will encounter. The information technology (IT) departments in companies are responsible for planning investments, the smooth operation of the existing system and the rapid solutions to the problems that may occur. The company's employees communicate problems and follow the process; IT departments often use computing tracking programs to provide reports to administrators about the work done. Thus, management, information and reporting of problems and the solution process can be done more professionally and easily. Fast-solving problems and knowing the wait time will allow company employees to use and plan time better and avoid the negative effects of uncertain wait time. In this study, it was tried to estimate the time of a company to solve requests from the user by machine learning method. For this, 2320 requests from users; the department is registered as support type, responsible and category. Tested with a class structure for resulting support times. The time spent was divided into ten classes starting from 0-10 minutes and 11 minutes apart in the form of 90 minutes or more. Machine learning methods were used on these data sets. With the model designed using the Support Vector Machine (SVM) method, the best result as a result of the tests performed, the education success was measured as 99.82% and the test success as 93.11%. This system developed estimates the user's wait time and the average resolution time (minutes) of the problem.

Keywords

• Machine Learning
• SVM
• Classification
• Request Time
• IT

References

1. Ahmadi, K., S., 1984. Effects of social influences and waiting on time judgment. Perceptual and motor skills, 59(3), 771-776.
2. Akgöz, B., Baltacıoğlu, A., Civalek, Ö., ve Korkmaz, K., 2010. Deprem Hasarlarının Hızlı Tespitinde Yapay Sinir Ağları Yaklaşımı. Mühendislik Bilimleri ve Tasarım Dergisi, 1(1), 22-27.
3. Atalay, M., Çelik, E., 2017. Büyük Veri Analizinde Yapay Zekâ Ve Makine Öğrenmesi Uygulamalari-Artificial Intelligence and Machine Learning Applications in Big Data Analysis. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(22), 155-172.
4. Ayhan, S., Erdoğmuş, Ş., 2014. Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 9(1), 175-201.
5. Aziz, A., ve Osman, Ç., 2005. İstatistiksel Analiz Teknikleri “SPSS’te İşletme Yönetimi Uygulamaları”. Emek Ofset, İkinci Baskı, Ankara.
6. Bardhan, I., Whitaker, J., Mithas, S., 2006. Information Technology, Production Process Outsourcing, and Manufacturing Plant Performance. Journal of Management Information Systems, 23(2), 13-40.
7. Berthold, M., R., Cebron, N., Dill, F., Gabriel, T., R., Kötter, T., Meinl, T., ve Wiswedel, B., 2009. KNIME-the Konstanz İnformation Miner: Version 2.0 And Beyond. AcM SIGKDD explorations Newsletter, 11(1), 26-31.
8. Birgün, S., Öztepe, T., Şimşit, Z., T., 2011. Bir Çağrı Merkezinde Müşteri Şikayetlerinin Düşünce Süreçleri İle Değerlendirilmesi. Paper presented at the XI. Üretim Araştırmalar Sempozyumu.

9. Bottou, L., Lin, C., J., 2007. Support Vector Machine Solvers. Large scale kernel machines, 3(1), 301-320.
10. Budak, H., ve Erpolat, S., 2012. Kredi Riski Tahmininde Yapay Sinir Ağları ve Lojistik Regresyon Analizi Karşılaştırılması. AJIT‐e: Online Academic Journal of Information Technology, 3(9), 23-30.
11. Candan, F., Emir, S., Doğan, M., Kumbasar, T., 2018. Takviyeli Q-Öğrenme Yöntemiyle Labirent Problemi Çözümü Labyrinth Problem Solution with Reinforcement Q-Learning Method. Paper presented at the TOK2018 Otomatik Kontrol Ulusal Toplantısı, Kayseri.
12. Charniak, E., 1991. Bayesian networks without tears. AI magazine, 12(4), 50-50.
13. Chen, W., Li, Y., Xue, W., Shahabi, H., Li, S., Hong, H., Pradhan, B., 2020. Modeling Flood Susceptibility Using Data-Driven Approaches Of Naïve Bayes Tree, Alternating Decision Tree, And Random Forest Methods. Science of The Total Environment, 701, 134979.
14. Cortes, C., Vapnik, V., 1995. Support-vector Networks. Machine learning, 20(3), 273-297.
15. Coşkun, C., Baykal, A., 2010. Dicle Üniversitesi Bilgi İşlem Online Talep Takip Sistemi. Akademik Bilişim.
16. Çelik, Ö., Aslan, A., F., 2019. Gender Prediction from Social Media Comments with Artificial Intelligence. Sakarya Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 23(6), 1256-1264.
17. Çiçek, E., Atılgan, K., Ö., 2012. Hizmet İşletmelerinde Çağrı Merkezi ve Bekleme Hattı Uygulamalarına Tüketici Odaklı Bir Yaklaşım. Sosyal Ekonomik Araştırmalar Dergisi, 12(23), 81-102.
18. Çokluk, Ö., 2010. Lojistik regresyon analizi: Kavram ve uygulama. Kuram ve Uygulamada Eğitim Bilimleri, 10(3), 1357-1407.
19. Çomak, E., 2008. Destek Vektör Makinelerinin Etkin Eğitimi İçin Yeni Yaklaşımlar. Selçuk Üniversitesi Fen Bilimleri Enstitüsü,
20. Deka, P., C., 2014. Support Vector Machine Applications in The Field Of Hydrology: A Review. Applied soft computing, 19, 372-386.
21. Dietz, C., ve Berthold, M., R., 2016. KNIME For Open-Source Bioimage Analysis: A Tutorial. In Focus on Bio-Image Informatics (pp. 179-197). Springer, Cham.
22. Fillbrunn, A., Dietz, C., Pfeuffer, J., Rahn, R., Landrum, G. A., ve Berthold, M., R., 2017. KNIME For Reproducible Cross-Domain Analysis Of Life Science Data. Journal Of Biotechnology, 261, 149-156.
23. Kalaycı, T. E., 2018. Kimlik Hırsızı Web Sitelerinin Sınıflandırılması İçin Makine Öğrenmesi Yöntemlerinin Karşılaştırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24(5), 870-878.
24. Karakoyun, M., Hacıbeyoğlu, M., 2014. Biyomedikal Veri Kümeleri İle Makine Öğrenmesi Siniflandirma Algoritmalarinin İstatistiksel Olarak Karşilaştirilmasi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 16(48), 30-42.
25. Kaynar, O., Görmez, Y., Yıldız, M., Albayrak, A., 2016. Makine öğrenmesi yöntemleri ile Duygu Analizi. Paper presented at the International Artificial Intelligence and Data Processing Symposium (IDAP'16).
26. Kazan, H., Ergülen, A., Çoruhlu, N., 2012. Banka Çağrı Merkezlerinde Bekleme ve Müşteri İlişkiler Yönetimi: Bir Kamu Bankası Uygulaması. Afyon Kocatepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 251-268.
27. Keskin, G. A., Çolak, M., Kostak, G., K., 2018. Bir Çağrı Merkezindeki Bekleme Sürelerinin Kuyruk Modelleri İle İyileştirilmesi. Balıkesir Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 20(1), 55-68.
28. Köse, U., Güraksın, G. E., Deperlioğlu, Ö., 2015. Diabetes Determination Via Vortex Optimization Algorithm Based Support Vector Machines. Paper presented at the 2015 Medical Technologies National Conference (TIPTEKNO).
29. Küçüksille, E. U., Ateş, N., 2013. Destek Vektör Makineleri ile Yaramaz Elektronik Postaların Filtrelenmesi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 6(1).
30. Lee, A. H., Chen, W.-C., Chang, C., J., 2008. A Fuzzy AHP and BSC Approach for Evaluating Performance of IT Department in The Manufacturing Industry in Taiwan. Expert Systems with Applications, 34(1), 96-107.
31. Maister, D., H., 1985. The Psychology of Waiting Lines. Retrieved from http://www.busi.mun.ca/jbarnes/b9015/Maister-WaitingLines.pdf
32. Nikovski, D., 2000. Constructing Bayesian networks for medical diagnosis from incomplete and partially correct statistics. IEEE Transactions on Knowledge and Data Engineering, 12(4), 509-516.
33. Osuna, E., E., 1985. The Psychological Cost of Waiting. Journal of Mathematical Psychology, 29(1), 82-105.
34. Özkaraca, O., Acar, E., Peker, M., Türk, E., 2018. A Fuzzy Logic Based Clinical Decision Support System For Emergency Services. Mühendislik Bilimleri ve Tasarım Dergisi, 6(3), 375-382.
35. Öztürk, Z., K., Güngör, K., ve Lepki, B., 2016. Lojistik Sektöründe Çok Amaçlı Kapı Atama Problemleri İçin Bir Karar Destek Sistemi. Mühendislik Bilimleri ve Tasarım Dergisi, 4(1), 21-29.
36. Pitt, L. F., Watson, R. T., Kavan, C., B., 1995. Service Quality: A Measure of Information Systems Effectiveness. MIS quarterly, 173-187.
37. Saplıoğlu, K., ve Çimen, M., 2010. Yapay Sinir Ağlarını Kullanarak Günlük Yağış Miktarının Tahmini. Mühendislik Bilimleri ve Tasarım Dergisi, 1(1), 14-21.
38. Sayın, M., 2013. Çağrı Merkezi Gelen Çağrılarındaki Bekleme Süresinin Azaltılması: Akıllı Dış Arama Uygulaması. Akademik Bilişim Konferansı, Antalya.
39. Sorias, S., 2015. Psikiyatrik Tanıda Betimsel ve Kategorik Yaklaşımların Kısıtlılıklarını Aşmak: Bayes Ağlarına Dayalı Bir Öneri. Türk Psikiyatri Dergisi, 26(1), 1-12.
40. Şahin, Y. ve Supçiller, A., 2015. Tedarikçi Seçimi İçin Bir Karar Destek Sistemi. Mühendislik Bilimleri ve Tasarım Dergisi, 3(2), 91-104.
41. Thiongane, M., Chan, W., ve l'Ecuyer, P., 2016. New history-based delay predictors for service systems. Winter Simulation Conference (WSC16), pp. 425-436.
42. Tian, J., Wang, K., Chen, Y., Johansson, B., 2010. From IT Deployment Capabilities to Competitive Advantage: An Exploratory Study in China. Information Systems Frontiers, 12(3), 239-255.
43. Yaslı, F., ve Güvensan, M., A., 2019. Ulaşım Türü Tanımada Enerji Kısıtlı Cihazlar İçin Ayırt Edici Özellikler. Mühendislik Bilimleri ve Tasarım Dergisi, 7(1), 90-102.
44. Yu, S., Zhao, D., Chen, W., ve Hou, H., 2016. Oil-İmmersed Power Transformer İnternal Fault Diagnosis Research Based On Probabilistic Neural Network. Procedia Computer Science, 83, 1327-1331.
45. Wu, J.-H., ve Wang, Y., M., 2006. Measuring KMS success: A respecification of the DeLone and McLean's model. Information ve Management, 43(6), 728-73