Geri Dön

Forecasting arrivals to a call centre using machine learning and deep learning

Makine öğrenimi ve derin öğrenme kullanarak bir çağrı merkezine gelenlerin tahmin edilmesi

  1. Tez No: 904797
  2. Yazar: RUKIA KASAULI NAKKAZI
  3. Danışmanlar: PROF. DR. MEHMET FATİH AKAY
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Çağrı Geliş Tahmini, makine öğrenimi, Hiperparametre Optimizasyonu, Özellik Seçimi, Call Arrivals forecasting, machine learning, Hyperparameter Optimization, Feature Selection
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 97

Özet

Çağrı merkezi operasyonlarının artan karmaşıklığı ile birlikte, çağrı gelişlerini doğru bir şekilde tahmin etmek önemli bir araştırma alanı haline gelmiş ve hem akademinin hem de sanayinin büyük ilgisini çekmiştir. Çağrı gelişlerini tahmin etmek, etkili kaynak tahsisi, personel kararları ve hizmet seviyesi planlaması için gereklidir; bu da nihayetinde operasyonel verimliliği ve müşteri memnuniyetini artırmaktadır. Bu çalışma, çağrı geliş tahmin doğruluğunu artırmak için Bayes optimizasyonunu (BO) özellik seçimi ile birleştirmenin etkinliğini araştırmaktadır. Rastgele Orman (RF), Çok Katmanlı Algılayıcı (MLP), Destek Vektör Makineleri (SVM), Tekrarlayan Sinir Ağı (RNN), Evrişimli Sinir Ağı (CNN) ve Uzun Kısa Süreli Bellek (LSTM) dahil olmak üzere çeşitli makine öğrenimi (ML) ve derin öğrenme (DL) modelleri analiz edilmiştir. Gerçek dünyadaki çağrı merkezi verilerini kullanarak, çağrı hacmi ve Ortalama İşlem Süresi (AHT) tahmini yapmak için günlük, saatlik ve yarım saatlik gözlemlere sahip üç veri seti kullanılmıştır. Otokorelasyon fonksiyonları, bu veri setlerindeki kalıpları ortaya çıkarmıştır. Hem çok değişkenli hem de tek değişkenli tahmin yaklaşımları değerlendirilmiştir. Ortalama Mutlak Hata (MAE) metriği ve Kök Ortalama Kare Hata (RMSE) metriği kullanılarak, seçilmiş özelliklerle optimize edilmiş modellerin, tüm özelliklere sahip temel modelleri ve optimize edilmiş modelleri sürekli olarak geride bıraktığı gösterilmiştir. Özellikle, DL modelleri, özellikle CNN ve LSTM, Bayes optimizasyonu ve özellik seçimi kombinasyonuna karşı güçlü bir yanıt vermiş olup. ML modelleri, özellikle MLP ve RF, güçlü temel performanslar sergilemiştir ve bu yaklaşımdan fayda sağlamıştır. Veri setine bağlı olarak, çağrı hacmi ve AHT tahminleri için çok değişkenli modellerde yaklaşımımızdan sağlanan performans artışı, ML modelleri için %14 ila %88, DL modelleri için ise %92 ila %97 arasında değişmiştir. Sadece BO içeren tek değişkenli modellerde ise, ML modelleri için iyileşme oranı %20 ila %71, DL modelleri için %50 ila %96,6 arasında değişmiştir. Bu sonuçlar, hem çağrı hacmi hem de AHT tahminlerinde daha doğru tahminler elde etmek için özellik seçiminin Bayes optimizasyonu ile birleştirilmesinin etkinliğini ortaya koymaktadır.

Özet (Çeviri)

With the increasing complexity of call center operations, accurate call arrival prediction has become a crucial research area, attracting significant attention from both academia and industry. Forecasting call arrivals is essential for effective resource allocation, staffing decisions, and service level planning, ultimately improving operational efficiency and customer satisfaction. This study investigates the effectiveness of combining Bayesian optimization (BO) with feature selection to enhance call arrival prediction accuracy. We analyzed various machine learning (ML) and deep learning (DL) models, including Random Forest (RF), Multi-layer Perceptron (MLP), Support Vector Machine (SVM), Recurrent Neural Network (RNN), Convolutional Neural Network (CNN), and Long Short-Term Memory (LSTM). Using real-world call center data, we employed three datasets with daily, hourly, and half-hourly observations to predict call volume and Average Handling Time (AHT). Autocorrelation functions revealed patterns in these datasets. Both multivariate and univariate prediction approaches were evaluated. Using the Mean Absolute Error (MAE) metric and Root Mean Squared Error metric (RMSE), we demonstrated that optimized models with selected features consistently outperformed baseline models and optimized models with all features. Specifically, DL models, notably CNN and LSTM, showed robust responsiveness to combined BO and feature selection. ML models, especially MLP and RF, had strong baseline performances and also benefited from our approach. Depending on the dataset, performance gains from our approach ranged from 14% to 88% for ML models and 92% to 97% for DL models for both call volume and AHT predictions for multivariate models. For univariate models with only BO, percentage improvements ranged from 20% to 71% for ML models and 50% to 96.6% for DL models. These results highlight the effectiveness of combining feature selection with BO for more accurate predictions of both call volume and AHT.

Benzer Tezler

  1. Forecasting call center arrivals: A case study in the telecommunication sector

    Çağr merkezine gelen çağrıların tahmini: Telekomünikasyon sektöründe bir vaka çalışması

    MELTEM KURT

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Endüstri ve Endüstri MühendisliğiMarmara Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. BAHAR SENNAROĞLU

  2. Pi-Sigma yapay sinir ağları ile turist sayısı tahmini

    Forecasting number of tourists with Pi-Sigma artificial neural networks

    MUZHDA MAMMADOVA

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    İstatistikGiresun Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. EROL EĞRİOĞLU

  3. Box-Jenkins ve yapay sinir ağı yöntemleri ile havalimanı yolcu talebi öngörülenmesi: Antalya Havalimanı örneği

    Forecasting airport passanger demand by Box-Jenkins and artificial neural networks methods: A case study of Antalya Airport

    HAKAN BOZDAĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    EkonometriSüleyman Demirel Üniversitesi

    Ekonometri Ana Bilim Dalı

    PROF. DR. ABDULLAH EROĞLU

  4. Ateşböceği algoritması ve yapay sinir ağları kullanılarak acil servis hasta gelişlerinin tahmin edilmesi

    Forecasting of patient arrivals at emergency department using firefly algorithm and artificial neural networks

    MERVE GİZEM KARŞI

    Doktora

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiEskişehir Osmangazi Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MERYEM ULUSKAN

  5. Turizm sektöründe talep tahminleri için yapay sinir ağları kullanımı ve diğer yöntemlerle karşılaştırmalı analizi (Antalya ilinin dış turizm talebinde uygulama)

    Forecasting tourism demand by artificial neural networks and time series methods (A comparative analysis in inbound tourism demand to Antalya

    MURAT ÇUHADAR

    Doktora

    Türkçe

    Türkçe

    2006

    TurizmSüleyman Demirel Üniversitesi

    İşletme Ana Bilim Dalı

    PROF.DR. İBRAHİM GÜNGÖR