Karar ağacı modeliyle tahmin edilen personellerin değerlendirilmesi

Sistemine gelen taleplerin uygun personellere atanması amacıyla yapılan personel tahmini için bir diğer model karar ağacıydı. Her bir olasılığın karar ağacı modelinde kullanılan dallanma metodu Şekil 4.7.’de verilmiştir.

Tablo 4.23.’te faaliyet giren firma personelinin iş faaliyetlerinde harcadıkları zamana bağlı sonuç değerleri ve bu dallanma modeline göre tahmin edilen personel tablosundan örneklem verilmiştir. Tahmin edilen personellerin örneklem tablosunun tamamı ektedir.

Tablo 4.23. Karar Ağacı Modeliyle Personel Tahmini

Yapılan tahmin sonucunda Karar Ağacı Modeli scorer node’u çıktısına göre doğru sınıflandırma oranı % 98,411 hatalı sınıflandırma oranı ise %1,589’dir.

4.4.3. PNN algoritmasıyla tahmin edilen personellerin değerlendirilmesi

Yapılan personel tahmini için uygulanan PNN algoritmasının PNN Learner Node’unda içerisinde yazdığı sayısal verilere dayalı kural çıktıları farklı kolonlardaki sınıfların birbirleri ile baülantılı durumları kapsayacak şekilde ek kolonlar kullanılır, sınıf dereceleri 0 ile 1arasında olan sayısal kolonlara ait örneklem Tablo 4.24.’te verilmiştir.

Veriler bu algoritma üzerinde Knime programında çalıştırıldığında tahmin edilen personel verilerine ait tablo aşağıda verilmiştir.

Tablo 4.24. PNN Algoritması Kural Çıktıları

Eğitim&Danışmanlık Hata Kullanıcı Test Çalışması Güncelleme Data Düzeltme İş Zekası(#1)Şikayet Demo Performans MİY Faaliyet Giren Weight Spread Features Variance

0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 2 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 3 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 13 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 50 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 6 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 1 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 2 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 1 1,3653 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 3 1,1148 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 1 0,1182 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 1 0,0131 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 2 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 18 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 1 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 1 0,0263 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 2 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 1 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 3 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 74 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 2 0 61 0 0 0 0 0 0 0 0 0 0 0 Firma Çalışanı 7 1,1148 61 0

Aşağıda verilen Tablo 4.25.’de diyagoneldeki veriler doğru tahmin edilen personel sayısını diyagonel dışındaki veriler hatalı tahmin edilen personel sayısını göstermektedir. Bu işlem sonucunda algoritma %53,862 doğru sınıflama, %46,138 hatalı sınıflama yapmıştır.

BÖLÜM 5. TARTIŞMA VE SONUÇ

Bu bölümde, kullanılan Naive Bayes, Karar Ağacı ve PNN Algoritması modellerini program üzerinde çalıştırdığımızda modelle ilgili istatistiksel bilgi veren scorer node’du verilerin uyumu hakkında bilgi vermektedir. Scorer Node’u çıktısında üç modelde de veriler arasında bir uyum olduğu görülmüştür. Bunun sonucunda bu verilerin bu üç modelle de analiz edilebileceği anlamına gelmektedir, ancak veriler arasında uyum olmasına rağmen bu uyumun derecesi üç modelde de farklılık göstermekdir.

Modellerle ilgili Scorer çıktıları veri ilişkilerinin anlamlı olup olmadığı hata ve doğru sınıflandırma oranlarının sonuç pencereleri aşağıda verilmiştir;

a. Şekil 5.1. Naïve Bayes Modeli Scorer Çıktısı: Tahmin edilen personelin örneklem çıktılarına istinaden uyuşmanın güvenirliğini ölçen istatistik yöntemi Cohen'in kappa ölçüsü 0,33 olduğu tespit edilmişdir.

Şekil 5.1. Naïve Bayes Modeli Scorer Çıktısı

b. Şekil 5.2. Karar Ağacı Modeli Scorer Çıktısı: Tahmin edilen personelin örneklem çıktılarına istinaden uyuşmanın güvenirliğini ölçen istatistik yöntemi Cohen'in kappa ölçüsü 0,983 olduğu tespit edilmişdir.

c. Şekil 5.3. PNN Algoritması Scorer Çıktısı: Tahmin edilen personelin örneklem çıktılarına istinaden uyuşmanın güvenirliğini ölçen istatistik yöntemi Cohen'in kappa ölçüsü 0,514 olduğu tespit edilmişdir.

Şekil 5.3. PNN Algoritması Scorer Çıktısı

Tespit edilen Cohen'in kappa ölçüm değerlerini yorumlamak için sayısal dizelerden oluşan aralıklar aşağıda belirtilmiştir.

Veriler arasındaki uyumu gösteren Cohen’s kappa (k) katsayısı; k < 0 = uyuşma yok

0 < k < 0,2 = önemsiz uyuşma

0,21 < k < 0,4 = orta derecede uyuşma 0,41 < k < 0,6 = ekseriyetle uyuşma

0,61 < k < 0,80 = önemli derecede uyuşma

0,81 < k < 1 = neredeyse mükemmel uyuşma şeklinde uyumun derecesini göstermetedir.

Buna göre uyguladığımız üç modelin Cohen’s kappa katsayıları karşılaştırıldığında Naïve Bayes modeli cohen’s kappa katsayısı 0,33; karar ağacı modeli cohen’s kappa katsayısı 0,983 ve PNN algoritması modeli cohen’s kappa katsayısı 0,514 şeklindedir ve veriler arasındaki en yüksek uyum karar ağacı modelinden çıkmaktadır.

Bu çalışmada bir danışmanlık şirketinin CRM sistemine gelen taleplerin en hızlı ve güvenilir bir şekilde personellere atanması için sistemdeki veriler analiz edilerek personel tahmini yapılmış ve bu çalışmadan sonra sisteme gelen taleplerin doğru personel ataması yapılması için hangi modelle analiz edilmesi gerektiği önermesi yapılmıştır.

Çalıştırılan modellerin Scorer Node’larından elde ettiğimiz verilere göre üç model arasından karar ağacı modelinin tutarlı olduğu gözlemlenmiştir. CRM sistemine

gelecek yeni talepler için gerekli bilgiler elde edildiğinde Karar Ağacı modeliyle güvenilir personel tahmin edilebilmektedir.

KAYNAKLAR

[1] Ersoy, A.İ. 2014. http://www.ilkerersoy.com/modul/blogliste/ekle/?haberId=20. Erişim Tarihi: Aralık 2018.

[2] tr.wikipedia.org,Şubat2013.

http://tr.0wikipedia.org/wiki/B%C3%BCy%C3%BCk_veri. Erişim Tarihi: Aralık 2018.

[3] Uzun, O. Makine Öğrenmesine Giriş, Çukurova Üniversitesi, 2008.

http://bmb.cu.edu.tr/uorhan/DersNotu/Ders01.pdf. Erişim Tarihi: Aralık 2018. [4] Soylu, E. Karabük Üniversitesi-Veri Toplama ve Isleme, 22 Mayıs 2018.

http://web.karabuk.edu.tr/emelkocak/indir/MTM326/veri_madencili%C4%9Fi.pdf. Erişim Tarihi: 1 Mart 2019.

[5] Kaya, A. tech-worm, 13 Ekim 2018. https://www.tech-worm.com/bilgi-veri-ve-enformasyon-arasindaki-iliski-nedir/. Erişim Tarihi: Ocak 2019.

[6] Aytaç, M. Türkiye İstatistik Kurumu, Türkiye Cumhuriyeti Hazine ve Maliye Bakanlığı, 29 Ocak 2014. http://www.tuik.gov.tr/PreHaberBultenleri.do?id=18616 2014. Erişim Tarihi: Ekim 2018.

[7] Aytaç, M. Türkiye İstatistik Kurumu, Türkiye Cumhuriyeti Hazine ve Maliye Bakanlığı, 28 Ocak 2015. http://www.tuik.gov.tr/PreHaberBultenleri.do?id=18616 2014. Erişim Tarihi: Ekim 2018.

[8] www.exastax.com.tr Bilgi Teknolojileri A.Ş, 31 Ocak 2018.

https://www.exastax.com.tr/veri-analitigi/veri-madenciliginin-tarihi/. Erişim Tarihi: 1 Şubat 2019.

[9] Şener, Y. Disiplinler Arası Bir Yerde Yiğit Şener, 3 Mayıs 2015. http://www.ysener.com/veri-madenciligi-data-mining-nedir/. Erişim Tarihi: Ocak 2019.

[10] Mishra, N. the crazy programmer, 19 Ocak 2012.

https://www.thecrazyprogrammer.com/2018/02/introduction-to-data-mining.html. Erişim Tarihi: 3 Şubat 2019.

[11] Hoche, I. G. L. P. C. v. N. S. S. Veri Tabanları, Bilgi Keşfi, Bilgi Çıkarma ve Web Madenciliği, St. Joseph, Michigan www.asabe.org , 2013.

[12] Baxte, K. Just4Programmers, Microsoft Gold Partner, Ocak 1997.

http://just4programmersuk.blogspot.com/2018/02/introduction-to-data mining.html. Erişim Tarihi: 1 Şubat 2018.

[13] Turban,E. Sharda,R. Delen, D. ve King, D. Business Intelligence, A Managerial Approach, 2nd Ed, Prentice Hall., BostonColumbusIndianapolisNew YorkSan

Francisco Upper Saddle River AmsterdamCape

TownDubaiLondonMadridMilanMunichParisMontrealTorontoDelhiMexico

CitySão PauloSydneyHong KongSeoulSingaporeTaipeiTokyo: Second Edition, 2011.

[14] Şeker, Ş. E. İş Zekası ve Veri Madenciliği, Cinius Yayınları, 2013.

[15] JiaweiHan,Y.F.K.K.G.M.W.W.O.R.Z.

http://www.gabormelli.com/RKB/1995_KnowledgeMiningInDatabases, 1995.

https://webdocs.cs.ualberta.ca/~zaiane/postscript/cai95.pdf. Erişim Tarihi: Ocak 2019.

[16] Köse, Y. Değerli müşterilerde ürün kategorileri arasındaki satış ilişkilerinin veri madenciliği yöntemlerinden birliktelik kuralları ve kümeleme analizi ile belirlenmesi ve ulusal bir perakendecide örnek uygulama, Konya: Sekçuk Üniversitesi, 2015.

[17] Akpınar, P. H. Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği, İstanbul Üniversitesi İşletme Fakültesi Dergisi, cilt 29, no. 1, pp. 1-22, 2000.

[18] Özkan, D. Y. Veri MadenciliğiYöntemleri, Cağaloğlu (Fatih)/İstanbul: Papatya Yayıncılık Eğitim A.Ş, 2013.

[19] Tekerek, A. Veri Madenciliği Süreçleri ve Açık Kaynak Kodlu Veri Madenciliği Araçları, %1 içinde Akademik Bilişim’11 - XIII. Akademik Bilişim Konferansı Bildirileri, İnönü Üniversitesi, Malatya, 2011.

[20] Bilgin, T. Veri Akışı Diyagramları Tabanlı Veri Madenciliği Araçları ve Yazılım Geliştirme Ortamları, %1 içinde Akademik Bilişim’09- XI. Akademik Bilişim Konferansı Bildirileri, Şanlıurfa.

[21] Shearer, C. CRISP-DM: Towards a Standard Process Model for Data, JOURNAL OF DATA WAREHOUSING, cilt 5, no. 4, p. 13, 2000.

[22] Werner Reinartz, J. T. V. K. Balancing Acquisition and Retention Resources to

Maximize Customer Profitability,

https://www.researchgate.net/publication/228643081, 2005.

EKLER

ÖZGEÇMİŞ

Kamil İlhan, 10.10.1990’da Tokat’da doğdu. İlk, orta ve lise eğitimini İstanbul’da tamamladı. 2008 yılında Avcılar Anadolu Tekink ve Endüstri Meslek Lisesi’nden mezun oldu. 2009 yılında başladığı Kocaeli Üniversitesi Elektronik Teknolojileri Bölümü’nü 2012 yılında bitirdi. 2013 yılında İstanbul Üniversitesi Endüstri Mühendisliği Bölümü’nde lisans eğitimine başladı. 2017 yılında Sakarya Üniversitesi Mühendislik Yönetimi Bölümünde Yüksek lisans eğitimine başladı. Aktif çalışma hayatı süresinde Tübitak – Tüsside, Türk Savunma Sanayi Transvaro Elektron Aletleri A.Ş, Arçelik Elektronik İşletmesi Ar-Ge personeli ve Setur Servis Turistik A.Ş şirketlerinde görev aldı.