"Nereye yatırım yapmalıyım ve bu soruma ne zaman cevap alacağım? Bu, tüm şirketler için ortak bir sorundur. Turkcell Access Transport Network birimi altında Strategic Planning ve Location Intelligence ekipleri olarak bir araya geldik ve geçmiş analiz deneyimlerimize dayanarak yapay zeka ve makine öğrenimi algoritmalarını kullanarak modern bir analiz yöntemi oluşturduk. Bu çalışmalarda CBS teknolojilerinin ne kadar değerli olduğunu gördük.
Başarı Hikayesi
Turkcell, ArcGIS Machine Learning Araçlarını Kullanarak Önümüzdeki 10 Yıl İçin Müşteri Talebini Tahmin Ediyor
Kullanıcı
Turkcell, Türkiye genelinde sabit ve mobil şebekeler üzerinden 34,4 milyon aboneye hizmet vermektedir.
Sorun
Turkcell'in, yatırım getirisini en üst düzeye çıkarırken ağ oluşturma verimliliğini artıran bir araç geliştirmesi gerekiyordu. ArcGIS ile oluşturulmuş kullanımı kolay bir uygulama geliştirerek, kuruma ağ oluşturma ve satış etkinliğini hızlı bir şekilde belirleme ve önceliklendirme konusunda öngörü oluşturuldu.
Sonuç
Turkcell, pazar büyümesi ve tüketici talebinde yüzde 80'in üzerinde bir veri doğruluğu oranı gerçekleştirerek altyapı ve satış faaliyetlerinin iyileştirilmesine olanak sağladı. Turkcell, Ookla tarafından sağlanan hız testi verilerini kullandı.
Turkcell, mobil ve sabit şebekeleri ile ses, mesajlaşma, veri ve İnternet Protokolü TV (IPTV) hizmetlerinin yanı sıra birçok dijital servis portföyüyle müşterilerine hizmet veren, Türkiye'nin lider dijital operatörüdür. Turkcell şirketi; Türkiye, Ukrayna, Beyaz Rusya ve Kuzey Kıbrıs olmak üzere dört ülkede faaliyet gösteriyor. Turkcell, 1 Nisan 2016'da Türkiye'de Hücresel hizmetleri başlattı ve 81 şehirde Gelişmiş LTE teknolojisini ve üç taşıyıcı birleştirme teknolojisini devreye soktu. Turkcell, eve fiber (FTTH) servisleri ile saniyede 10 gigabit'e (Gbps) kadar fiber optik internet hızı sunuyor. Turkcell, 2021'in 3. çeyreğinde 9,4 milyar TL gelir bildirdi ve 30 Eylül 2021 itibarıyla 57,3 milyar TL toplam varlığa ulaştı. Turkcell, Temmuz 2000'den bu yana New York Menkul Kıymetler Borsası (NYSE) ve Borsa İstanbul borsasında (BIST) işlem görüyor ve Türkiye'nin NYSE listesindeki tek şirketidir.
Sorun
Turkcell yirmi yıldır - dünyadaki birçok telekomünikasyon sağlayıcısı gibi - müşteri talebini değerlendirme pratiğine sahipti. Ancak Turkcell, önümüzdeki 10 yıl içinde müşteri talebinin nereden gelebileceğini anlamak için daha net ve doğru bir yaklaşım arıyordu. Elinde büyük hacimli sosyoekonomik veriler ve altyapı verileri mevcuttu, ancak akıllarında tüm bu bilgilerin Turkcell satış personelinin satış faaliyetlerini doğru bir şekilde nasıl harekete geçireceğini ve bu verileri öncelik sırasına koyacaklarını bilmelerine yardımcı olacak makine öğrenimi modellerini nasıl bir araya getirmeleri gerektiği sorusu vardı.
Turkcell ekibi çalışmalarının istenilen noktaya geldiğini ölçümlemek için bazı zorluklar ve hedefler belirledi. Ekip, aşağıda yer alan hedefleri başarmak için Turkcell'e bir dizi kaynak ve araç sağladı:
- Mevcut büyük hacimli verileri entegre edin, tüm veri kümelerini hazırlayın ve makine öğrenimi modellerini eğitin.
- Satış temsilcilerinin ve pazarlama personelinin satış faaliyetlerine nereye odaklanacaklarını görmeleri için ortak bir araç oluşturun.
- Hem ürün türü hem de konum açısından pazar büyümesini en iyi şekilde tahmin etmek için geçmiş verileri analiz edin ve makine öğrenimi ve yapay zekadan (AI) yararlanın.
- İnşa edilecek alanları belirlemek için konum zekasının gücünden yararlanın.
- Altyapı inşasının önceliklendirilmesinde planlama ve mühendislik ekiplerine yardımcı olan sermaye yatırımının geri dönüşü için model ve detay zaman çizelgeleri oluşturun.
Çözüm
Turkcell ekibi, işletmenin ihtiyaçlarını karşılamak ve öngörü yeteneklerini geliştirmek için web uygulaması GEDI'yi geliştirmek için ArcGIS Pro, ArcGIS ModelBuilder ve makine öğrenimi dahil ArcGIS teknolojisinden yararlandı. Kurumun bu uygulamayı oluşturmak için, 80'den fazla bireysel veri kategorisini entegre etmesi gerekiyordu. Bu veri kümeleri, Esri ortağı Ookla'dan alınan hız testi verileri, nüfus göstergeleri, gelir ve harcama göstergeleri, sosyoekonomik kalkınma göstergeleri, bölgesel istatistikler, ekibin modeller oluşturmasına ve bilgileri analiz etmesine olanak tanıyan altyapı verileri gibi alanlara odaklanan veri kümelerini içeriyordu.
Şirketin bu tür verilerle yirmi yıldır süren pratiği, Turkcell'in en iyi modeli ve makine öğrenimi yöntemini seçmesine yardımcı oldu. Turkcell ekibi, üretilen şebeke verilerinin dağılımını ve 80 ayrı kategorinin etkisini görmek için önce Principal Component Analysis (PCA) yöntemini denedi. Ardından ekip Recursive Feature Elimination (RFE) kullandı ve XGBoost algoritmasını seçti. XGBoost, yüksek bir doğruluk oranı sağlamasının yanı sıra, kullanılan veri yapısı için de uygundu. Turkcell, öğrenmeyi iyileştirmek ve verilerin doğruluğunu artırmak için verilerdeki dengeleme sorununu çözdü. En iyi sonuca ulaşmak için verileri şekillendirmek ve temizlemek çok önemliydi. Makine öğrenimi, her sınıf için en iyi recall score'a ulaşana kadar devam etti.
Mümkün olan en iyi öngörüyü elde etmek için ekip, 290.000'den fazla bölümden oluşan bir ızgara oluşturup kullandı ve bu ızgara yapısı ekibin çok daha küçük alanları görmesini sağladı. Bu, kuruma talebin nereden geleceğini tahmin etme öngörüsü kazandırırken, aynı zamanda yüzde 40'ın üzerinde alan penetrasyonuyla istenen ürün artışına ulaşmak için gereken süreyi de hızla kazandırdı. Bu analizle, satış ve pazarlama ekipleri, planlama ve mühendislik ekipleriyle birlikte inşaat alanlarına öncelik vererek yeni altyapı için maksimum sermaye ayrılmasına izin verebilir duruma geldi.
Sonuç
ArcGIS teknolojisi, altyapı varlıkları ve sosyoekonomik veriler gibi konum tabanlı zekayı kullanarak ve bunu mevcut abone verileriyle birleştirerek Turkcell, yeni yatırım alanlarında abone artış oranlarını tahmin etmek için makine öğrenimini kullandı. Yedi farklı bölgeyi yöneten beş satış ekibi, 80 farklı veri kategorisini dahil ederek ve makine öğreniminden yararlanarak, modellerin yüzde 80'in üzerinde bir doğruluk oranı sağladığını gördü. Bu sonuçlar, Turkcell ekibine pazar stratejisi, sermaye yatırımı ve altyapı inşasının zamanlaması ile ilgili taktiklerini iyileştirmek için büyük bir güç sağladı.