SavedAdd your journal

Journals / Business and Management Studies: An International Journal / 2020 / Cilt: 8 - Sayı: 1

TROUBLESHOOTING ANALYSIS IN TELECOMMUNICATION SECTOR USING DATA MINING APPROACH

VERİ MADENCİLİĞİ YAKLAŞIMI İLE TELEKOMUNİKASYON SEKTÖRÜNDE ARIZA GİDERME ANALİZİ

BURCU ORALHAN
Pages
1026–1043
DOI
—
🏛️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)

The current research is important in terms of being a guiding work in ensuring effective control of processes in troubleshooting analysis.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Experiencing problems without troubleshooting in the services that is offered by telecommunication operators causes the decreasing customer loyalty and loss of income.
📊
Key Findings & Data:In this scope, 4032 data that obtained from the company during the March-May 2019 period were used. 3748 samples were included the analysis after the pre-processing step.
💡
Conclusion & Impact:The current research is important in terms of being a guiding work in ensuring effective control of processes in troubleshooting analysis.
🔬Design:Research Article
📍Scope:2019 · 3748 samples
⚙️Variables:Domain Parameters

Abstract

Experiencing problems without troubleshooting in the services that is offered by telecommunication operators causes the decreasing customer loyalty and loss of income. Data mining provides improved information through analysis of available data in the telecommunications industry. In this study, the data mining was applied on the troubleshooting process of broadband network in one of a leading telecommunication company in Turkey. In this scope, 4032 data that obtained from the company during the March-May 2019 period were used. 3748 samples were included the analysis after the pre-processing step. Seven different variables including Trouble Center, Work Order, Team Number, Service Type, Duration of Service, Complaint Type and Result data were recorded during the trouble recording process. According to the result, J48, PART and Multilayer Perceptron classifiers were performed better than others in the data set. The current research is important in terms of being a guiding work in ensuring effective control of processes in troubleshooting analysis.

Özet

Telekomünikasyon operatörleri tarafından sunulan hizmetlerde problem veya arıza ile karşılaşılmasınınyanı sıra meydana gelecek bu tür olumsuzlukların giderilememesi, müşteri güvenini azaltmakta ve sonuç olarakgelir kaybına yol açmaktadır. Veri madenciliği, telekomünikasyon endüstrisinde mevcut verilere ilişkin analizlersayesinde geliştirilmiş bilgiyi sağlayabilmektedir. Bu çalışmada, Türkiye’de telekomünikasyon sektöründe yeralan öncü bir firmanın mobil ağlarında sorun giderme süreçlerine veri madenciliği süreci uygulanmıştır. Bukapsamda Mart-Mayıs 2019 tarih aralığında elde edilen 4032 veri ön işleme süreci sonucunda 3748 örneklemolarak analize dahil edilmiştir. Arıza kaydı sürecinde kayıt altına alınan Arıza Merkezi, İş Emri, Ekip Numarası,Hizmet Türü, Hizmet Süresi, Şikâyet Türü ve Sonuç verilerinden oluşan 7 farklı değişken incelenmiştir. Eldeedilen sonuçlara göre J48, PART ve Multilayer Perceptron sınıflandırıcılarının veri kümesinde daha iyiperformans gösterdiği görülmüştür. Süreçlerin etkin bir şekilde kontrol etmesini sağlamada arıza gidermeanalizlerinde yol gösterici bir çalışma olması bakımından önem arz etmektedir.

🔖

Cite This Article

ORALHAN, B. (2020). TROUBLESHOOTING ANALYSIS IN TELECOMMUNICATION SECTOR USING DATA MINING APPROACH. Business and Management Studies: An International Journal, Cilt: 8 - Sayı: 1, 1026–1043. https://ajindex.com/articles/351903

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. Acker, O., Blockus, A., & Pötscher, F. (2013). Benefiting from big data: A new approach for the telecom industry. Strategy&, Analysis Report. Aliu, O. G., Imran, A., Imran, M. A., & Evans, B. (2012). A survey of self organisation in future cellular networks. IEEE Communications Surveys & Tutorials, 15(1), 336-361.
  2. Akçetin, E., & Çelik, U. (2014). İstenmeyen elektronik posta (spam) tespitinde karar ağacı algoritmalarının performans kıyaslaması. Journal of Internet Applications & Management/İnternet Uygulamaları ve Yönetimi Dergisi, 5(2). Albayrak, A. S., & YILMAZ, Ö. G. Ş. K. (2009). Veri madenciliği: Karar ağaci algoritmalari ve İMKB verileri üzerine bir uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 31-52. Apté, C., & Weiss, S. (1997). Data mining with decision trees and decision rules. Future generation computer systems, 13(2-3), 197-210.
  3. Aynekin, G. (2006). İnternet içerik madenciliğinde yapay sinir ağları ve bir uygulama (Master's thesis, Uludağ Üniversitesi). Barco, R., Guerrero, R., Hylander, G., Nielsen, L., Partanen, M., & Patel, S. (2002, September). Automated troubleshooting of mobile networks using bayesian networks. In Proc. IASTED International Conference on Communication Systems and Networks (CSN02), Malaga, Spain (p. 105110). Barco, R., Wille, V., & Díez, L. (2005). System for automated diagnosis in cellular networks based on performance indicators. European Transactions on Telecommunications, 16(5), 399-409.
  4. Bozkır, A. S. (2009). OLAP ve veri madenciliği teknolojilerinden yararlanılarak web tabanlı bir karar destek sisteminin gerçekleştirilmesi. Yayımlanmış Yüksek Lisans Tezi. Hacettepe Üniversitesi,
  5. Ankara.
  6. Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
  7. Calyam, P., Dovrolis, C., Jörgenson, L., Kettimuthu, R., Tierney, B., & Zurawski, J. (2013). Monitoring and troubleshooting multi-domain networks using measurement federations [guest editorial]. IEEE Communications Magazine, 51(11), 53-54.
  8. Cao, H., Dong, W. S., Liu, L. S., Ma, C. Y., Qian, W. H., Shi, J. W.,. & Cohen, D. (2014). SoLoMo analytics for telco Big Data monetization. IBM Journal of Research and Development, 58(5/6), 9-1.
  9. Chen, R., Ji, W., Duan, S., Ling, Q., & Li, F. (2017, August). A novel method to analyze logs generated by wireless telecommunication systems. In 2017 2nd International Conference on Advanced Robotics and Mechatronics (ICARM) (pp. 235-238).
  10. IEEE. Cohen, W. W. (1995). Fast effective rule inductio