TY  - JOUR
T1  - YAPAY SİNİR AĞLARI YARDIMI İLE ÇAĞRI MERKEZİ UYGULAMALARINDA ÖNGÖRÜ MODELLEMESİ
TT  - MODELING OF FORECASTING IN CALL CENTER APPLICATIONS WITH ARTIFICIAL NEURAL ASSISTANCE
AU  - Ortakaya, Sefa
AU  - Tuntaş, Remzi
PY  - 2019
DA  - June
DO  - 10.16953/deusosbil.440290
JF  - Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi
JO  - DEU Journal of GSSS
PB  - Dokuz Eylül Üniversitesi
WT  - DergiPark
SN  - 1308-0911
SP  - 453
EP  - 465
VL  - 21
IS  - 2
LA  - tr
AB  - Yapay zekâ teknolojilerinden biri olan YapaySinir Ağları (YSA) tahmin, modelleme, sınıflandırma ve bunun gibi birçok sosyalve mühendislik alanlarında yaygın olarak kullanılmaktadır. YSA'nın paralelyapısı, gerçek zamanlı uygulamalar için önemli bir özellik olup en önemliavantajları modelin esnek ve uyumlu doğasıdır. YSA'lar bir defa eğitimdengeçirildikten sonra yeniden programlamaya gerek kalmadan herhangi bir uygulamaiçin sorunsuz bir şekilde kullanılabilirler. YSA'lar, uygun öğrenme yönteminikullanarak girdi ve çıktı kalıpları arasındaki doğrusal ve doğrusal olmayanilişkileri belirlerler. Başka bir deyişle, karmaşık ve doğrusal olmayansistemlerin giriş ve çıkışları arasındaki korelasyonu kullanarak sistemlerimodelleme yeteneklerine sahiptirler. Bu çalışmada YSA yöntemi ile çağrı merkeziverilerine yönelik gelmesi beklenen çağrı sayıları ile yapılması beklenengörüşme süreleri tahmin edilmiştir. Çağrı merkezleri kurumlarınmüşterilerinden/vatandaşlarından gelen talep, görüş, öneri, memnuniyetsizlik,şikâyet vb. konularda hizmet verdiği yüksek öneme sahip iletişim birimidir.Çağrı merkezi yöneticileri erken karar almada tahmin yapmak durumuyla karşıkarşıyadırlar. Bu nedenle çağrı merkezi sistemlerinde yer alan raporlamalardagünlük, haftalık ve aylık periyotlarda gelen çağrı sayıları ile karşılanançağrıların görüşme sürelerinin tahmini önem arz etmektedir. Yapılan buçalışmada, eğitim verileri olarak daha önceki aylara ait görüşme sayıları vegörüşme süreleri kullanılmıştır. Öngörü modellemesi için girişten çıkışa doğruileri beslemeli YSA modeli elde edilmiş ve Levenberg-Marquardt algoritması ileağ modeli eğitilmiştir. Giriş, gizli ve çıkış katmanından oluşan bu üç katmanlıYSA'nın gizli ve çıktı katmanları için lineer aktivasyon fonksiyonlarıkullanılmıştır. Bu çalışmada kullanılan ileri beslemeli ve geri yayılımlı YSAmodeli ile gelen çağrı sayıları ve bu çağrıların görüşme süreleri tahminedilmiş ve elde edilen bu YSA modelinin öngörü performansı ortaya konarak bumodelin güvenilir ve tutarlı olduğu gözlemlenmiştir.
KW  - Yapay Sinir Ağları
KW  - Çağrı Merkezleri
KW  - Öngörü Modellemesi
N2  - Artificial Neural Networks (ANN), one of theartificial intelligence technologies, are widely used in many social and engineeringfields such as prediction, modeling, classification and so on. The parallelstructure of ANNs is an important feature for real-time applications and themost important advantages are the flexible and harmonious nature of the model.Once ANN is trained, it can be used seamlessly for any application withouthaving to re-program it. ANNs determine linear and nonlinear relationshipsbetween input and output patterns using the appropriate learning method. Inother words, they have the ability to model systems using the correlationbetween inputs and outputs of complex and nonlinear systems. In this study, thenumber of calls expected to be made to the call center data by the ANN method andthe expected call duration were estimated. Requests, opinions, suggestions,dissatisfaction, complaints etc. from the customers / citizens of the callcenters institutions. It is a communication unit with high prefixes that itserves in the subjects. Call center managers are opposed to making earlydecisions. For this reason, it is important to estimate the call times of thecalls that are met by the call counts of daily, weekly and monthly periods inthe reports in the call center systems. In this study, the number of interviewsand interviews of the previous month were used as training data. For the forecastingmodel, a forward-feed ANN model was obtained from the input to the output andthe network model was trained by the Levenberg Marquardt algorithm. Linearactivation functions are used for hidden and output layers of these threelayered ANN which are composed of input, hidden and output layer. In thisstudy, the number of incoming calls and the call duration of these calls usingthe forward and backward propagation ANN model are estimated and the predictiveperformance of this obtained ANN model is determined and it is observed thatthis model is reliable and consistent.
CR  - Altunöz, U. (2013). Bankaların finansal başarısızlıklarının diskriminant analizi ve yapay sinir ağları çerçevesinde tahmini. Sakarya İktisat Dergisi, 2 (4), 1-22.
CR  - Anderson, D. & Mcneill G. (1992). Artificial neural networks technology, A DACS State of the Art Report. Newyork: Kaman Sciences Corporation.
CR  - Ataseven, B. (2013). Yapay sinir ağları ile öngörü modellemesi. Öneri Dergisi, 10 (39), 101-115.
CR  - Atasoy, M., Dalkılıç, M. & Uğraş, S.(2017). Yapay sinir ağları ile dövüş sporları alanında lisanslı sporcu sayılarının tahmini. Kilis 7 Aralık Üniversitesi Beden Eğitimi ve Spor Bilimleri Dergisi, 1 (1), 33-37.
CR  - Aydemir, A., Karaatlı, M., Yılmaz, G. & Aksoy, S. (2014). 112 Acil çağrı merkezine gelen çağrı sayılarını belirleyebilmek için bir yapay sinir ağları tahminleme modeli geliştirilmesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 20 (5), 145-149.
CR  - Çavuşlu, M, Becerikli, Y. & Karakuzu, C. (2012). Levenberg-Marquardt algoritması ile ysa eğitiminin donanımsal gerçeklenmesi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 5 (1), 1-7.
CR  - ÇSGB (2013). Çağrı merkezlerinde çalışma koşullarının iyileştirilmesi ve sosyal tarafların bilinçlendirilmesine yönelik programlı teftiş sonuç raporu, Ankara: Çalışma ve Sosyal Güvenlik Bakanlığı İş Teftiş Kurulu Başkanlığı Yayınları, Yayın No: 58.
CR  - Ekinci, Y., Temur, G. T., Çelebi, D & Bayraktar, D. (2010). Ekonomik kriz döneminde firma başarısı tahmini: Yapay sinir ağları tabanlı bir yaklaşım. Endüstri Mühendisliği, 21 (1), 17-29.
CR  - Freeman, J. A. & Skapura, D. M. (1991). Neural networks: algorithms, applications, and programming techniques, Boston: Reading, Addison & Wesley.
CR  - Hagan, M.T., Demuth, H.B., Beale, M.H. & Jesus, O. D. (2014). Neural network design, (2nd Edition). USA: Martin Hagan.
CR  - Karahan, M. (2011). İstatistiksel tahmin yöntemleri: yapay sinir ağları metodu ile ürün talep tahmini uygulaması. (Yayımlanmamış Doktora Tezi). Selçuk Üniversitesi, Sosyal Bilimler Enstitüsü, Konya.
CR  - Macukow, B. (2016). Neural networks – state of art, brief history, basic models and architecture, Faculty of Applied Mathematics and Information Science, 3-14.
CR  - Norman, K. (2005). Call centre work – characteristics, physical, and psychosocial exposure, and health related outcomes. Phd Thesis. Linköpings Universitet, National Institute for Working Life, Swedish.
CR  - Öztemel, E. (2006). Yapay sinir ağları. (Birinci Baskı). Türkiye: Papatya Yayınevi.
CR  - Sağıroğlu, Ş., Beşdok E. & Erler M. (2003). Mühendislikte yapay zekâ uygulamaları - 1 yapay sinir ağları. Kayseri: Ufuk Yayınevi.
CR  - Sharda, R. & Wilson, R.L. (1993). Performance comparison issues in neural network experiments for classification problems, Proceedings of the 26th Hawaii International Conference on Systems Sciences, 2 (14), 6-28.
CR  - Suratgar, A.A., Tavakoli, M.B. & Hoseinabadi A. (2007). Modified Levenberg-Marquardt method for neural networks training, World Academy of Science, Engineering and Technology, 1 (6), 1745-1747.
CR  - Wilamowski, B.M. & Yu, H. (2010). Improved computation for levenberg–marquardt training, IEEE Transactions on Neural Networks, 21 (6), 930-937.
CR  - Yüksel, R. (2014). Altın fiyatlarının yapay sinir ağları ile tahmini ve bir uygulama. (Yayımlanmamış Yüksek Lisans Tezi). Dumlupınar Üniversitesi, Sosyal Bilimler Enstitüsü, Kütahya.
CR  - Yurdusev, M., Acı, M., Turan, M. E. & İçağa, Y. (2014). Akarçay nehri aylık akımlarının yapay sinir ağları ile tahmini. Celal Bayar Üniversitesi Fen Bilimleri Dergisi, 4 (1), 73-88.
UR  - https://doi.org/10.16953/deusosbil.440290
L1  - http://dergipark.org.tr/tr/download/article-file/744235
ER  -