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

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. Anahtar Kelimeler: Çağrı Geliş Tahmini, makine öğrenimi, Hiperparametre Optimizasyonu, Özellik Seçimi