Araştırma Makalesi
BibTex RIS Kaynak Göster

MODELING OF FORECASTING IN CALL CENTER APPLICATIONS WITH ARTIFICIAL NEURAL ASSISTANCE

Yıl 2019, Cilt: 21 Sayı: 2, 453 - 465, 26.06.2019
https://doi.org/10.16953/deusosbil.440290

Öz

Artificial Neural Networks (ANN), one of the
artificial intelligence technologies, are widely used in many social and engineering
fields such as prediction, modeling, classification and so on. The parallel
structure of ANNs is an important feature for real-time applications and the
most important advantages are the flexible and harmonious nature of the model.
Once ANN is trained, it can be used seamlessly for any application without
having to re-program it. ANNs determine linear and nonlinear relationships
between input and output patterns using the appropriate learning method. In
other words, they have the ability to model systems using the correlation
between inputs and outputs of complex and nonlinear systems. In this study, the
number of calls expected to be made to the call center data by the ANN method and
the expected call duration were estimated. Requests, opinions, suggestions,
dissatisfaction, complaints etc. from the customers / citizens of the call
centers institutions. It is a communication unit with high prefixes that it
serves in the subjects. Call center managers are opposed to making early
decisions. For this reason, it is important to estimate the call times of the
calls that are met by the call counts of daily, weekly and monthly periods in
the reports in the call center systems. In this study, the number of interviews
and interviews of the previous month were used as training data. For the forecasting
model, a forward-feed ANN model was obtained from the input to the output and
the network model was trained by the Levenberg Marquardt algorithm. Linear
activation functions are used for hidden and output layers of these three
layered ANN which are composed of input, hidden and output layer. In this
study, the number of incoming calls and the call duration of these calls using
the forward and backward propagation ANN model are estimated and the predictive
performance of this obtained ANN model is determined and it is observed that
this model is reliable and consistent.

Kaynakça

  • Altunöz, U. (2013). Bankaların finansal başarısızlıklarının diskriminant analizi ve yapay sinir ağları çerçevesinde tahmini. Sakarya İktisat Dergisi, 2 (4), 1-22.
  • Anderson, D. & Mcneill G. (1992). Artificial neural networks technology, A DACS State of the Art Report. Newyork: Kaman Sciences Corporation.
  • Ataseven, B. (2013). Yapay sinir ağları ile öngörü modellemesi. Öneri Dergisi, 10 (39), 101-115.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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.
  • Freeman, J. A. & Skapura, D. M. (1991). Neural networks: algorithms, applications, and programming techniques, Boston: Reading, Addison & Wesley.
  • Hagan, M.T., Demuth, H.B., Beale, M.H. & Jesus, O. D. (2014). Neural network design, (2nd Edition). USA: Martin Hagan.
  • Karahan, M. (2011). İstatistiksel tahmin yöntemleri: yapay sinir ağları metodu ile ürün talep tahmini uygulaması. (Yayımlanmamış Doktora Tezi). Selçuk Üniversitesi, Sosyal Bilimler Enstitüsü, Konya.
  • Macukow, B. (2016). Neural networks – state of art, brief history, basic models and architecture, Faculty of Applied Mathematics and Information Science, 3-14.
  • 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.
  • Öztemel, E. (2006). Yapay sinir ağları. (Birinci Baskı). Türkiye: Papatya Yayınevi.
  • Sağıroğlu, Ş., Beşdok E. & Erler M. (2003). Mühendislikte yapay zekâ uygulamaları - 1 yapay sinir ağları. Kayseri: Ufuk Yayınevi.
  • 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.
  • 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.
  • Wilamowski, B.M. & Yu, H. (2010). Improved computation for levenberg–marquardt training, IEEE Transactions on Neural Networks, 21 (6), 930-937.
  • Yüksel, R. (2014). Altın fiyatlarının yapay sinir ağları ile tahmini ve bir uygulama. (Yayımlanmamış Yüksek Lisans Tezi). Dumlupınar Üniversitesi, Sosyal Bilimler Enstitüsü, Kütahya.
  • 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.

YAPAY SİNİR AĞLARI YARDIMI İLE ÇAĞRI MERKEZİ UYGULAMALARINDA ÖNGÖRÜ MODELLEMESİ

Yıl 2019, Cilt: 21 Sayı: 2, 453 - 465, 26.06.2019
https://doi.org/10.16953/deusosbil.440290

Öz

Yapay zekâ teknolojilerinden biri olan Yapay
Sinir Ağları (YSA) tahmin, modelleme, sınıflandırma ve bunun gibi birçok sosyal
ve mühendislik alanlarında yaygın olarak kullanılmaktadır. YSA'nın paralel
yapısı, gerçek zamanlı uygulamalar için önemli bir özellik olup en önemli
avantajları modelin esnek ve uyumlu doğasıdır. YSA'lar bir defa eğitimden
geçirildikten sonra yeniden programlamaya gerek kalmadan herhangi bir uygulama
için sorunsuz bir şekilde kullanılabilirler. YSA'lar, uygun öğrenme yöntemini
kullanarak girdi ve çıktı kalıpları arasındaki doğrusal ve doğrusal olmayan
ilişkileri belirlerler. Başka bir deyişle, karmaşık ve doğrusal olmayan
sistemlerin giriş ve çıkışları arasındaki korelasyonu kullanarak sistemleri
modelleme yeteneklerine sahiptirler. Bu çalışmada YSA yöntemi ile çağrı merkezi
verilerine yönelik gelmesi beklenen çağrı sayıları ile yapılması beklenen
görüşme süreleri tahmin edilmiştir. Çağrı merkezleri kurumların
müşterilerinden/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 karşı
karşıyadırlar. Bu nedenle çağrı merkezi sistemlerinde yer alan raporlamalarda
günlük, haftalık ve aylık periyotlarda gelen çağrı sayıları ile karşılanan
çağrıların görüşme sürelerinin tahmini önem arz etmektedir. Yapılan bu
çalışmada, eğitim verileri olarak daha önceki aylara ait görüşme sayıları ve
görüşme süreleri kullanılmıştır. Öngörü modellemesi için girişten çıkışa doğru
ileri beslemeli YSA modeli elde edilmiş ve Levenberg-Marquardt algoritması ile
ağ modeli eğitilmiştir. Giriş, gizli ve çıkış katmanından oluşan bu üç katmanlı
YSA'nın gizli ve çıktı katmanları için lineer aktivasyon fonksiyonları
kullanılmıştır. Bu çalışmada kullanılan ileri beslemeli ve geri yayılımlı YSA
modeli ile gelen çağrı sayıları ve bu çağrıların görüşme süreleri tahmin
edilmiş ve elde edilen bu YSA modelinin öngörü performansı ortaya konarak bu
modelin güvenilir ve tutarlı olduğu gözlemlenmiştir.

Kaynakça

  • Altunöz, U. (2013). Bankaların finansal başarısızlıklarının diskriminant analizi ve yapay sinir ağları çerçevesinde tahmini. Sakarya İktisat Dergisi, 2 (4), 1-22.
  • Anderson, D. & Mcneill G. (1992). Artificial neural networks technology, A DACS State of the Art Report. Newyork: Kaman Sciences Corporation.
  • Ataseven, B. (2013). Yapay sinir ağları ile öngörü modellemesi. Öneri Dergisi, 10 (39), 101-115.
  • 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.
  • 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.
  • 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.
  • 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.
  • 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.
  • Freeman, J. A. & Skapura, D. M. (1991). Neural networks: algorithms, applications, and programming techniques, Boston: Reading, Addison & Wesley.
  • Hagan, M.T., Demuth, H.B., Beale, M.H. & Jesus, O. D. (2014). Neural network design, (2nd Edition). USA: Martin Hagan.
  • Karahan, M. (2011). İstatistiksel tahmin yöntemleri: yapay sinir ağları metodu ile ürün talep tahmini uygulaması. (Yayımlanmamış Doktora Tezi). Selçuk Üniversitesi, Sosyal Bilimler Enstitüsü, Konya.
  • Macukow, B. (2016). Neural networks – state of art, brief history, basic models and architecture, Faculty of Applied Mathematics and Information Science, 3-14.
  • 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.
  • Öztemel, E. (2006). Yapay sinir ağları. (Birinci Baskı). Türkiye: Papatya Yayınevi.
  • Sağıroğlu, Ş., Beşdok E. & Erler M. (2003). Mühendislikte yapay zekâ uygulamaları - 1 yapay sinir ağları. Kayseri: Ufuk Yayınevi.
  • 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.
  • 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.
  • Wilamowski, B.M. & Yu, H. (2010). Improved computation for levenberg–marquardt training, IEEE Transactions on Neural Networks, 21 (6), 930-937.
  • Yüksel, R. (2014). Altın fiyatlarının yapay sinir ağları ile tahmini ve bir uygulama. (Yayımlanmamış Yüksek Lisans Tezi). Dumlupınar Üniversitesi, Sosyal Bilimler Enstitüsü, Kütahya.
  • 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.
Toplam 20 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Makaleler
Yazarlar

Sefa Ortakaya 0000-0001-8145-0705

Remzi Tuntaş Bu kişi benim 0000-0001-7973-2412

Yayımlanma Tarihi 26 Haziran 2019
Gönderilme Tarihi 3 Temmuz 2018
Yayımlandığı Sayı Yıl 2019 Cilt: 21 Sayı: 2

Kaynak Göster

APA Ortakaya, S., & Tuntaş, R. (2019). YAPAY SİNİR AĞLARI YARDIMI İLE ÇAĞRI MERKEZİ UYGULAMALARINDA ÖNGÖRÜ MODELLEMESİ. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 21(2), 453-465. https://doi.org/10.16953/deusosbil.440290