Çağrı Merkezlerinde İşgücü Planlaması ve Performans Geliştirmede Çağrı Hacmi Tahminleri: ARIMA, Üstel Düzeltme Ve Karar Ağacı Regresyonu
Author :
Abstract
Çağrı merkezleri, müşteri hizmetleri, satış, teknik destek, şikayet yönetimi ve pazar araştırması gibi bazı işlevleri yerine getirmektedir. Bu nedenle çağrı merkezlerinde sistemsel bir iş yoğunluğu görülmektedir. İş yoğunluğunun fazla olduğu çağrı merkezlerinde vardiya planlaması ve performans değerlendirmeleri iki önemli konudur. Vardiya planlaması işgücü kaynağının verimli kullanımına olanak sağlar. Doğru vardiya planlaması ve bu sayede gerçekleştirilen işgücü kaynağının tahsisi, çağrı merkezlerinin müşteri memnuniyetini ve operasyonel verimliliğini artırmada kritik bir öneme sahiptir. Bu çalışmanın amacı, çağrı merkezi alanında faaliyet gösteren işletmelere veri odaklı karar verme süreçlerinde yardımcı olacak en uygun çağrı hacmi tahminini veren modeli belirlemektir. Bu amaç için gerçek çağrılar ele alınarak hem küçük hem de büyük veri setleri (Uzun data) oluşturulmuştur. Çağrı hacmi veri setlerine klasik zaman serisi modellerinden ARIMA ve Üstel Düzeltme, makine öğrenmesi yöntemlerinden Karar Ağacı Regresyonu yöntemi uygulanmış ve tahmin performansları hatalara dayalı kriterler kullanılarak karşılaştırılmıştır. Gerçek çağrı merkezi verileri kullanılarak yapılan bu çalışmada, büyük veri setlerinde Karar ağacı regresyonu modelinin ARIMA ve Üstel Düzeltme klasik zaman serisi modellerine göre daha iyi performans gösterdiği sonucuna ulaşılmıştır. Fakat küçük veri setlerinde Üstel Düzeltme klasik zaman serisi modelinin daha başarılı olduğu bulgusuna ulaşılmıştır. Sonuçlar, çağrı hacmi tahminlerinde hacim açısından veri bazlı model seçiminin çağrı merkezi operasyonlarının daha etkin ve esnek hale getirilmesindeki önemini ortaya çıkartmaktadır.
Keywords
Abstract
The call centers perform some functions such as customer service, sales, technical support, complaint management and market research. For this reason, there is a systematic workload in call centers. Shift planning and performance evaluations are two important issues in the call centers with high workload. Shift planning provides efficient use of labor resources. Optimum shift planning and the distribution of workforce resources provided by this planning have critical importance in order to increase the operational efficiency and customer satisfaction in call centers. The aim of this study is to determine the model that provides the most appropriate call volume prediction to assist businesses in the call center area in data based decision-making processes. To this aim, classical ARIMA and Exponential Smoothing time series models and Decision Tree Regression which is a machine learning method, are applied to call volume datasets and their prediction performances are compared by using error based criteria. For this, both small and tall datasets are created by taking real calls. In this study, used real call center data, it is concluded that the Decision Tree regression model performs better than ARIMA and Exponential Smoothing classical time series models in tall datasets. However, the Exponential Smoothing classical time series model is more successful in small datasets. The results are revealed the importance of data driven model selection in call volume predictions in making call center operations more effective and flexible.
