Geri Dön

Veri madenciliği teknikleri ile sağlık turizminde rezervasyon iptallerinin tahmini

Prediction of reservation cancellations in health tourism with data mining techniques

  1. Tez No: 856845
  2. Yazar: EROKAN CANBAZOĞLU
  3. Danışmanlar: PROF. DR. EMRE İPEKÇİ ÇETİN
  4. Tez Türü: Doktora
  5. Konular: Ekonometri, Econometrics
  6. Anahtar Kelimeler: Sağlık Turizmi, Veri Madenciliği, Makine Öğrenimi, Rezervasyon İptali, Yapay Zekâ, Health Tourism, Data Mining, Machine Learning, Reservation (Booking) Cancellation, Artificial Intelligence
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Akdeniz Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: Ekonometri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 149

Özet

Sağlık kuruluşları ve seyahat acentalarının sağlık turizmi süreçlerini etkin bir şekilde yönetmeleri, işletmenin itibarı ve en fazla kârı elde etmesi açısından çok kritik bir öneme sahiptir. Sağlık turizmi paydaşları, sosyal medya platformları aracılığı ile yaptıkları etkileyici tanıtımlar sayesinde sağlık turizmine ilgiyi arttırmış ve güçlü bir rekabet ortamı oluşturmuştur. Sağlık turistleri, rakip sağlık turizmi firmalarının sundukları cazip tedavi paketlerinin etkisi ile, yapmış oldukları rezervasyonları iptal edebilmektedir. İptal edilen rezervasyonları ön göremeyen ve gerekli önlemleri alamayan sağlık turizmi paydaşları, kaynaklarının doğru bir şekilde yönetilmesinde sorun yaşamakta ve bu durum gelir kaybı ile sonuçlanmaktadır. Doktora araştırması kapsamında, makine öğrenmesi teknikleri kullanılarak ve rezervasyon esnasında sağlık turistinin verilerini göz önünde bulundurarak rezervasyon iptal tahmini yapan“Sağlık Turizmi Yönetim Sistemi (STYS)”geliştirilmiştir. Kişisel veri içermeyen, anonim hale getirilmiş 5.060 adet sağlık turisti rezervasyon verisi, on iki farklı makine öğrenmesi yöntemi (ZeroR, Naive Bayes, K-En Yakın Komşu, Destek Vektör Makinaları, Lojistik Regresyon, Karar Ağaçları, Yapay Sinir Ağları, Rastgele Orman, XGBoost, CatBoost, AdaBoost ve LightGBM) ve on farklı model değerlendirme metriği (doğruluk, kesinlik, hassasiyet, F1-skor, özgüllük, FPR, FNR, NPV, ROC ve hız) kullanılarak sağlık turizmi rezervasyon iptal tahmin modelleri geliştirilmiştir. Veri sınıfı dengesizliklerinin önüne geçebilmek, tahmin sonuçlarını iyileştirebilmek ve daha tutarlı tahmin sonuçları elde edebilmek için ADASYN, ROSE, SMOTE ve SMOTE-ENN teknikleri ile veri seti dengeli hale getirilmiş ve sonuçlar karşılaştırılmıştır. Geliştirilen tahmin modelleri, sağlık turistlerinin rezervasyon iptallerinin başarılı bir şekilde tahmin edilebileceğini ve iptale neden olan bağımsız değişkenlerin tespit edilebileceğini göstermiştir. Tahmin modellerinin rezervasyon sistemleri içerisinde gerçek zamanlı olarak çalışabileceğini göstermek amacıyla bir prototip geliştirilmiştir. Sağlık turizmi paydaşları geliştirilen prototip sayesinde, rezervasyonlarını iptal edecek sağlık turistlerini tespit edebilmekte ve rezervasyon iptalinin azalmasını sağlayan gerekli aksiyonları alabilmektedir.

Özet (Çeviri)

Effectively managing health tourism processes by healthcare institutions and travel agencies is of critical importance for the reputation and maximum profitability of the business. Health tourism stakeholders have increased interest in health tourism and created a strong competitive environment through impressive promotions on social media platforms. Health tourists can cancel their reservations due to the attractive treatment packages offered by rival health tourism firms. Stakeholders in health tourism who fail to anticipate canceled reservations and take necessary precautions experience difficulties in managing their resources correctly, resulting in revenue loss. Within the scope of a doctoral research, a“Health Tourism Management System (HTMS)”has been developed using machine learning techniques and considering health tourist data during reservation to predict reservation cancellations. Anonymized data of 5,060 health tourist reservations, devoid of personal data, were utilized along with twelve different machine learning methods (ZeroR, Naive Bayes, K-Nearest Neighbor, Support Vector Machines, Logistic Regression, Decision Trees, Artificial Neural Networks, Random Forest, XGBoost, CatBoost, AdaBoost, and LightGBM) and ten different model evaluation metrics (accuracy, precision, recall, F1-score, specificity, FPR, FNR, NPV, ROC, and speed) to develop health tourism reservation cancellation prediction models. Techniques such as ADASYN, ROSE, SMOTE, and SMOTE-ENN were employed to balance the dataset, overcome data class imbalances, improve prediction results, and obtain more consistent prediction outcomes, and the results were compared. The developed prediction models have demonstrated that health tourist reservation cancellations can be successfully predicted, and independent variables causing cancellations can be identified. A prototype has been developed to demonstrate that prediction models can work in real-time within reservation systems. Health tourism stakeholders can identify health tourists who will cancel their reservations and take necessary actions to reduce reservation cancellations through the developed prototype.

Benzer Tezler

  1. Shelf arrangement via data mining techniques and a case study

    Veri madenciliği teknikleri ile raf düzenleme ve bir vaka çalışması

    ZEYNEP CEYLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Endüstri ve Endüstri MühendisliğiMarmara Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. SENİYE ÜMİT OKTAY FIRAT

  2. Prescription fraud detection via data mining: A methodology proposal

    Veri madenciliği teknikleri ile reçete usulsüzlüklerinin tespiti: Bir yöntem önerisi

    KARCA DURU ARAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2009

    Endüstri ve Endüstri Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Endüstri Mühendisliği Bölümü

    PROF. DR. ALTAY GÜVENİR

    PROF. DR. İHSAN SABUNCUOĞLU

  3. Veri madenciliği teknikleri ile bulut bilişim tabanlı giyilebilir hareket tanı sistemi oluşturulması

    Creating cloud computing based wearable motion diagnostic system with data mining techniques

    ERHAN KAVUNCUOĞLU

    Doktora

    Türkçe

    Türkçe

    2022

    Mühendislik BilimleriErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ESMA UZUNHİSARCIKLI

    DOÇ. DR. AHMET TURAN ÖZDEMİR

  4. Veri madenciliği yöntemleri ile sağlık sektörü veritabanlarında bilgi keşfi: Tanımlayıcı ve kestirimci model uygulamaları

    Knowledge discovery in health sector databases by using data mining methods: Applications of descriptive and predictive models

    SEZGİN IRMAK

    Doktora

    Türkçe

    Türkçe

    2009

    HastanelerAkdeniz Üniversitesi

    İşletme Ana Bilim Dalı

    DOÇ. DR. CAN DENİZ KÖKSAL

  5. Sağlık verilerinde veri madenciliği teknikleri ile sağkalımı etkileyen faktörlerin seçimi, performanslarının değerlendirilmesi

    Selection of factors affecting survival and performance evaluation with data mining techniques in health data

    BÜŞRA ECEM GÜNAYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    BiyoistatistikEge Üniversitesi

    Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı

    PROF. DR. SONER DUMAN