SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 41 Sayı: 1

Hiperparametrize edilmiş makine öğrenme algoritmaları ile iş yükü tahmini: Bankacılık sektöründe uygulaması

Yunus Emre Balcı(SAKARYA ÜNİVERSİTESİ, FEN BİLİMLERİ ENSTİTÜSÜ)0000-0002-0952-8202
Alparslan Serhat Demir(SAKARYA ÜNİVERSİTESİ)0000-0003-3415-8116
Pages
339–348
Publication Date
2026-03-31
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Bu bulgular, maliyet optimizasyonu ile çalışan ve müşteri memnuniyetinin artırılmasına katkı sağlamaktadır

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Dijitalleşen dünya, özellikle finans sektöründe köklü değişimlere yol açmakta; artan dijital banka sayısı, şubeli bankalar için hem tehdit hem de dijital dönüşüm açısından önemli bir uyarıcı niteliği taşımaktadır.
📊
Key Findings & Data:Bu dönemde şubeli bankaların, personel giderleri gibi büyük maliyet kalemlerini etkin yöneterek dijital bankalarla rekabette avantaj sağlaması kritik öneme sahiptir.
💡
Conclusion & Impact:Bu bulgular, maliyet optimizasyonu ile çalışan ve müşteri memnuniyetinin artırılmasına katkı sağlamaktadır
🔬Design:Araştırma Makalesi
📍Scope:Comprehensive Sample
⚙️Variables:İş yükü tahminlemesi · makine öğrenmesi · LSTM

Özet

Dijitalleşen dünya, özellikle finans sektöründe köklü değişimlere yol açmakta; artan dijital banka sayısı, şubeli bankalar için hem tehdit hem de dijital dönüşüm açısından önemli bir uyarıcı niteliği taşımaktadır. Bu dönemde şubeli bankaların, personel giderleri gibi büyük maliyet kalemlerini etkin yöneterek dijital bankalarla rekabette avantaj sağlaması kritik öneme sahiptir. Sektörde paylarını koruyabilmeleri ve sürdürülebilir büyüme elde edebilmeleri için dijitalleşmeyi benimsemeleri ve kadro planlamasını doğru şekilde yapmaları gerekmektedir. Kadro sayısının optimize edilmesi, çalışan memnuniyeti ile müşteri deneyimini doğrudan etkileyen stratejik bir faktördür. Eksik kadro iş yükünü artırarak memnuniyeti azaltabilirken, fazla kadro ise maliyetleri yükseltmekte ve yer değişiklikleri nedeniyle çalışanların sosyal yaşamını olumsuz etkileyebilmektedir. Bu çalışma, finans sektöründe faaliyet gösteren bir banka şubesinin kadro planlaması ve kaynak yönetimi süreçlerinde yapay zekâ tekniklerinin avantajlarını incelemektedir. Bir unvan grubuna ait geçmiş performans verileri, müşteri talepleri ve diğer etkenler analiz edilerek XGBoost ve LSTM metotlarıyla iş yükü tahmini yapılmıştır. Elde edilen 0.99 MSE ve 0.99–0.91 korelasyon değerleri, XGBoost’un LSTM’ye kıyasla daha etkili sonuçlar sunduğunu göstermiştir. Bu bulgular, maliyet optimizasyonu ile çalışan ve müşteri memnuniyetinin artırılmasına katkı sağlamaktadır

🔖

Cite This Article

Balcı, Y. E., Demir, A. S. (2026). Hiperparametrize edilmiş makine öğrenme algoritmaları ile iş yükü tahmini: Bankacılık sektöründe uygulaması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 41 Sayı: 1, 339–348. https://doi.org/10.17341/gazimmfd.1496603

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (24)

  1. Türkiye Bankalar Birliği, Number of Banks, Employees, and Branches in the Banking System, September 2023, Report Code: DT13, Türkiye Bankalar Birliği Yayınları, Ankara, 2023.
  2. Delapa J., Optimizing Staff Scheduling for Improved Branch Performance, BAI Banking Strategies, 2014. Erişim tarihi: Ocak 15, 2024.
  3. Dağdeviren M., Eraslan E., Kurt M., A Model to Determine Overall Workload Level of Workers and Its Applications, Journal of the Faculty of Engineering and Architecture of Gazi University, 20 (4), 517–525, 2005.
  4. Sobrie L., Verschelde M., Roets B., Explainable Real-Time Predictive Analytics on Employee Workload in Digital Railway Control Rooms, Eur. J. Oper. Res., 317 (2), 437–448, 2024.
  5. Kadıoğlu M.A., Alataş B., Enhancing Call Center Efficiency: Data Driven Workload Prediction and Workforce Optimization, Eurasia Proc. Sci. Technol. Eng. Math., 24, 96–100, 2023.
  6. Koyuncu O., Turfan E., Workload Forecasting Under Erratic Demand Using Fast Fourier Transform Algorithm, Hacettepe Üniv. İktisadi ve İdari Bilimler Fak. Derg., 38 (1), 97–114, 2020.
  7. Mirza B., Li X., Lauwers K., Reddy B., Muller A., Wozniak C., Djali S., A Clinical Site Workload Prediction Model with Machine Learning Lifecycle, Healthcare Analytics, 3, 100159, 2024.
  8. Nogueira F.D.S., Pompeu F.A.M.S., Maximal Workload Prediction Models in the Clinical Cardio-Pulmonary Effort Test, Arq. Bras. Cardiol., 87, 137–145, 2006.
  9. Cremer L.C., Schrotenboer A.H., Imdahl C., Linking Transportation Data to the Workload Prediction of a Customer Service Department, Master Tezi, Eindhoven University of Technology, Eindhoven, 2022.
  10. Chege K.R., Model to Determine Bank Teller Requirements and Predict Transactions Case for: Banking Industry, Master Tezi, University of Nairobi, Nairobi, 2012.
  11. Sandoval C., Stolar M.N., Hosking S.G., Jia D., Lech M., Real-Time Team Performance and Workload Prediction from Voice Communications, IEEE Access, 10, 78484–78492, 2022.
  12. Pang Y., Hu J., Lieber C.S., Cooke N.J., Liu Y., Air Traffic Controller Workload Level Prediction Using Conformalized Dynamical Graph Learning, Adv. Eng. Inform., 57, 102113, 2023.
  13. Olya M.H., Zhu D., Yang K., Multi-task Prediction of Patient Workload, arXiv Ön Baskı, 2018.
  14. Banerjee S., Roy S., Khatua S., Efficient Resource Utilization Using Multi-Step-Ahead Workload Prediction Technique in Cloud, J. Supercomput., 77, 10636–10663, 2021.
  15. Wu T., Pan M., Yu Y., A Long-Term Cloud Workload Prediction Framework for Reserved Resource Allocation, 2022 IEEE Int. Conf. Serv. Comput. (SCC), 134–139, Temmuz 2022.
  16. Kumar J., Singh A.K., Performance Evaluation of Metaheuristics Algorithms for Workload Prediction in Cloud Environment, Appl. Soft Comput., 113, 107895, 2021.
  17. Nilsson E., Investigating Load Forecasting Methods for an Investment Platform, Master Tezi, KTH Royal Institute of Technology, Stockholm, 2024. 18. Chen T., Guestrin C., XGBoost: A Scalable Tree Boosting System, Proc. 22nd ACM SIGKDD Int. Conf. Knowl. Discov. Data Min., 785–794, 2016. 19. Mandal P., Mandal P., Peak Ground Acceleration Prediction Using Supervised Machine Learning Algorithm for the Seismically Hazardous Kachchh Rift Zone, Gujarat, India, Nat. Hazards, 120 (2), 1821–1840, 2024. 20. Piraei R., Afzali S.H., Niazkar M., Assessment of XGBoost to Estimate Total Sediment Loads in Rivers, Water Resour. Manag., 37 (13), 5289–5306, 2023.
  18. Altun S., Alkan A., LSTM-Based Deep Learning Application in Brain Tumor Detection Using MR Spectroscopy, Journal of the Faculty of Engineering and Architecture of Gazi University, 38 (2), 1193–1202, 2022.
  19. Guler H., et al., In-depth Analysis of Machine Learning Models and Explainable Artificial Intelligence Methods in Diabetes Diagnosis, Journal of the Faculty of Engineering and Architecture of Gazi University, 40 (3), 1995–2011, 2025.
  20. Eslik A., Sen O.Z.A., Serttas F., CNN-LSTM Model for Solar Radiation Prediction: Performance Analysis, Journal of the Faculty of Engineering and Architecture of Gazi University, 39 (4), 2155–2162, 2024.
  21. Simsek M.U., Akgul N.A., Akin M., Anomaly Detection Model with Deep Learning Methods from Big Data Perspective in Kubernetes Architecture, Journal of the Faculty of Engineering and Architecture of Gazi University, 40 (3), 1647–1658, 2025.
  22. Haznedar B., Kilinc H.C., Ozkan F., Yurtsever A., Streamflow Forecasting Using a Hybrid LSTM-PSO Approach: The Case of Seyhan Basin, Nat. Hazards, 117 (1), 681–701, 2023.
  23. Akkurt T., Sarıçiçek İ.N.Ç., KPI Based Performance Estimation in Production Systems Using Deep Learning Techniques, Journal of the Faculty of Engineering and Architecture of Gazi University, 39 (3), 1499–1507, 2024.
  24. Noble N.T., Dev Y.P., Joseph C.T., Machine Learning Based Techniques for Workload Prediction in Serverless Environments, 2023 Int. Conf. Electr. Electron. Commun. Comput. (ELEXCOM), 1–6, Ağustos 2023.