Makine Öğrenmesi Kullanarak Çağrı Merkezine Gelen Çağrıların Tahmin Edilmesi

Öz

Çağrı merkezi, bir kuruluş için çok sayıda telefon görüşmesini idare edebilecek şekilde donatılmış bir ofistir ve aramaları tahmin etme yeteneği kilit bir faktördür. Bir şirket, arama sayısını doğru bir şekilde tahmin ederek personel ihtiyaçlarını planlayabilir, hizmet seviyesi gereksinimlerini karşılayabilir, müşteri memnuniyetini artırabilir ve diğer birçok optimizasyondan yararlanabilir. Bu çalışmada, bir çağrı merkezindeki gelen çağrı sayısını tahmin etmek için zaman gecikmeleri ile entegreli Çok Katmanlı Algılayıcı (Multilayer Perceptron - MLP) ve Uzun Kısa Vadeli Bellek (Long-Short Term Memory – LSTM) tabanlı modeller geliştirilmiştir. 12, 24, 36 ve 48’lik tahminler üretilip, tahmin modellerinin performansı Ortalama Mutlak Hata (Mean Absolute Error - MAE) kullanılarak değerlendirilmiştir. Sonuçlar, MLP tabanlı modellerin MAE değerlerinin 1,50 ile 13,58 arasında, LSTM tabanlı modellerin ise 19,99 ile 66,74 arasında değiştiğini göstermektedir.

Anahtar Kelimeler

• Makine Öğrenmesi
• Çağrı Merkezi
• Tahminleme
• Zaman Gecikmesi

Forecasting Call Center Arrivals Using Machine Learning

Abstract

A call center is an office equipped to handle a large volume of telephone calls for an organization, for which the ability to forecast calls is a key factor. By forecasting the number of calls accurately, a company can plan staffing needs, meet service level requirements, improve customer satisfaction and benefit from many other optimizations. In this paper, we develop Multilayer Perceptron (MLP) and Long-Short Term Memory (LSTM) based models combined with time lags to forecast the number of call arrivals in a call center. We forecast 12, 24, 36 and 48 values ahead and the performance of the forecasting models has been evaluated using the Mean Absolute Error (MAE). The MLP based model results show that the MAE values change between 1,50 and 13,58 and LSTM based model results show that the MAE values change between 19,99 and 66,74.

Keywords

• Machine Learning
• Call Center
• Forecasting
• Time Lag

Kaynakça

1. Mehrotra, V., Ozlük, O., & Saltzman, R. Intelligent procedures for intra‐day updating of call center agent schedules. Production and Operations Management 2010; 19(3), 353-367.
2. Channouf, N., & L'Ecuyer, P. A normal copula model for the arrival process in a call center. International Transactions in Operational Research 2012; 19(6), 771-787.
3. Kim, T., Kenkel, P., & Brorsen, B. W. Forecasting hourly peak call volume for a rural electric cooperative call center. Journal of Forecasting 2012; 31(4), 314-329.
4. Millán‒Ruiz, D., & Hidalgo, J. I. Forecasting call centre arrivals. Journal of Forecasting 2013; 32(7), 628-638.
5. Bastianin, A., Galeotti, M., & Manera, M. Statistical and economic evaluation of time series models for forecasting arrivals at call centers. Empirical Economics 2016; 1-33.
6. Jalal, M. E., Hosseini, M., & Karlsson, S. Forecasting incoming call volumes in call centers with recurrent neural networks. Journal of Business Research 2016 ; 69(11), 4811-4814.
7. Mohammed, R. A. Using Personalized Model to Predict Traffic Jam in Inbound Call Center. EAI Endorsed Transactions on Scalable Information Systems 2017; 4(12).
8. S. Moazeni and R. Andrade, "A Data-Driven Approach to Predict an Individual Customer's Call Arrival in Multichannel Customer Support Centers," 2018 IEEE International Congress on Big Data (BigData Congress), San Francisco, CA, 2018, pp. 66-73.

9. Li S., Wang Q., Koole G. Predicting call center performance with machine learning. In INFORMS International Conference on Service Science 2018, pp. 193-199.
10. Barrow D., Kourentzes N. The impact of special days in call arrivals forecasting: A neural network approach to modelling special days. European Journal of Operational Research 2018; 264(3), 967-977.