Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
En plus d’analyser les facteurs susceptibles d’affecter les opérations du centre d’appels, vous avez également été invité à fournir des recommandations spécifiques sur la façon dont le personnel peut améliorer la qualité des services. Dans cette tâche, vous allez utiliser la même structure d’exploration de données que celle que vous avez utilisée pour générer le modèle exploratoire et ajouter un modèle d’exploration de données qui sera utilisé pour créer des prédictions.
Dans Analysis Services, un modèle de régression logistique est basé sur l’algorithme de réseaux neuronaux, et fournit donc la même flexibilité et puissance qu’un modèle de réseau neuronal. Toutefois, la régression logistique est particulièrement adaptée à la prédiction des résultats binaires.
Pour ce scénario, vous allez utiliser la même structure d’exploration de données que celle que vous avez utilisée pour le modèle de réseau neuronal. Toutefois, vous allez personnaliser le nouveau modèle pour cibler vos questions professionnelles. Vous souhaitez améliorer la qualité du service et déterminer le nombre d’opérateurs expérimentés dont vous avez besoin. Vous allez donc configurer votre modèle pour prédire ces valeurs.
Pour vous assurer que tous les modèles basés sur les données du centre d’appels sont aussi similaires que possible, vous utiliserez la même valeur de départ que précédemment. La définition du paramètre de départ garantit que le modèle traite les données à partir du même point de départ et réduit les variations provoquées par les artefacts dans les données.
Pour ajouter un nouveau modèle d’exploration de données à la structure d’exploration de données du centre d’appels
Dans SQL Server Data Tools (SSDT), dans l’Explorateur de solutions, cliquez avec le bouton droit sur la structure d’exploration de données, Call Center Binned, puis sélectionnez Open Designer.
Dans le Concepteur d’exploration de données, cliquez sur l’onglet Modèles d’exploration de données.
Cliquez sur Créer un modèle d’exploration de données associé.
Dans la boîte de dialogue Nouveau modèle d’exploration de données , pour le nom du modèle, tapez
Call Center - LR. Pour le nom de l’algorithme, sélectionnez Régression logistique Microsoft.Cliquez sur OK.
Le nouveau modèle d’exploration de données s’affiche sous l’onglet Modèles d’exploration de données.
Pour personnaliser le modèle de régression logistique
Dans la colonne du nouveau modèle d’exploration de données,
Call Center - LRlaissez l’ID Fact CallCenter comme clé.Remplacez la valeur des opérateurs ServiceGrade et Niveau deux par Predict.
Ces colonnes seront utilisées à la fois comme entrée et pour la prédiction. En essence, vous créez deux modèles distincts sur les mêmes données : un qui prédit le nombre d’opérateurs et un qui prédit le niveau de service.
Remplacez toutes les autres colonnes par Entrée.
Pour spécifier la graine et traiter les modèles
Sous l’onglet Modèle d’exploration de données, cliquez avec le bouton droit sur la colonne du modèle nommé Centre d’appels - LR, puis sélectionnez Définir les paramètres d’algorithme.
Dans la ligne du paramètre HOLDOUT_SEED, cliquez sur la cellule vide sous Valeur, puis tapez
1. Cliquez sur OK.Remarque
La valeur que vous choisissez comme valeur initiale n’a pas d’importance, tant que vous utilisez la même valeur initiale pour tous les modèles associés.
Dans le menu Modèles d’exploration, sélectionnez Traiter la structure d’exploration et tous les modèles. Cliquez sur Oui pour déployer le projet d’exploration de données mis à jour sur le serveur.
Dans la boîte de dialogue Modèle d’exploration de données de processus , cliquez sur Exécuter.
Cliquez sur Fermer pour fermer la boîte de dialogue Progression du processus , puis sur Fermer à nouveau dans la boîte de dialogue Modèle d’exploration de données de processus .
Tâche suivante de la leçon
Voir aussi
Exigences et considérations relatives au traitement (exploration de données)