Today's developing information and technology have become unavoidable benefit by information's fast, efficient and effective. In today's world the time value has decreased increasingly for human the unlimited necessity. Reach the information and make use of information become more of an issue in this context. Institutions and organizations have to answer customer's demand as soon as possible. Thus, institutions and organizations use simulation (analogy) methods individual's demand and necessity within the shortest time. In this thesis study contains a simulation application which is on the university data by using partial-based simulation model. It creates a model by using partial-based and report about acquired data using a graphic user information. There contains many analysis about this data. sebebi sadece insan kaynaklı olmayıp, trafik sinyalizasyon cihazının da etkisi vardır. Tüm bu gelişmelere bakıldığında işletmenin ya da kuruluşun müşterilerin yararını gözeterek ekonomik, stratejik, kalite güvence ve standartlarının artırılması kuyruk analizi - kuyruk teorisi - ile gerçekleştirilebilmektedir. Bu çalışmasında AnyLogic Simülasyon çalışma ortamında gerçek veriler ışığında kesikli simülasyon yöntemi kullanarak bir kuyruk teorisi gerçekleştirilecektir. Verilerin alındığı kurum isim olarak belirtilmemiş ve çalışma içerisinde ABC Üniversitesi olarak geçecektir. Bu çalışmada daha önceden de belirtildiği gibi bir kısmı tabanlı benzetim modeli ile kuyruk analizi yapılarak kuyrukta bekleme sorununa çözüm bulmayı amaçlanmıştır. Genel hizmet ve personel kapasitesinin artırılmasının yanı sıra hangi işlemler için daha fazla müracaat edildiği ve bu işlemlerin ve bekleme sürelerinin analizleri yapılarak, personel veriminin ve müşterilerin bekleme sürelerinin kısaltılması ile ilgili model tasarlanacaktır. Gerçek veriler üzerinde gerçekleştirilecek olan bu tez çalışmasında amaç, müşterinin bekleme ve bekletilme sorunlarının önüne geçmek ve sunulacak hizmet kalitesini artırmak olacaktır.
Simülasyon sözcüğü, "benzer" anlamına gelen similis
kökünden gelen, bir şeyin benzerini (taklidini) yapmak
demek olan ve 14. yüzyıldan beri Latincede kullanılan
simulare sözcüğünden türetilmiştir. Bu terim ancak 20.
yüzyılda teknik bir anlam kazanmıştır[
Davranışları zamanla birlikte sürekli olarak değişen simülasyonlardır.
Kesikli olay simülasyonu, durum değişkenlerinin zaman içinde belirli noktalarda değiştiği sistemlerin modellenmesi ile ilgilenir. Zaman içerisinde belli noktalarda bir olay ortaya çıkar ve sistemin durumunu değiştirir. Tüm kesikli simülasyonlar, doğrudan veya dolaylı olarak müşterilerin geldiği durumlarda gerektiğinde oluşabilecek kuyruklar ve ardından da sistemi terk etmeden önce hizmet görme olarak tanımlanırlar. Sistemde herhangi bir değişim olursa modeldeki olaylar tanımlanmış olur. Bu olayların kesikli noktalarda olması kesikli olay simülasyonunu ortaya çıkarmıştır. Kesikli olaylar değişkenlerin farklı zamanlarda değiştiği sistemlerdir. Kesikli olay simülasyonunun sistem durumu, saat, olay listesi, Rassal sayı süreçleri, istatistikler, koşullu sonlandırma olmak üzere bileşenleri vardır. Sistem durumu, üzerinde çalışılacak sistemin özelliklerini bulunduran değişken kümelerini barındırmaktadır. Saat, simülasyonun o andaki zamanda kat ettiği yolun süresini belirtir. Rassal sayı süreçleri, simülasyonun ihtiyacı olduğu Rassal verileri üretmektedir. Olay listesi, simüle edilen sistemin göstereceği tepkiyi listeler. Olay listeleri anlık olarak tutulmaktadır. İstatistikler, simüle edilen sistemin olaylar karşısında gösterdiği tepkiyi gösterir. Koşullu sonlandırma ise "t" anında "n" tane olay gerçekleştirildi ve "x" sonucuna ulaşıldı gibi sonlandırmaları olmaktadır.
Kuyruk analizi, bekleyen çizgilerin veya kuyrukların matematiksel olarak çalışılmasıdır. Kuyruk teorisinde, kuyruk uzunluklarının ve bekleme sürelerinin tahmin edilebilmesi için bir model oluşturulmuştur[3]. Teoride elde edilen sonuçlar genellikle bir hizmet sunmak için gerekli kaynaklar hakkında iş kararları alırken kullanılır. Kuyrukta ve sistemin alt yapısına bağlı olarak bekleme ve bekletilme zamanı, belli durumlarda karşılaşılabilecek sorunlarla karşılaşma sorunları dikkate alınarak performans hesaplaması ve bunlara bağlı olarak bir sonuç türetmeyi sağlar. Kuyruk teorisinde ana aktörler hizmeti sunan ve müşteridir. Müşteri bir kaynaktan ortaya çıkar ve hizmet veren işletmeye vardığında hizmet görmeye başlar ya da işlemi yapan meşgul durumda ise kuyrukta beklemeye başlar. İşlem yapan elinde var olan işlemini tamamladıkça kuyrukta bekleyen varsa müşteriyi kuyruktan çeker. Eğer kuyruk yoksa işlem yapan müşteriyi hemen işleme alır. Kuyruk boş kalıyorsa işlem yapan yeni müşteri gelinceye kadar boş kalmaktadır. Bekleme olayı Kuyruk, Servis Kanalı, Kuyruğa Giriş Hızı, Servis Hizmet Hızı, Kuyruk Disiplini ve Servis Olanaklarından oluşmaktadır. Kuyruk, bekleyen müşteri sayısını belirtir. Servis Kanalı, müşteriye hizmet sunan işletmeye ait bir süreçtir. Kuyruğa Giriş Hızı, birim zamanda hizmet almaya gelen müşteri sayısını belirtir. Servis Hizmet Hızı, kuyrukta bekleyen müşterilere hizmet sunacak sistemin hızıdır. Kuyruk Disiplini, kuyrukta yer alan müşterilerin sırasını belirler. Kuyruktaki resmi kural, First Come First Service (İlk gelen İlk Hizmet) - FCFS kuralı ile çalışır. Yani kuyruğa ilk giriş yapan ilk hizmeti görür. Ancak LCFS (Last Come First Service) son gelen ilk hizmet verme mantığı ve SIRO (Service In Random Order) Rassal olarak hizmet verme mantığı kuralları da vardır. Kaynaktan üretilenlere hizmet (servis) verebilmek için bazı olanaklar vardır. Bunlar tek kanallı ve çok kanallı hizmetlerdir. Şekil 1'de Tek kanallı servis sistemi görülmektedir. Burada anlaşıldığı gibi müşteri kaynağından gelenler bekleme hattı üzerinden tek kuyruk üzerinden tek servisten işlem görüp sistemden ayrıldığı anlaşılmaktadır. Kaynaktan üretilenler sıra halinde sisteme girmekte olup ilk giren hizmeti ilk almaktadır. Hizmeti servisten hizmetten ilk alanlar sistemden de ilk ayrılan olmaktadır[4].
Şekil 1: Tek Kanallı Servis Modeli Şekil 2'de Çoklu kuyruk, paralel halinde çoklu servis sisteminde görüldüğü gibi müşteri kaynağından gelenler birden çok hizmet almak için farklı kuyruklara ve buradan da hizmet servis veren farklı alanlarda gittiği görülmektedir. Daha sonra servisten hizmet alanların kuyruktan ayrıldığı görülmektedir. Bu şekilde hizmetin daha hızlı ve daha verimli olacağı ve ayrıca kuyrukta bekleme süresinin de kısalacak olmasından dolayı hızlı ve etkin hizmet sunulmasının yanı sıra personelin daha kapasiteli çalışacağını düşünülmektedir[5].
Şekil 2: Çok Kanallı Servis Modeli
Poisson dağılımı belirli bir olayın belirli bir zaman aralığında gerçekleşme olasılığını veren dağılımdır. Bir bankaya bir saatte gelen müşteri sayısı, bir basketbol maçında takımların attıkları basket sayısı, bir futbol maçının uzatma dakikalarının kaç dakika oynanacağı, bir sınavdan öğrencilerin alacağı sınav notu Poisson dağılımına örnek verilebilir. Hizmet almak için servise veya kuyruk sistemine girişler rastgele ve bağımsız olduğundan bu tip durumların olasılığını belirlemede Poisson Dağılım Olasılık Fonksiyonu tercih edilmektedir[6]. Poisson dağılım olasılık fonksiyon denklemi: e : Sabit Sayı Poisson dağılımına bir örnek verecek olursak; bir maçta atılan gol sayısının 1 ortalamaya sahip Poisson dağılımından geldiği biliniyorsa; maçın golsüz bitme olasılığını hesaplayacak olursak: ƛ: 1 (Ortalama, Parametre) X: 0 (Golsüz bitme olasılığı) %36.78 sonucu bulunur.
Günümüzde teknolojilin hızla yayıldığı bu zamanında buna bağlı olarak hayatın akışının da hızlı ve önem kazandığı varsayımı kaçınılmazdır. İşlemlerin büyük kısmını cep telefonlarına kadar indirgendiği günümüz dünyasında, hizmet almak için bekleme süreleri başlı başına bir sorun haline gelmiştir. Bu çalışmada daha önce belirtildiği gibi bir kısmı tabanlı benzetim modeli ile kuyruk analizi yapılarak bu soruna çözüm bulmayı amaçlamış genel hizmet ve personel kapasitesinin artırılmasını yanı sıra hangi işlemler için daha fazla müracaat edildiği ve bu konuda gerekli analizleri yapmak amacı ile model tasarlanmıştır. Çalışmanın bu kısmında AnyLogic yazılım ile gerçekleştirilen uygulama anlatılacaktır. Bu çalışmada gerçek veriler kullanılmıştır. Simülasyon çalışması 50.000 veri girişi ile sınırlandırılmış olup 2015 yılına ait veriler kullanılmıştır. Verilerin alınmış olduğu kurum ismi belirtilmemiş bunun yerine ABC Üniversitesi olarak adlandırılmıştır. Bu veriler MS SQL’den ilgili ABC Üniversitesinden .txt formatında alınmıştır. ABC Üniversitesi üzerine model kurulmuştur. ABC Üniversitesi hafta içi saat 12.00 ile 13.00 ve akşam 16.30’ dan sonra ile hafta sonu hizmet vermemektedir. ABC Üniversitesi aynı bina (kampüs) içinde birden fazla öğrenci işleri, akademik, idari vb. durumlarda hizmet veren birimlerden oluştuğu, ve her şubesinin ise aynı işlevi yaptığı varsayım alınmıştır. Her fakültenin ve bölümün kendi içinde öğrenci işleri gibi farklı birimleri olduğu bildirilmiştir. Örnek olarak işletme fakültesi, mühendislik fakültesi, hukuk fakültesi gibi her birimin kendi içinde aynı veya benzer işlemleri veren birimler olduğu bunlarında kendi içinde personeli bulunmaktadır. ABC Üniversitesinden hizmet almak isteyenler aynı kampus içinde olduğunda bina içinde iki kişi tarafından bilgisayar ortamında fiş veya numara alarak ortak işlemlerle ilgili şubelere yönlendirildiği düşünülmektedir. 2010-2016 yılları arasında 1 milyondan fazla kişiye hizmet verdiği tespit edilmiştir. Dolayısı ile bu kadar büyük müşteri potansiyeline sahip üniversitenin şubelerinin insan kaynakları yönetimi performans dağılımı son derece önemlidir.
Benzetim programına Kuyrukta uygulamasında kullanılan
verilerin aktarılması bekleme sürelerine ilişkin
AnlyLogic gerekmektedir. veya hizmet sunumlarının hızlandırılması ve verimliliğin artırılması önem arz etmektedir. Çalışmada ayrıca Microsoft Excel tablolama programının yanı sıra bu programa ait verilerin analiz, ortalama, toplam gibi matematiksel fonksiyon ve tabloların ya da verilerin özetlenmesinde PivotTable aracı kullanılmıştır. Tablo-1'de 2015 Nisan ayına ait verilerin bir kısmı görülmektedir.
Tarih Tablo-2'de Ocak ayına ait işlem için gelenlere ait kişi sayısı görünmektedir. Microsoft Excel PivotTable (Tabloların Özetlenmesi) araçları ile Ocak ayına ait toplam hizmet için gelen kişi sayısı, hangi işlem tipi için en fazla müracaat ettiği gösteren kişi sayısı gibi istatistik bilgiler görülmektedir. Tablo-2 incelendiğinde Ocak 2015 ayına ait 16306 kişi müracaat etmiştir. En fazla müracaat 4828 kişi ile 50 işlem tipi için, en az müracaat ise 1 kişi 60 işlem tipi için ölçülmüştür. 2015 yılındaki işlem tiplerinin yüzdelik dağılımları Tablo-3'te görülmektedir.
Tablo 3: 2015 Yılına Ait İşlem Değerleri Tablo-3 incelendiğinde yıl bazında hangi işlem tipi için, gelen müşterilerin hangi alanda yoğunlukta olduğu yüzdesel olarak raporlanmıştır. Bu değerler göz önüne alındığında 41 işlem tipi için en fazla müşterinin %35.04 oranı ile 21 numaralı işlem için geldiği, en az müşterinin ise %0,10 oranı ile 27 numaralı işlem tipi için geldiği tespit edilmiştir. ABC Üniversitesi için her işlem tipinin maksimum ve minimum işlem süreleri vardır. Bu süre zarfında bu işlemlerin bitirilmesi gerekmektedir. ABC üniversitesinde her işleme yada işlem çeşidine numara verilmiş ve işlem tipi olarak adlandırılmıştır.. Bu işlem tiplerinin servis sağlayıcılar tarafından bitim süreleri Tablo-4'te gösterilmiştir. Veriler AnyLogic çalışma ortamına aktarılırken bu değerler dikkate alınmıştır. PivotTable aracılığıyla elde edilen bu veriler AnyLogic yazılımında kullanılmıştır.
11 12 13 15 18 21 22 23 24 27 İşlem Tipi 11 12 13 15 18 21 22 23 24 581 164 59 17 25 3793 2361 34 729 11
Ay Ocak Ocak Ocak Ocak Ocak Ocak Ocak Ocak Ocak
Ocak İşlem Oranı 5,37% 1,52% 0,55% 0,16% 0,23% 35,04% 21,87% 0,31% 6,74% 34 10 5 95 235 2046 407 5692 7 1 16306 30 32 33 34 35 41 42 50 60 61 İşlem Tipi 27 28 30 32 33 34 35 41 TOPLAM
Ay Ocak Ocak Ocak Ocak Ocak Ocak Ocak Ocak Ocak
Ocak İşlem Oranı 0,10% 5,76% 0,31% 0,09% 0,05% 0,88% 2,71% 18,90% 100% Block Type Service Service Service Service Service Service Service Service Service Service Service Service Service Service Service Service Service Service Service 10 15 15 5 5 12 15 15 İşlem Ağırlık 0,0957 0,0109 0,0055 0,006 0,0021 0,0196 0,3059 0,0970 0,0034
En Az İşl. İşlem Tipi Süresi
(dk) 24 27 28 30 32 34 35 41 5 5 10 10 5 5 5 2 10 15 15 15 10 10 5 GENEL TOPLAM Tüm bu veriler elde edildikten sonra AnyLogic uygulamasında gerçekleştirilen uygulamada test olarak 85 personel ve 20 personel üzerinde gerçekleştirilen simülasyonun sonuçlarının bir kısmı Tablo 5 ve Tablo 6'da listelenmiştir. Service Service Service Service Service Service Service Service Service Service Service Service Service Service Service Service Service Service Service Service Service ps11 ps11 ps12 ps12 ps13 ps13 ps15 ps15 ps18 ps21 ps21 ps22 ps22 ps23 ps23 ps24 ps24 ps25 ps25 ps27 ps27 İşlem Ağırlık 0,0858 0,0023 0,0907 0,0064 0,0015 0,0101 0,0196 Tablo 5: 85 Personel İle Yapılan Ölçüm Sonuçları
Minimum
Süre
Maximum
Süre WT WK WT WK WT WK WT WK WK WT WK WT WK WT WK WT WK WT WK WT WK Bu çalışmada iki önemli kuyruk teorisi ve kesikli simülasyon üzerinde durulmuştur. Bir üniversite üzerine uygulama yapılmıştır. İlk bölümünde kuyruk teorisi üzerinde durulmuştur. Müşterilerin gelişler arasındaki süreler konusu başta olmak üzere, hizmet veren sürelerde oluşması mümkün olan modeller anlatılmıştır. Bu kapsamda performans ölçümlerinden, simülasyon modelinden, bahsedilmiştir. İlk uygulamada yapılan uygulamada mevcut duruma göre personel sayısı 85 olarak modelde işlenmiş sonuçlar incelendiğinde, yüzde 9(%9) performans olduğu ortaya çıkmıştır. Bu sonuca ilişkin ise ortalama 11,117 dakika bekleme kuyruk süresince işlemlerin yapıldığı, buna bağlı olarak ise minimum 2,179 dakika maksimum 80,6 dakika bekleme süresi ortaya çıkmıştır. İkinci uygulama olarak ise personel sayısının 20 olarak işlenmesi halinde ise Ortalama bekleme süresinin 11,032 dakika, minimum 2,182 maksimum 79,92 dakika ve performans olarak ise yüzde 41(%419 olduğu görülmüştür. 85 personel ve 20 personel ile yapılan iki ayrı ölçümde ortalama bekleme süreleri, kuyrukta bekleme sürelerinin, maksimum bekleme süreleri birbirine eşit olsa da performans olarak 20 personel ile daha verimli ve daha etkin sonuçlar alındığı görülmüştür.
Bekleme süresinin kısaltılması için mesai saatleri dışında personel çalıştırılması bazı işlem tiplerinin e-devlet veya otomasyon üzerinden etkin hale getirilerek daha verimli performans sağlanabilir ve anlık müdahale edilerek sistem performansı artırılabilir.