Erlang-A: Sabırsız Müşteri ve Modern Çağrı Merkezi Modeli

Klasik Erlang-C modeli (M/M/c) çağrı merkezi boyutlandırmasının çağdaşı sayılır — A. K. Erlang’ın 1917 tarihli orijinal telefon santral çalışmasına dayanır. Ama 100 yılda dünya değişti: müşteriler artık beklemeyi göze almıyor, telefon kapanma maliyeti yok, alternatif kanallar çok. Bu noktada Erlang-A devreye girer: aynı modelin “sabırsız müşteri”yi modelleyen modern versiyonu.

Problemin yapısı

Erlang-A çekirdek bileşenleri:

• λ — Poisson geliş hızı (örn. saatte 60 çağrı)
• μ — sunucu başına üstel hizmet hızı (örn. saatte 12 çağrı = 5 dk ortalama)
• c — paralel sunucu sayısı (ajan)
• θ — bekleyen müşteri başına üstel bırakma hızı (örn. saatte 30 bırakma = 2 dk ortalama sabır)

Yeni olan parametre θ’dır: her bekleyen müşteri, hizmet almadan önce, ortalama 1/θ süre içinde bağımsız olarak vazgeçer. Bekleme süresi 1/θ’yı geçerse ihtimal yüksek; daha az süreyse hizmet alma ihtimali yüksek.

Kendall notasyonunda model bazen M/M/c + M olarak yazılır (sondaki M “impatience” için exponential dağılımı belirtir) ya da Garnett-Mandelbaum-Reiman 2002 makalesinden bu yana Erlang-A adıyla anılır (A = abandonment).

Doğum-ölüm zinciri

Erlang-A doğum-ölüm Markov zinciri olarak çözülür. n durumdayken (sistemde n müşteri):

• Doğum oranı $\lambda_n = \lambda$ — gelişler her zaman aynı hızda.
• Ölüm oranı:
  • n ≤ c: n meşgul sunucu, her biri μ ile hizmet veriyor → toplam $n \mu$.
  • n > c: c sunucu meşgul ($c \mu$) + (n − c) bekleyen müşteri, her biri θ ile vazgeçebilir → toplam $c \mu + (n − c) \theta$.

Steady-state çözüm:

$$P_n = P_0 \cdot \prod_{k=1}^{n} \frac{\lambda}{\text{death rate}(k)}$$

Konkret iterasyon:

$$q_0 = 1, \qquad q_n = q_{n-1} \cdot \frac{\lambda}{n \mu} \;\; (n \le c), \qquad q_n = q_{n-1} \cdot \frac{\lambda}{c \mu + (n - c) \theta} \;\; (n > c)$$ $$P_n = \frac{q_n}{\sum_{k} q_k}$$

Aracımız bu özyinelemeyi, kuyruk olasılığı $P_n / \text{cum} < 10^{-12}$ eşiğine düşene kadar (ya da n = 5000 güvenlik kapağına çarpana kadar) sürdürür.

Neden λ > c·μ olsa bile kararlı?

θ = 0 olduğunda model M/M/c’ye indirgenir ve klasik kararlılık koşulu ρ = λ / (c·μ) < 1 gereklidir; aksi hâlde zincir ‘patlar’. θ > 0 olduğunda ise n > c bölgesinde ölüm oranı n büyüdükçe sınırsız büyür ((n − c)·θ terimi). Bu sayede $\sum q_n$ sonlu olur ve zincir integrable bir stasyoner dağılıma sahiptir. Pratik anlamı: aşırı yüklü bir çağrı merkezinde dahi bırakmalar yeterince yükselir ki efektif yük $\lambda - \lambda_{\text{aban}}$ kapasiteyi geçmeyen bir seviyede dengelenir.

Çıkış metrikleri

Steady-state dağılımdan tüm performans metrikleri tek geçişte elde edilir:

Metrik	Formül	Yorum
$P_0$	$q_0 / \sum q$	Tüm sunucuların boş olma olasılığı
$P(W > 0)$	$\sum_{n \ge c} P_n$	Yeni gelenin bekleme zorunda kalma olasılığı
$L_q$	$\sum_{n > c} (n - c) P_n$	Ortalama kuyruk uzunluğu
$\lambda_{\text{aban}}$	$\theta \cdot L_q$	Birim zamanda terk eden müşteri sayısı
$P(\text{abandon})$	$\lambda_{\text{aban}} / \lambda$	Gelen müşterilerin bırakma payı
$\lambda_{\text{served}}$	$\lambda - \lambda_{\text{aban}}$	Birim zamanda hizmet alan müşteri sayısı
$L$	$\sum_n n P_n$	Sistemdeki ortalama müşteri (bekleyen + hizmet alan)
$W_q$	$L_q / \lambda$	Kuyrukta ortalama bekleme süresi (giren tüm müşteriler)
$W$	$L / \lambda$	Sistemde ortalama geçirilen süre

İki önemli özdeşlik:

$$\lambda_{\text{aban}} = \theta \cdot L_q \quad \text{(Little + PASTA)}$$ $$P(\text{abandon}) = \theta \cdot E[W_q] \quad \text{(sabır–bekleme bağı)}$$

İkinci özdeşlik özellikle değerlidir: ölçtüğünüz bekleme süresinden bırakma oranını ya da tersini doğrudan kestirebilirsiniz.

Sayısal örnek — çağrı merkezi

Bir çağrı merkezi saatte λ = 20 çağrı alıyor, ajan başına μ = 6 çağrı/saat (10 dk ortalama hizmet), c = 4 ajan var. Müşteri sabır süresi ortalama 1 dakika (θ = 60/saat). Erlang-C ile bu yapılandırma değerlendirilirse ρ = 20 / 24 = 0.833 (kararlı görünüyor); ama gerçek hayatta müşteriler bekliyor mu, terk mi ediyor?

Erlang-A çözümü (yukarıdaki örnek butonundan):

• $a = 20/6 = 3.33$ Erlang offered load
• $\rho = a/c = 0.833$
• $P_0 \approx$ %5
• $P(W > 0) \approx$ %44
• $L_q \approx 0.43$ müşteri
• $\lambda_{\text{aban}} = 60 \cdot 0.43 / 60$ = ~0.43/dakika ≈ 26/saat?

Eğer θ saatte 1 birime ayarlanırsa (60 dakika sabır), bırakma çok düşük ve sonuç Erlang-C’ye yakındır. θ büyüdükçe (sabır kısaldıkça) bırakma yükselir, kuyruk kısalır.

Aynı çağrı merkezi aşırı yüklü

λ = 30 çağrı/saat (capacity = 24 — Erlang-C’de “patlar”) ve θ = 2/saat (30 dk sabır). Erlang-A:

• ρ = 30/24 = 1.25 (kapasiteyi aşan)
• Sistem yine kararlı — bırakmalar dengeler
• Bir kısım müşteri terk eder; etkili servis hızı λ_served < 24
• Lq ve Wq sonlu

Erlang-C bu noktada hata fırlatır ya da anlamsız sonuçlar verir; gerçek hayattaki çoğu çağrı merkezi en azından bazı saatlerde bu rejimde çalışır.

QED rejimi ve büyük çağrı merkezleri

Modern büyük çağrı merkezleri (1000+ ajan, milyonlarca çağrı/gün) Quality-and-Efficiency-Driven (QED) rejimde boyutlanır (Halfin-Whitt 1981, Garnett-Mandelbaum-Reiman 2002):

$$c = \frac{\lambda}{\mu} + \beta \sqrt{\frac{\lambda}{\mu}}$$

β iyimserlik (overstaffing) katsayısı. Bu ölçeklendirmede:

• Verimli: ρ = 1 − β/√(λ/μ) → 1 ölçek büyüdükçe (kapasite tam dolu kullanılır)
• Kaliteli: $P(W > 0)$ sabit kalır (ne 0’a ne 1’e gider)
• Bırakma: $P(\text{abandon}) = O(1/\sqrt{c})$ — ölçek büyüdükçe azalır

Operasyonel anlamı: 100 ajanlı bir merkezi 400 ajanlı yapmak için λ’yı 4x değil yaklaşık 4.05x ölçeklersiniz (4 + 1·√4 dengesi). Tersine, ufak çağrı merkezi büyük olanın “minyatür kopyası” değildir; ölçeklendirme doğrusal değil √c’lidir.

Erlang-C vs Erlang-A — pratik karşılaştırma

Konu	Erlang-C	Erlang-A
Müşteri davranışı	Sonsuz sabırlı	Üstel sabır (1/θ ortalama)
Aşırı yük (ρ ≥ 1)	Tanımsız (patlar)	Kararlı, denge bulur
Performans metrikleri	Sadece bekleme	Bekleme + bırakma
Personel boyutlandırma	Genelde fazla tahmin eder	Daha doğru, %10-30 daha az personel
Hesaplama maliyeti	Kapalı form ($C(c,a)$)	Doğum-ölüm zinciri (özyineleme)
Veri gereksinimi	λ, μ, c	λ, μ, c, θ (ek parametre)

θ’yı tahmin etmenin “ek iş” olduğu doğru, ama bunu telafi eden büyük bir avantaj sağlar: %5-30 daha az personel = milyonlarca lira tasarruf (büyük çağrı merkezleri için yıllık). Erlang-A bu yüzden Avaya, Genesys, NICE gibi büyük çağrı merkezi platformlarının iş gücü yönetim modüllerinde standart hâline gelmiştir.

Modelin sınırları

Erlang-A güçlü ama her şey değil. Tipik genellemeler:

• Heterojen sunucu — yeni ajan vs deneyimli ajan farklı μ ile çalışır; M/M/c varsayımı tek tip kabul eder.
• Çoklu sınıf müşteri — VIP/genel ayrımı, geri arama (callback), çapraz kanal (chat + voice).
• Sabır dağılımı exponential değil — gerçek sabır lognormal veya Weibull olabilir; bu M/M/c + GI (general impatience) modelidir.
• Geliş hızı zamansal — λ saatlik tepelidir, sabit değil; parça-parça analiz veya zamansal simülasyon gerekir.
• Servis dağılımı exponential değil — gerçek hizmet süreleri lognormal veya gamma dağılır; daha iyimser performans çıkar.

Bu sınırların hepsi modelin “ortalama” kararları için kabul edilebilir sapmalar — kritik kararlar için Erlang-A baseline’ı + simülasyon düzeltmesi standart prosedürdür.

Sıkça sorulanlar

Erlang-A ile Erlang-C arasındaki fark nedir?

Erlang-C (M/M/c, sınırsız buffer) bekleyen müşterinin sonsuza kadar sabırlı olduğunu varsayar — kimse vazgeçmez. Erlang-A (M/M/c + M, bireysel exponential abandonment) bekleyen her müşterinin θ oranında üstel zaman içinde bağımsız olarak vazgeçeceğini ekler. Pratik açıdan bu çok büyük bir fark yaratır: Erlang-C'de λ ≥ c·μ olunca sistem patlar ve formül anlamsızlaşır; Erlang-A'da bırakmalar sistemde drift yarattığı için λ > c·μ olsa bile kararlı bir denge oluşur — çağrılar gelir, bir kısmı bağlanır, bir kısmı bekler, bir kısmı dayanamayıp kapatır. Modern çağrı merkezleri Erlang-C'nin tahminlerine güvenirse %20-30'a varan ek personelle çalışmak zorunda kalır.

θ (bırakma hızı) parametresi pratikte nasıl tahmin edilir?

θ, bireysel bir müşterinin bekleme sırasında birim zamanda bırakma 'azimini' temsil eder. Pratikte 1/θ ≈ ortalama sabır süresi (ortalama olarak müşteri kuyruğu terk etmeden önce ne kadar bekler). Tahmin yöntemleri: (1) tarihsel veri — vazgeçen müşterilerin terk etme zamanlarını topla, üstel modelle fit et; (2) anket — 'Ne kadar beklersiniz?' sorusunun beklenen süresinin tersi; (3) sektör benchmark'ları — telefon bankacılığı 60-180 sn, online destek 30-90 sn, acil servis dakikalar; çağrı bekletme müzikli ise daha yüksek tolerans. Üstel varsayım fıkrî bir basitleştirmedir; gerçek sabır dağılımları lognormal veya Weibull olabilir ama Erlang-A çoğu pratik karar için yeterince doğrudur.

Bırakma olasılığı P(abandon) nasıl yorumlanır?

P(abandon) = θ · Lq / λ — gelen müşterilerin uzun-dönem ortalamasında ne kadarının kuyruğu hizmet almadan terk ettiği. Endüstri SLA'leri çoğunlukla bu metriği hedefler: %2-5 'sağlıklı', %10+ 'sorun var'. Önemli özellik: PASTA + Little'dan türetilen kimlik gereği P(abandon) = θ · E[Wq] — yani ortalama bekleme süresi ile bırakma oranı doğrusal ilişkilidir. Bu Erlang-A'nın güzelliği: ölçtüğünüz bekleme süresinden bırakma oranını (veya tersini) doğrudan kestirebilirsiniz.

λ > c·μ iken Erlang-A nasıl kararlı kalır?

Klasik kararlılık argümanı 'birim zamanda gelen iş ≤ birim zamanda hizmet kapasitesi' der. Erlang-A bu hesabı 'efektif gelen iş' üzerinden yapar: λ_served = λ − λ_aban < c·μ olduğu sürece sistem kararlı. Aşırı yüklü bir sistemde bırakma oranı yeterince yükselir ki hizmet kapasitesini geçmeyen bir efektif yük kalır. Doğum-ölüm zincirinde matematiksel olarak: durum n > c'de ölüm oranı c·μ + (n − c)·θ olduğu için n büyüdükçe (n − c)·θ terimi sınırsız büyür ve zinciri 'aşağı' çeker. Bu sayede infinite chain integrable bir stasyoner dağılıma sahip olur.

QED rejimi (Quality-and-Efficiency-Driven) nedir?

Garnett, Mandelbaum & Reiman'ın 2002 makalesinde tanımladığı, büyük çağrı merkezlerinde personel sayısının ölçeklenmesi için optimal rejim. Klasik 'efficiency-driven' modda c ≈ λ/μ (ρ ≈ 1) tutar, bekleme uzun olur. 'Quality-driven' modda c >> λ/μ tutar, bekleme yok ama personel pahalı. QED rejimi bu ikisinin arasında: c = λ/μ + β·√(λ/μ) (Halfin-Whitt ölçeklendirmesi), β iyimserlik katsayısı. Bu rejimde hem ρ → 1 (verimli) hem P(W>0) sabit kalır (kalite), aynı anda hem bekleme süresi hem bırakma oranı √c hızında azalır. Modern büyük çağrı merkezleri (1000+ ajan) bu ölçeklendirmeye göre boyutlanır.

Aracın 'bırakma hızı duyarlılığı' tablosu ne anlatıyor?

Aynı geliş hızı (λ), hizmet hızı (μ) ve sunucu sayısı (c) için müşteri sabır süresi değiştikçe (1/θ) bırakma oranı, kuyruk uzunluğu ve bekleme süresi nasıl değişir? Trend: θ → 0 (sabırlı) ⇒ bırakma → 0 ama Lq, Wq → Erlang-C limiti (büyük). θ → ∞ (sabırsız) ⇒ Wq → 0 ama bırakma yüksek (M/M/c/c Erlang-B limitine yaklaşır). Pratik karar: 'bekleme müziği eklersem 1/θ artar (müşteri daha sabırlı), bu da Wq'yu artırır ama bırakmayı azaltır — toplam müşteri memnuniyeti nasıl etkilenir?' türünden trade-off'ları görsel yapar.

Erlang-A'nın gerçekçi olmadığı varsayımlar nelerdir?

Erlang-A şu varsayımlar üzerine kuruludur: (1) gelişler Poisson — pratikte saatlik tepeler sapma yaratır; (2) hizmet süreleri exponential — gerçek dağılımlar genelde lognormal, daha iyimser performans çıkar; (3) bireysel sabır exponential — gerçekte Weibull/Pareto kuyruklu olabilir; (4) homojen sunucular — yeni ve deneyimli ajanlar farklı μ ile çalışır; (5) FIFO disiplin — VIP, callback, outbound modeli genişletir. Tüm eksiklere rağmen Erlang-A, Erlang-C'den çok daha doğru baseline'dır ve büyük çağrı merkezlerinde personel kararlarının çoğu için yeterlidir; kritik kararlar için simülasyonla düzeltilir.