Çeşitli makine öğrenmesi yöntemleri aracılığıyla çağrı tahminleme yaparak çağrı merkezi performansı iyileştirme

Son yıllarda, bir problem tahmin problemi olarak dizayn edildiğinde, literatür çeşitli makine öğrenimi ile alakalı olan veya olmayan çözümler sunmaktadır. Bu nedenle, tahmin problemleri yoğun bir şekilde incelenmektedir ve özellikle hizmet sistemlerinde karşılaştırmalı çalışmaların en iyi çözümleri bulmak için önerildiği görülmektedir. Bu çalışmada, çeşitli alanlardaki öngörü problemleri hakkında mevcut son literatürü düzenlenmesi ve literatürden yola çıkarak 4 kıyaslamalı model incelemeyi amaçlamaktadır. 997 makaleden oluşan sorguların birleştirilmesiyle sürece dahil edilen bir sistemli literatür tarama süreci izlenmiştir. Elemeler sonucunda bunların 24'ü tamamen analiz edilmiştir. Sonuçlar, öngörüyü bir sınıflandırıcı problemi olarak formüle etmenin, XGBoost, Bayesyen Sınıflandırıcı, regresyon vb. kullanımını sağlayarak etiketli verilere ihtiyaç duyduğunu ve hesaplama kolaylığı sağladığını, ancak derin öğrenme çözümlerine göre daha az doğru olabileceğini göstermektedir. Derin öğrenme çözümleri ise herhangi bir alanda olduğu gibi "kara kutu" olup, literatürün kaydedilen her iterasyonu tam olarak tanımlayamamaktadır. Son olarak, literatür, daha iyi bir uyum elde etmek için, örneğin sezgisel kural setleri ve derin öğrenmeyi kullanarak, karışık çözümlere, yani makine öğrenimi olmayan ve makine öğrenimi çözümlerini bir araya getirmeyi önermektedir.