Safety culture is one of the key factors contributing to safety, even though limited evidence supports its impact on safety outcomes. This study uses supervised machine learning algorithms to explore the association between safety culture and incident reporting. The study used National Health Service (NHS) England annual staff survey data as a proxy of safety culture to predict eighteen incident reporting variables. The study did not achieve high accuracy rates in the prediction models. The highest association was found between safety culture and the number of incidents reported in class low, medium and high. LightGBM was the best-performed algorithm. SHAP plots were used to explain the model. Findings suggest that compassionate culture, violence and harassment and work pressure are critical in predicting the number of incidents reported. More specifically, the violence and harassment had a more significant impact on predicting the number of incidents reported in class high than in class medium and low. The involvement had more effect on predicting class low. The results demonstrated different behaviours in predicting different incident reporting classes. The findings facilitate lessons learned from staff surveys and incident reporting data in NHS England. Consequently, the findings can contribute to improving the safety culture in hospitals.
İç mekân konum tespitinde farklı yaklaşımlar geliştirilmiş olsa da mekânın “parmak izi” adı verilen sinyal haritasını kullanan yöntemler popülerliğini korumaktadır. Bu yöntemlerin; ekstra bir maliyet gerektirmemesi ve hali hazırda kurulmuş olan Kablosuz Erişim Noktalarını (KEN) kullanması en önemli avantajlarından biridir. Bu sistemlerde konum tespiti: (i) sinyal haritasının oluşturulması ve (ii) bu harita üzerinden kişinin konum tespitinin yapılması şeklinde iki aşamadan oluşmaktadır. Sinyal haritasını oluşturmak için kullanılan KEN sayısı ve konumu; sistemin maliyetini, konumlandırma doğruluğunu ve çalışma hızını etkileyen önemli faktörlerdir. Bu çalışma ile konumlandırma doğruluğundan ödün vermeden, daha düşük maliyetli ve daha hızlı bir sistemin oluşturulması için etkisiz KEN’leri eleyen bir küçültme yöntemi önerilmektedir. Bu amaçla başarılı bir boyut azaltım yöntemi olan Temel Bileşen Analizi (TBA) yöntemine başvurulmuştur. Önerilen yaklaşım, küçültülmüş sinyal haritası ve kullanıcının seçtiği üç farklı makine öğrenme yöntemini (K-En Yakın Komşuluk, Destek Vektör Makineleri, Doğrusal Ayırtaç Analizi) kullanan bir konumlandırma modelinden oluşmaktadır. Uygulama sonucunda, KEN sayısı %70 azaltılmış modelin, K-En Yakın Komşuluk yöntemi kullanıldığında %91 doğrulukla ve sinyal haritası küçültmesi yapılmamış modele göre ortalama %75 (test süresi üzerinden) daha hızlı bir şekilde kişinin konumunu tespit edebildiği görülmüştür.
Customer segmentation is a customer grouping model based on common features and it directly relates with customer satisfaction of the companies. It provides access to the right customer with the right methods by knowing the customer better. Dealing with changes in a competitive market means airlines have to redefine customer segmentations, which translates from social-demography to a more complex behavioral approach that covers the entire travel experience and the way airlines deliver at every touch point. In this paper, a customer segmentation was performed using an airline ticket sales data. Customers with similar sales tendencies were clustered by using self- organizing map method and totally 15 clusters were obtained.
'%3e%3cpath fill='%23012169' d='M0 0v30h60V0z'/%3e%3cpath stroke='%23fff' stroke-width='6' d='m0 0 60 30m0-30L0 30'/%3e%3cpath stroke='%23C8102E' stroke-width='4' d='m0 0 60 30m0-30L0 30' clip-path='url(%23b)'/%3e%3cpath stroke='%23fff' stroke-width='10' d='M30 0v30M0 15h60'/%3e%3cpath stroke='%23C8102E' stroke-width='6' d='M30 0v30M0 15h60'/%3e%3c/g%3e%3c/svg%3e)
