Erstellen von Vorhersagen für Callcentermodelle (Data Mining-Lernprogramm für Fortgeschrittene)

Nachdem Sie nun etwas über die Interaktionen zwischen Arbeitsschichten, Wochentagen, Anzahl der Anrufe, Bestellungen und Dienstqualität gelernt haben, können Sie einige Vorhersageabfragen erstellen, die in Geschäftsanalysen und für die Planung verwendet werden können. Sie erstellen zuerst einige Vorhersagen über das explorative Modell, um einige Annahmen zu testen. Danach erstellen Sie Massenvorhersagen mithilfe des logistischen Regressionsmodells.

Für diese Lektion wird davon ausgegangen, dass Sie bereits mit der Verwendung des Generators für Vorhersageabfragen vertraut sind. Allgemeine Informationen zum Verwenden des Generators für Vorhersageabfragen finden Sie unter Erstellen von DMX-Vorhersageabfragen.

Erstellen von Vorhersagen mit dem neuronalen Netzwerkmodell

Im folgenden Beispiel wird veranschaulicht, wie eine SINGLETON-Vorhersage mithilfe des neuronalen Netzwerkmodells getroffen wird, das für Untersuchungen erstellt wurde. Mit SINGLETON-Vorhersagen können verschiedene Werte und deren Auswirkungen auf das Modell auf einfache Weise getestet werden. In diesem Szenario werden Sie die Dienstqualität für die Nachtschicht (kein Wochentag angegeben) vorhersagen, wenn sechs erfahrene Telefonisten Dienst haben.

So erstellen Sie eine SINGLETON-Abfrage mithilfe des neuronalen Netzwerkmodells

1. Öffnen Sie in Business Intelligence Development Studio die Projektmappe, 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. Im Dialogfeld Miningmodell auswählen wird eine Liste mit Miningstrukturen angezeigt. Erweitern Sie die Miningstruktur, um eine Liste der dieser Struktur zugeordneten Miningmodelle anzuzeigen.

5. Erweitern Sie die Call Center-Miningstruktur, und wählen Sie das Call Center - NN-Miningmodell aus.

6. Klicken Sie im Menü Miningmodell auf SINGLETON-Abfrage.

   Das Dialogfeld SINGLETON-Abfrageeingabe wird angezeigt, und die Spalten sind den Spalten im Miningmodell zugeordnet.

7. Klicken Sie im Dialogfeld SINGLETON-Abfrageeingabe auf die Zeile für Shift, und wählen Sie midnight aus.

8. Klicken Sie auf die Zeile für Lvl 2 Operators, und geben Sie 6 ein.

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

10. Klicken Sie auf die Spalte Quelle, und wählen Sie Vorhersagefunktion. Wählen Sie in der Spalte Feld den Eintrag PredictHistogram aus.

    Eine Liste mit Argumenten, die Sie mit dieser Vorhersagefunktion verwenden können, wird automatisch im Feld Kriterium/Argument angezeigt.

11. Ziehen Sie die Spalte ServiceGrade aus der Liste der Spalten im Bereich Miningmodell in das Feld Kriterium/Argument.

    Der Name der Spalte wird automatisch als Argument eingefügt. Sie können jede vorhersagbare Attributspalte in diesem Textfeld ablegen.

12. Klicken Sie auf die Schaltfläche Zur Abfrageergebnisansicht wechseln oben rechts im Generator für Vorhersageabfragen.

Die erwarteten Ergebnisse enthalten die möglichen vorhergesagten Werte für jede Dienstqualität bei Berücksichtigung der angegebenen 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

Sie können mit einem neuronalen Netzwerkmodell Vorhersagen erstellen, normalerweise wird das neuronale Netzwerkmodell jedoch für die Untersuchung komplexer Beziehungen verwendet. Wenn Sie bereits die Attribute kennen, die für das Geschäftsproblem relevant sind, können Sie ein logistisches Regressionsmodell verwenden, um die Auswirkungen bei Änderungen an bestimmten unabhängigen Variablen vorherzusagen. Die logistische Regression wird beispielsweise häufig in Szenarien mit Finanzbewertungen verwendet, um das Kundenverhalten auf Grundlage von Kundendemografien oder anderen Attributen vorherzusagen.

In dieser Aufgabe erfahren Sie, wie Sie eine Datenquelle für Vorhersagen erstellen und anschließend Vorhersagen zur Beantwortung verschiedener Geschäftsfragen treffen.

Generieren von Daten für Massenvorhersagen

In diesem Szenario erstellen Sie zuerst eine aggregierte Ansicht der Quelldaten, die zum Treffen von Massenvorhersagen verwendet werden können, und verknüpfen diese Daten anschließend in einer Vorhersageabfrage mit einem Miningmodell. Es gibt viele Möglichkeiten, Eingabedaten bereitzustellen, beispielsweise könnten Sie Personaleinstufungen aus einer Tabelle importieren oder die Werte programmgesteuert eingeben. Hier wird der Einfachheit halber der Datenquellensicht-Designer verwendet, um eine benannte Abfrage zu erstellen. Diese benannte Abfrage ist eine benutzerdefinierte T-SQL-Anweisung, die Aggregate für jede Schicht erstellt, wie z. B. die maximale Anzahl an Telefonisten, die Mindestanzahl empfangener Anrufe oder die durchschnittliche Anzahl generierter Probleme.

So generieren Sie Eingabedaten für eine Massenvorhersageabfrage

1. Klicken Sie im Projektmappen-Explorer mit der rechten Maustaste auf Datenquellensichten, und wählen Sie Neue Datenquellensicht aus.

2. Wählen Sie im Datenquellensicht-Assistenten AdventureWorks DW 2008 als Datenquelle aus, und klicken Sie auf Weiter.

3. Klicken Sie auf der Seite Tabellen und Sichten auswählen auf Weiter, ohne eine Tabelle auszuwählen.

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

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

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

6. Geben Sie im Dialogfeld Benannte Abfrage erstellen den Namen Shifts for Call Center ein.

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

7. Fügen Sie in der unteren Hälfte des Dialogfelds die folgende Abfrageanweisung in den SQL-Textbereich 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 auf OK.

9. Klicken Sie im Entwurfsbereich mit der rechten Maustaste auf die Tabelle Shifts for Call Center, und wählen Sie Daten durchsuchen aus, um eine Vorschau der von der T-SQL-Abfrage zurückgegebenen Daten anzuzeigen.

10. Klicken Sie mit der rechten Maustaste auf die Registerkarte Shifts.dsv (Design), und klicken Sie dann auf Speichern, um die neue Datenquellensichtdefinition zu speichern.

Vorhersagen der Dienstmetrik für jede Schicht

Nachdem Sie einige Werte für jede Schicht generiert haben, verwenden Sie nun diese Werte als Eingabe für das logistische Regressionsmodell, das Sie erstellt haben, um mehrere Vorhersagen zu generieren.

So verwenden Sie die neue 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 in der Liste der verfügbaren Modelle Call Center - LR aus.

3. Deaktivieren Sie im Menü Miningmodell die Option SINGLETON-Abfrage. Eine Warnung weist Sie darauf hin, dass die Eingaben für die SINGLETON-Abfrage verloren gehen. Klicken Sie 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 aus der Liste der DatenquellenShifts aus. Wählen Sie Shifts for Call Center in der Liste Tabellen-/Sichtname aus (wird ggf. automatisch ausgewählt), und klicken Sie dann auf OK.

   Die Entwurfsoberfläche Miningmodellvorhersage wird aktualisiert und zeigt die Zuordnungen an, die von Analysis Services auf Grundlage der Namen und der Datentypen der Spalten in den Eingabedaten und dem Modell erstellt werden.

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

   In diesem Dialogfeld können Sie genau sehen, welche Spalten zugeordnet werden und welche nicht. Das Miningmodell enthält Spalten für Calls, Orders, IssuesRaised und LvlTwoOperators, die Sie beliebig den Aggregaten zuordnen können, die Sie basierend auf diesen Spalten in den Quelldaten erstellt haben. In diesem Szenario werden Sie eine Zuordnung zu den Mittelwerten vornehmen.

7. Klicken Sie auf die leere Zelle neben LevelTwoOperators, und wählen Sie Shifts for Call Center.AvgOperators aus.

8. Klicken Sie auf die leere Zelle neben Calls, und wählen Sie Shifts for Call Center.AvgCalls aus. Klicken Sie auf OK.

So erstellen Sie die Vorhersagen für jede Schicht

1. Klicken Sie im Raster in der unteren Hälfte des Generators für Vorhersageabfragen auf die leere Zelle unter Quelle, und wählen Sie Shifts for Call Center aus.

2. Wählen Sie Shift in der leeren Zelle unter Feld aus.

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

4. Klicken Sie auf die nächste leere Zeile im Raster. Wählen Sie als Quelle die Option Vorhersagefunktion aus. Wählen Sie für Feld den Eintrag Predict aus.

5. Ziehen Sie die Spalte ServiceGrade aus dem Bereich Miningmodell in das Raster, und legen Sie die Spalte in der Zelle Kriterium/Argument ab. Geben Sie im Feld Alias die Zeichenfolge Predicted Service Grade ein.

6. Klicken Sie auf die nächste leere Zeile im Raster. Wählen Sie als Quelle die Option Vorhersagefunktion aus. Wählen Sie für Feld den Eintrag PredictProbability aus.

7. Ziehen Sie die Spalte ServiceGrade erneut aus dem Bereich Miningmodell in das Raster, und legen Sie die Spalte in der Zelle Kriterium/Argument ab. Geben Sie im Feld Alias die Zeichenfolge Wahrscheinlichkeit ein.

8. Klicken Sie auf Zur Abfrageergebnissicht wechseln, um die Vorhersagen anzuzeigen.

In der folgenden Tabelle werden für jede Schicht Beispielergebnisse angezeigt.

Shift	WageType	Predicted Service Grade	Probability
AM	holiday	0.109136059911771	0.988372093023256
midnight	holiday	0.102997190221556	0.988372093023256
PM1	holiday	0.118717846218269	0.988372093023256
PM2	holiday	0.129285352721855	0.988372093023256
AM	weekday	0.0818812064002576	0.988372093023256
midnight	weekday	0.0708461247735892	0.988372093023256
PM1	weekday	0.0902827481812303	0.988372093023256
PM2	weekday	0.101794450305237	0.988372093023256

Vorhersagen zu den Auswirkungen der Gesprächsdauer auf die Dienstqualität

Ihre ursprüngliche geschäftlichte Zielsetzung bestand darin, Möglichkeiten zu ermitteln, um die Abbruchrate innerhalb des Zielbereichs von 0,00 bis 0,05 zu halten. Das neuronale Netzwerkmodell, das Sie für die Untersuchung entwickelt haben, hat ermittelt, dass die Antwortzeit sich stark auf die Dienstqualität auswirkt. Vom Betriebsteam wird daher beschlossen, einige Vorhersagen auszuführen, um zu untersuchen, ob durch eine Verkürzung der durchschnittlichen Antwortzeit die Dienstqualität verbessert werden kann. Verbessert sich das Ergebnis, wenn die Antwortzeit auf 90 % oder sogar 80 % der aktuellen Antwortzeit verkürzt wird?

Es ist einfach, eine Datenquellensicht (Data Source View, DSV) zu erstellen, die die durchschnittlichen Antwortzeiten für jede Schicht berechnet, und Spalten hinzuzufügen, die einen Prozentsatz dieser durchschnittlichen Antwortzeit berechnen. Sie können dann die DSV als Eingabe für das Modell verwenden.

In der folgenden Tabelle werden die Ergebnisse einer Vorhersageabfrage aufgeführt, die drei verschiedene Antwortzeiten als Eingaben verwendet: den Mittelwert der Ist-Daten, einen 90 % des Istwerts sowie einen 80 % der durchschnittlichen Antwortzeit darstellenden Wert.

Bei diesen Ergebnissen stellt der erste Satz von Vorhersagen in den einzelnen Spalten die vorhergesagte Dienstqualität dar, und der zweite Zahlensatz (in Klammern) gibt jeweils die Wahrscheinlichkeit des vorhergesagten Werts an. Aus diesen Ergebnissen können Sie z. B. schließen, dass die kostengünstigste Lösung der Versuch wäre, die Antwortzeit auf 90 % zu reduzieren.

Shift	WageType	Durchschnittliche Antwortzeit pro Schicht	Reduzieren der Antwortzeit auf 90 Prozent des momentanen Werts	Reduzieren der Antwortzeit auf 80 Prozent des momentanen Werts
AM	holiday	0.165 (0.366079388)	0.05 (0.457470875)	0.05 (0.610514425)
AM	weekday	0.05 (0.341218694)	0.05 (0.475767776)	0.05 (0.60083244)
midnight	holiday	0.165 (0.337801273)	0.05 (0.413774655)	0.05 (0.545764101)
midnight	weekday	0.05 (0.378241537)	0.05 (0.471615415)	0.05 (0.545614362)
PM1	holiday	0.165 (0.457871243)	0.165 (0.376892925)	0.05 (0.359440286)
PM1	weekday	0.08 (0.299182047)	0.08 (0.363761441)	0.08 (0.40686473)
PM2	holiday	0.105 (0.325921785)	0.05 (0.392121793)	0.05 (0.521558758)
PM2	weekday	0.105 (0.436051591)	0.105 (0.342589832)	0.05 (Y)

Alternativ zur Bereitstellung der Eingabewerte in einer Datenquellensicht (wie in diesem Beispiel) können Sie die Eingaben auch programmgesteuert berechnen und für das Modell bereitstellen. Indem Sie alle möglichen Werte durchlaufen, können Sie so die kleinste Verkürzung der Antwortzeit ermitteln, bei der die vorgegebenen Zielwerte für die Dienstqualität in jeder Schicht erreicht werden.

Es gibt eine Vielzahl anderer Vorhersageabfragen, die Sie für dieses Modell erstellen können. Zum Beispiel können Sie vorhersagen, wie viele Telefonisten erforderlich sind, um eine bestimmte Dienstqualität zu erreichen oder um eine bestimmte Anzahl von eingehenden Aufrufen entgegenzunehmen. Da Sie in einem logistischen Regressionsmodell mehrere Ausgaben einschließen können, ist es leicht, mit verschiedenen unabhängigen Variablen und Ergebnissen zu experimentieren, ohne mehrere separate Modelle erstellen zu müssen.

Hinweise

Die Data Mining Add-Ins für Excel 2007 stellen einen Logistic Regression-Assistenten bereit, mit dem komplexe Fragen einfach beantwortet werden können, beispielsweise wie viele Operatoren auf Ebene 2 benötigt werden, um die Dienstqualität für die Zielebene einer bestimmten Schicht zu verbessern. Die Data Mining-Add-Ins können kostenlos heruntergeladen werden und enthalten Assistenten, die auf dem neuronalen Netzwerk und/oder den Logistic Regression-Algorithmen basieren. Weitere Informationen finden Sie unter den folgenden Links:

• SQL Server 2005 Data Mining Add-Ins for Office 2007: Goal Seek and What If Scenario Analysis

• SQL Server 2008 Data Mining Add-Ins for Office 2007: Goal Seek Scenario Analysis, What If Scenario Analysis, and Prediction Calculator

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 bieten sehr umfassende Möglichkeiten und erlauben nahezu unendlich viele Variationen bei der Analyse. Ihre Verwendung kann daher komplex und schwierig sein. Tools, z. B. die Excel-basierten Diagramme und PivotTables, die im Datenquellensicht-Designer bereitgestellt werden, unterstützen Sie beim Erkennen und Interpretieren der wichtigsten von den Algorithmen festgestellten Trends. Um die Ergebnisse eines Modells in ihrem ganzen Umfang nutzen zu können, müssen Sie jedoch ggf. die vom Modell bereitgestellte Analyse genau untersuchen und die Daten mithilfe des benutzerdefinierten Miningmodell-Viewers und anderer Tools eingehend prüfen, sodass Sie ein genaues Verständnis der Trends in den Daten erhalten.

Siehe auch

Konzepte

Abfragen eines logistischen Regressionsmodells (Analysis Services – Data Mining)

Microsoft Logistic Regression-Algorithmus

Microsoft Neural Network-Algorithmus

Abfragen eines neuronalen Netzwerkmodells (Analysis Services – Data Mining)

Änderungsverlauf

Aktualisierter Inhalt
Die Miningmodellnamen wurden in Vorhersagen und DDL-Anweisungen korrigiert, um dem aktualisierten Szenario zu entsprechen.
Der Spaltenname für "Issues" korrigiert. Beispielergebnisse wurden für das Modell mit "DayOfWeek" aktualisiert. Es wurde eine Erklärung des abschließenden Vorhersageszenarios hinzugefügt.