Freigeben über

Vorhersagen erstellen für die Callcenter-Modelle (Zwischenstufe Data Mining Tutorial)

Nachdem Sie nun etwas über die Interaktionen zwischen Schichten, der Anzahl der Operatoren, Anrufe und Dienstnoten gelernt haben, können Sie einige Vorhersageabfragen erstellen, die in der Geschäftsanalyse und -planung verwendet werden können. Sie erstellen zunächst einige Vorhersagen für das explorative Modell, um einige Annahmen zu testen. Als Nächstes erstellen Sie Massenvorhersagen mithilfe des Logistischen Regressionsmodells.

In dieser Lektion wird davon ausgegangen, dass Sie bereits mit dem Konzept von Vorhersageabfragen vertraut sind.

Erstellen von Vorhersagen mithilfe des neuralen Netzwerkmodells

Im folgenden Beispiel wird veranschaulicht, wie Sie eine Singletonvorhersage mithilfe des neuralen Netzwerkmodells erstellen, das für die Erkundung erstellt wurde. Singletonvorhersagen sind eine gute Möglichkeit, verschiedene Werte auszuprobieren, um den Effekt im Modell zu sehen. In diesem Szenario wird die Leistungsbewertung für die Nachtschicht (kein bestimmter Wochentag angegeben) prognostiziert, wenn sechs erfahrene Mitarbeiter im Dienst sind.

So erstellen Sie eine Singleton-Abfrage mithilfe des neuralen Netzwerkmodells

  1. Öffnen Sie in SQL Server Data Tools (SSDT) die Lösung, die das modell enthält, das Sie verwenden möchten.

  2. Klicken Sie im Data Mining-Designer auf die Registerkarte "Miningmodellvorhersage ".

  3. Klicken Sie im Bereich "Miningmodell " auf "Modell auswählen".

  4. Das Dialogfeld " Miningmodell auswählen " zeigt eine Liste der Bergbaustrukturen an. Erweitern Sie die Miningstruktur, um eine Liste der Miningmodelle anzuzeigen, die dieser Struktur zugeordnet sind.

  5. Erweitern Sie die Miningstruktur Call Center Default, und wählen Sie das neuronale Netzwerkmodell, Call Center - LR.

  6. Wählen Sie im Menü "Miningmodell""Singleton-Abfrage" aus.

    Das Dialogfeld "Singleton-Abfrageeingabe " wird angezeigt, wobei Spalten den Spalten im Miningmodell zugeordnet sind.

  7. Klicken Sie im Dialogfeld "Singleton-Abfrageeingabe " auf die Zeile für "Schicht", und wählen Sie dann Mitternacht aus.

  8. Klicken Sie auf die Zeile für Stufe 2 Operatoren und geben Sie 6 ein.

  9. Klicken Sie in der unteren Hälfte der Registerkarte "Miningmodellvorhersage " auf die erste Zeile im Raster.

  10. Klicken Sie in der Spalte "Quelle " auf den Pfeil nach unten, und wählen Sie die Funktion "Vorhersage" aus. Wählen Sie in der Spalte "Feld " die Option "PredictHistogram" aus.

    Eine Liste der Argumente, die Sie mit dieser Vorhersagefunktion verwenden können, wird automatisch im Feld "Kriterien/Argumente " angezeigt.

  11. Ziehen Sie die Spalte "ServiceGrade" aus der Liste der Spalten im Bereich "Miningmodell " in das Feld "Kriterien/Argumente ".

    Der Name der Spalte wird automatisch als Argument eingefügt. Sie können eine beliebige vorhersagbare Attributspalte auswählen, die in dieses Textfeld gezogen werden soll.

  12. Klicken Sie auf die Schaltfläche " Zur Abfrageergebnisansicht wechseln" in der oberen Ecke des Abfrage-Generators für Vorhersagen.

Die erwarteten Ergebnisse enthalten die möglichen vorhergesagten Werte für jede Dienstklasse, basierend auf diesen Eingaben, zusammen mit Unterstützungs- und Wahrscheinlichkeitswerten für jede Vorhersage. Sie können jederzeit zur Entwurfsansicht zurückkehren und die Eingaben ändern oder weitere Eingaben hinzufügen.

Erstellen von Vorhersagen mithilfe eines Logistischen Regressionsmodells

Wenn Sie bereits die Attribute kennen, die für das Geschäftsproblem relevant sind, können Sie ein logistisches Regressionsmodell verwenden, um die Auswirkungen von Änderungen in einigen Attributen vorherzusagen. Logistische Regression ist eine statistische Methode, die häufig verwendet wird, um Vorhersagen basierend auf Änderungen in unabhängigen Variablen vorzunehmen: Beispielsweise wird sie in der Finanzbewertung verwendet, um das Kundenverhalten basierend auf kundendemografien vorherzusagen.

In dieser Aufgabe erfahren Sie, wie Sie eine Datenquelle erstellen, die für Vorhersagen verwendet wird, und dann Vorhersagen erstellen, um mehrere Geschäftsfragen zu beantworten.

Generieren von Daten, die für die Massenvorhersage verwendet werden

Es gibt viele Möglichkeiten zum Bereitstellen von Eingabedaten: Beispielsweise können Sie Mitarbeiterebenen aus einer Kalkulationstabelle importieren und diese Daten über das Modell ausführen, um die Dienstqualität für den nächsten Monat vorherzusagen.

In dieser Lektion verwenden Sie den Designer für die Datenquellenansicht, um eine benannte Abfrage zu erstellen. Diese benannte Abfrage ist eine benutzerdefinierte Transact-SQL-Anweisung, die für jede Schicht im Zeitplan die maximale Anzahl der Mitarbeiter, die minimal erhaltenen Anrufe und die durchschnittliche Anzahl der generierten Probleme berechnet. Anschließend verknüpfen Sie diese Daten mit einem Miningmodell, um Vorhersagen zu einer Reihe anstehender Daten zu erstellen.

So generieren Sie Eingabedaten für eine Massenvorhersageabfrage

  1. Klicken Sie im Projektmappen-Explorer mit der rechten Maustaste auf Datenquellenansichten, und wählen Sie dann "Neue Datenquellenansicht" aus.

  2. Wählen Sie im Datenquellenansichts-Assistenten "Adventure Works DW Multidimensional 2012" als Datenquelle aus, und klicken Sie dann auf "Weiter".

  3. Klicken Sie auf der Seite "Tabellen und Ansichten auswählen " auf "Weiter ", ohne Tabellen auszuwählen.

  4. Geben Sie auf der Seite "Assistent abschließen" den Namen ein. Shifts

    Dieser Name wird im Projektmappen-Explorer als Name der Datenquellenansicht angezeigt.

  5. Klicken Sie mit der rechten Maustaste auf den leeren Entwurfsbereich, und wählen Sie dann "Neue benannte Abfrage" aus.

  6. Geben Sie im Dialogfeld " Benannte Abfrage erstellen" für "Name" den Namen Shifts for Call Centerein.

    Dieser Name wird nur im Datenquellenansicht-Designer als Name der benannten Abfrage angezeigt.

  7. Fügen Sie die folgende Abfrageanweisungen in den SQL-Textbereich in der unteren Hälfte des Dialogfelds ein.

    SELECT DISTINCT WageType, Shift,   
AVG(Orders) as AvgOrders, MIN(Orders) as MinOrders, MAX(Orders) as MaxOrders,  
AVG(Calls) as AvgCalls, MIN(Calls) as MinCalls, MAX(Calls) as MaxCalls,  
AVG(LevelTwoOperators) as AvgOperators, MIN(LevelTwoOperators) as MinOperators, MAX(LevelTwoOperators) as MaxOperators,  
AVG(IssuesRaised) as AvgIssues, MIN(IssuesRaised) as MinIssues, MAX(IssuesRaised) as MaxIssues  
FROM dbo.FactCallCenter  
GROUP BY Shift, WageType

  8. Klicken Sie im Entwurfsbereich mit der rechten Maustaste auf die Tabelle "Schichten für das Callcenter" und wählen Sie Daten durchsuchen aus, um eine Vorschau der Daten anzuzeigen, wie sie von der T-SQL-Abfrage zurückgegeben werden.

  9. Klicken Sie mit der rechten Maustaste auf die Registerkarte "Shifts.dsv "Entwurf", und klicken Sie dann auf " Speichern ", um die neue Definition der Datenquellenansicht zu speichern.

Vorhersagen von Dienstmetriken für jede Schicht

Nachdem Sie nun einige Werte für jede Schicht generiert haben, verwenden Sie diese Werte als Eingabe für das von Ihnen erstellte logistische Regressionsmodell, um einige Vorhersagen zu generieren, die in der Geschäftsplanung verwendet werden können.

So verwenden Sie den neuen DSV als Eingabe für eine Vorhersageabfrage

  1. Klicken Sie im Data Mining-Designer auf die Registerkarte "Miningmodellvorhersage ".

  2. Klicken Sie im Bereich "Miningmodell " auf " Modell auswählen", und wählen Sie "Call Center - LR" aus der Liste der verfügbaren Modelle aus.

  3. Deaktivieren Sie im Menü "Miningmodell " die Option "Singleton Query". Eine Warnung teilt Ihnen mit, dass die Singleton-Abfrageeingaben verloren gehen. Klicke auf OK.

    Das Dialogfeld "Singleton-Abfrageeingabe " wird durch das Dialogfeld "Eingabetabelle(n) auswählen " ersetzt.

  4. Klicken Sie auf " Falltabelle auswählen".

  5. Wählen Sie im Dialogfeld "Tabelle auswählen" die Option "Verschiebungen" aus der Liste der Datenquellen aus. Wählen Sie in der Namenstabelle "Tabelle/Ansicht" die Option "Schichten für das Callcenter" aus (möglicherweise wird sie automatisch ausgewählt), und klicken Sie dann auf OK.

    Die Entwurfsoberfläche für die Miningmodellvorhersage wird aktualisiert, um Zuordnungen anzuzeigen, die basierend auf den Namen und Datentypen von Spalten in den Eingabedaten und im Modell erstellt werden.

  6. Klicken Sie mit der rechten Maustaste auf eine der Verknüpfungslinien, und wählen Sie dann "Verbindungen ändern" aus.

    In diesem Dialogfeld können Sie genau sehen, welche Spalten zugeordnet sind und welche nicht. Das Miningmodell enthält Spalten für Anrufe, Bestellungen, IssuesRaised und LvlTwoOperators, die Sie einem der Aggregate zuordnen können, die Sie basierend auf diesen Spalten in den Quelldaten erstellt haben. In diesem Szenario ordnen Sie die Durchschnittswerte zu.

  7. Klicken Sie auf die leere Zelle neben "LevelTwoOperators", und wählen Sie Schichten für Call Center.AvgOperators aus.

  8. Klicken Sie auf die leere Zelle neben "Anrufe" und wählen Sie Schichten für Call Center.AvgCalls aus. und klicken Sie dann auf "OK".

Vorhersagen für jede Schicht erstellen

  1. Klicken Sie im Raster in der unteren Hälfte des Vorhersageabfrage-Generators auf die leere Zelle unter "Quelle", und wählen Sie dann "Schichten" für die Anrufzentrale aus.

  2. Wählen Sie in der leeren Zelle unter Feld "UMSCHALT".

  3. Klicken Sie auf die nächste leere Zeile im Raster, und wiederholen Sie das oben beschriebene Verfahren, um eine weitere Zeile für WageType hinzuzufügen.

  4. Klicken Sie auf die nächste leere Zeile im Raster. Wählen Sie in der Spalte "Quelle " die Option "Vorhersagefunktion" aus. Wählen Sie in der Spalte "Feld " die Option "Vorhersagen" aus.

  5. Ziehen Sie die Spalte "ServiceGrade" aus dem "Miningmodell"-Bereich nach unten in das Raster und anschließend in die "Kriterien/Argument"-Zelle. Geben Sie im Feld Alias den Text Vorhergesagte Dienstklasse ein.

  6. Klicken Sie auf die nächste leere Zeile im Raster. Wählen Sie in der Spalte "Quelle " die Option "Vorhersagefunktion" aus. Wählen Sie in der Spalte "Feld " die Option "PredictProbability" aus.

  7. Ziehen Sie die Spalte ServiceGrade aus dem Bereich 'Miningmodell' nach unten in das Gitter und in die Zelle 'Kriterien/Argument'. Geben Sie im Feld "Alias " den Wert "Wahrscheinlichkeit" ein.

  8. Klicken Sie auf "Zur Abfrageergebnisse-Ansicht wechseln," um die Vorhersagen anzuzeigen.

Die folgende Tabelle zeigt Beispielergebnisse für jede Schicht.

Schicht Lohnart Vorhergesagte Dienstklasse Wahrscheinlichkeit
AM Feiertag 0,165 0.377520666
Mitternacht Feiertag 0.105 0.364105573
PM1 Feiertag 0.165 0.40056055
PM2 Feiertag 0,165 0.338532973
AM Wochentag 0.165 0.370847617
Mitternacht Wochentag 0.08 0.352999173
PM1 Wochentag 0.165 0.317419177
PM2 Wochentag 0.105 0.311672027

Vorhersagen der Auswirkung einer reduzierten Reaktionszeit auf die Dienstklasse

Sie haben einige Durchschnittswerte für jede Schicht generiert und diese Werte als Eingabe für das Logistische Regressionsmodell verwendet. Da das Geschäftsziel jedoch darin besteht, die Abbruchrate innerhalb des Bereichs 0,00-0,05 beizubehalten, sind die Ergebnisse nicht ermutigend.

Daher entscheidet das Operationsteam auf Grundlage des ursprünglichen Modells, das einen starken Einfluss der Reaktionszeit auf die Servicequalität zeigte, einige Vorhersagen durchzuführen, um zu beurteilen, ob eine Verkürzung der durchschnittlichen Zeit zur Reaktion auf Anrufe dabei helfen könnte, die Servicequalität zu verbessern. Wenn Sie beispielsweise die Anrufantwortzeit auf 90 Prozent oder sogar auf 80 Prozent der aktuellen Anrufantwortzeit reduzieren, was würde mit Werten der Dienstnoten geschehen?

Es ist einfach, eine Datenquellenansicht (Data Source View, DSV) zu erstellen, die die durchschnittlichen Antwortzeiten für jede Schicht berechnet, und dann Spalten hinzufügen, die 80% oder 90% der durchschnittlichen Antwortzeit berechnen. Anschließend können Sie den DSV als Eingabe für das Modell verwenden.

Obwohl die genauen Schritte hier nicht angezeigt werden, vergleicht die folgende Tabelle die Auswirkungen auf die Dienstnote, wenn Sie die Reaktionszeiten auf 80% oder auf 90% der aktuellen Reaktionszeiten reduzieren.

Aus diesen Ergebnissen können Sie schließen, dass Sie bei gezielten Schichten die Reaktionszeit auf 90 Prozent der aktuellen Rate reduzieren sollten, um die Dienstqualität zu verbessern.

Schicht, Lohn und Tag Prognostizierte Dienstqualität mit aktueller durchschnittlicher Antwortzeit Prognostizierte Dienstqualität mit einer Reduzierung der Reaktionszeit von 90 Prozent Prognostizierte Dienstqualität mit einer Reduzierung der Reaktionszeit von 80 Prozent
Feiertag AM 0.165 0.05 0.05
Feiertag PM1 0.05 0.05 0.05
Feiertag Mitternacht 0.165 0.05 0.05

Es gibt eine Vielzahl anderer Vorhersageabfragen, die Sie auf diesem Modell erstellen können. Beispielsweise könnten Sie vorhersagen, wie viele Operatoren erforderlich sind, um eine bestimmte Serviceebene zu erfüllen oder auf eine bestimmte Anzahl eingehender Anrufe zu reagieren. Da Sie mehrere Ausgaben in ein Logistisches Regressionsmodell einbeziehen können, ist es einfach, mit verschiedenen unabhängigen Variablen und Ergebnissen zu experimentieren, ohne viele separate Modelle erstellen zu müssen.

Bemerkungen

Das Data Mining-Add-Ins für Excel 2007 stellt logistische Regressions-Assistenten bereit, mit denen komplexe Fragen beantwortet werden können, z. B. wie viele Operatoren der Ebene 2 erforderlich sind, um die Dienstqualität für eine bestimmte Schicht auf eine Zielebene zu verbessern. Die Data Mining-Add-Ins sind ein kostenloser Download und enthalten Assistenten, die auf den neuralen Netzwerk- oder logistischen Regressionsalgorithmen basieren. Weitere Informationen finden Sie unter den folgenden Links:

Schlussfolgerung

Sie haben gelernt, Miningmodelle zu erstellen, anzupassen und zu interpretieren, die auf dem Microsoft Neural Network-Algorithmus und dem Microsoft Logistic Regression-Algorithmus basieren. Diese Modelltypen sind anspruchsvoll und ermöglichen fast unendliche Vielfalt in der Analyse und können daher komplex und schwierig zu meistern sein.

Diese Algorithmen können jedoch viele Kombinationen von Faktoren durchlaufen und die stärksten Korrelationen automatisch identifizieren und statistische Unterstützung für Erkenntnisse bereitstellen, die durch manuelles Durchsuchen von Daten mithilfe von Transact-SQL oder sogar PowerPivot schwer zu erkennen wären.

Siehe auch

Beispiele für Die Abfrage des Logistischen Regressionsmodells
Microsoft Logistic Regression Algorithm
Microsoft Neural Network Algorithm
Beispiele für neurale Netzwerkmodellabfragen

  • Last updated on