Partager via

Création de prédictions pour les modèles du centre d’appels (didacticiel sur l’exploration de données intermédiaire)

Maintenant que vous avez appris quelque chose sur les interactions entre les shifts, le nombre d’opérateurs, d’appels et de niveau de service, vous êtes prêt à créer des requêtes de prédiction qui peuvent être utilisées dans l’analyse et la planification métier. Vous allez d’abord créer des prédictions sur le modèle exploratoire pour tester certaines hypothèses. Ensuite, vous allez créer des prédictions en bloc à l’aide du modèle de régression logistique.

Cette leçon suppose que vous êtes déjà familiarisé avec le concept de requêtes de prédiction.

Création de prédictions à l’aide du modèle de réseau neuronal

L’exemple suivant montre comment effectuer une prédiction singleton à l’aide du modèle de réseau neuronal créé pour l’exploration. Les prédictions Singleton constituent un bon moyen d’essayer différentes valeurs pour voir l’effet dans le modèle. Dans ce scénario, vous prédirez la note de service pour le poste de minuit (aucun jour de la semaine spécifié) si six opérateurs expérimentés sont en service.

Pour créer une requête singleton à l’aide du modèle de réseau neuronal

  1. Dans SQL Server Data Tools (SSDT), ouvrez la solution qui contient le modèle que vous souhaitez utiliser.

  2. Dans le Concepteur d’exploration de données, cliquez sur l’onglet Prédiction du modèle d’exploration de données.

  3. Dans le volet Modèle d’exploration, cliquez sur Sélectionner le modèle.

  4. La boîte de dialogue Sélectionner un modèle d’exploration de données affiche une liste de structures d’exploration de données. Développez la structure d’exploration de données pour afficher une liste des modèles d’exploration de données associés à cette structure.

  5. Développez la structure d’exploration de données Centre d'appel par défaut, puis sélectionnez le modèle de réseau neuronal, Call Center - LR.

  6. Dans le menu Modèle d’exploration de données, sélectionnez Requête Singleton.

    La boîte de dialogue Entrée de requête Singleton s’affiche, avec des colonnes mappées aux colonnes du modèle d’exploration de données.

  7. Dans la boîte de dialogue Entrée de requête Singleton, cliquez sur la ligne de Shift, puis sélectionnez minuit.

  8. Cliquez sur la ligne des opérateurs Niveau 2, puis tapez 6.

  9. Dans la moitié inférieure de l’onglet Prédiction du modèle d’exploration de données, cliquez sur la première ligne de la grille.

  10. Dans la colonne Source , cliquez sur la flèche vers le bas, puis sélectionnez Fonction de prédiction. Dans la colonne Champ , sélectionnez PredictHistogram.

    Une liste d’arguments que vous pouvez utiliser avec cette fonction de prédiction apparaît automatiquement dans la zone Critères/Arguments .

  11. Faites glisser la colonne ServiceGrade de la liste des colonnes du volet Modèle d’exploration de données vers la zone Critères/Arguments .

    Le nom de la colonne est automatiquement inséré en tant qu’argument. Vous pouvez choisir n’importe quelle colonne d’attribut prévisible à faire glisser dans cette zone de texte.

  12. Cliquez sur le bouton Basculer pour afficher les résultats de la requête, dans le coin supérieur du Générateur de requêtes de prédiction.

Les résultats attendus contiennent les valeurs prédites possibles pour chaque grade de service en fonction de ces entrées, ainsi que des valeurs de prise en charge et de probabilité pour chaque prédiction. Vous pouvez revenir à la vue de conception à tout moment et modifier les entrées, ou ajouter d’autres entrées.

Création de prédictions à l’aide d’un modèle de régression logistique

Si vous connaissez déjà les attributs pertinents pour le problème métier, vous pouvez utiliser un modèle de régression logistique pour prédire l’effet d’apporter des modifications dans certains attributs. La régression logistique est une méthode statistique couramment utilisée pour effectuer des prédictions en fonction des modifications apportées aux variables indépendantes : par exemple, elle est utilisée dans le scoring financier, pour prédire le comportement des clients en fonction des données démographiques des clients.

Dans cette tâche, vous allez apprendre à créer une source de données qui sera utilisée pour les prédictions, puis à effectuer des prédictions pour vous aider à répondre à plusieurs questions métier.

Génération de données utilisées pour la prédiction en bloc

Il existe de nombreuses façons de fournir des données d’entrée : par exemple, vous pouvez importer des niveaux de dotation à partir d’une feuille de calcul et exécuter ces données via le modèle pour prédire la qualité du service pour le mois suivant.

Dans cette leçon, vous allez utiliser le concepteur de vues de source de données pour créer une requête nommée. Cette requête nommée est une instruction de Transact-SQL personnalisée qui, pour chaque équipe sur le planning, calcule le nombre maximal d’opérateurs en service, le nombre minimal d'appels reçus, et le nombre moyen de problèmes qui sont générés. Vous allez ensuite joindre ces données à un modèle d’exploration de données pour effectuer des prédictions sur une série de dates à venir.

Pour générer des données d’entrée pour une requête de prédiction en bloc

  1. Dans l’Explorateur de solutions, cliquez avec le bouton droit sur Vues de source de données, puis sélectionnez Nouvelle vue de source de données.

  2. Dans l’Assistant Vue de source de données, sélectionnez Adventure Works Multidimensional 2012 comme source de données, puis cliquez sur Suivant.

  3. Dans la page Sélectionner des tables et des vues , cliquez sur Suivant sans sélectionner de tables.

  4. Sur la page Fin de l’Assistant, tapez le nom, Shifts.

    Ce nom apparaît dans l’Explorateur de solutions comme nom de la vue de source de données.

  5. Cliquez avec le bouton droit sur le volet de conception vide, puis sélectionnez Nouvelle requête nommée.

  6. Dans la boîte de dialogue Créer une requête nommée , pour Nom, tapez Shifts for Call Center.

    Ce nom s’affiche dans le concepteur de vues de source de données uniquement comme nom de la requête nommée.

  7. Collez l’instruction de requête suivante dans le volet de texte SQL dans la moitié inférieure de la boîte de dialogue.

    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. Dans le volet création, cliquez avec le bouton droit sur la table 'Shifts pour le Centre d’appels', puis sélectionnez Explorer les données pour afficher un aperçu des données telles que retournées par la requête T-SQL.

  9. Cliquez avec le bouton droit sur l’onglet Majs.dsv (Création), puis cliquez sur Enregistrer pour enregistrer la nouvelle définition de vue de source de données.

Prédiction des métriques de service pour chaque décalage

Maintenant que vous avez généré certaines valeurs pour chaque décalage, vous allez utiliser ces valeurs comme entrée dans le modèle de régression logistique que vous avez créé, pour générer certaines prédictions qui peuvent être utilisées dans la planification métier.

Pour utiliser la nouvelle DSV comme entrée dans une requête de prédiction

  1. Dans le Concepteur d’exploration de données, cliquez sur l’onglet Prédiction du modèle d’exploration de données.

  2. Dans le volet Modèle de données minières, cliquez sur Sélectionner un modèle, puis choisissez Centre d’appels - LR dans la liste des modèles disponibles.

  3. Dans le menu Modèle d’exploration de données, désactivez l’option , Requête Singleton. Un avertissement vous indique que les entrées de requête singleton seront perdues. Cliquez sur OK.

    La boîte de dialogue Entrée de requête Singleton est remplacée par la boîte de dialogue Sélectionner une ou plusieurs tables d’entrée .

  4. Cliquez sur Sélectionner une table de cas.

  5. Dans la boîte de dialogue Sélectionner une table , sélectionnezShifts dans la liste des sources de données. Dans la liste des noms de table/affichage , sélectionnez Majs pour le Centre d’appels (il peut être sélectionné automatiquement), puis cliquez sur OK.

    L’aire de conception de prédiction du modèle d’exploration de données est mise à jour pour afficher les mappages créés en fonction des noms et des types de données des colonnes dans les données d’entrée et dans le modèle.

  6. Cliquez avec le bouton droit sur l’une des lignes de jointure, puis sélectionnez Modifier les connexions.

    Dans cette boîte de dialogue, vous pouvez voir exactement quelles colonnes sont mappées et qui ne le sont pas. Le modèle d’exploration de données contient des colonnes pour les appels, commandes, problèmesraised et LvlTwoOperators, que vous pouvez mapper à l’un des agrégats que vous avez créés en fonction de ces colonnes dans les données sources. Dans ce scénario, vous allez mapper aux moyennes.

  7. Cliquez sur la cellule vide en regard de LevelTwoOperators, puis sélectionnez les quarts de travail pour Call Center.AvgOperators.

  8. Cliquez sur la cellule vide à côté des appels, sélectionnez Shifts pour Call Center.AvgCalls. puis cliquez sur OK.

Pour créer les prédictions pour chaque décalage

  1. Dans la grille située dans la partie inférieure du Générateur de requêtes de prédiction, cliquez sur la cellule vide sous Source, puis sélectionnez Plages horaires pour le centre d'appel.

  2. Dans la cellule vide sous Propriété, sélectionnez Maj.

  3. Cliquez sur la ligne vide suivante dans la grille et répétez la procédure décrite ci-dessus pour ajouter une autre ligne pour WageType.

  4. Cliquez sur la ligne vide suivante dans la grille. Dans la colonne Source , sélectionnez Fonction de prédiction. Dans la colonne Champ , sélectionnez Prédire.

  5. Faites glisser la colonne ServiceGrade du volet Modèle d’exploration de données jusqu'à la grille, puis dans la cellule Critères/Argument. Dans le champ Alias , tapez Niveau de service prédit.

  6. Cliquez sur la ligne vide suivante dans la grille. Dans la colonne Source , sélectionnez Fonction de prédiction. Dans la colonne Champ , sélectionnez PredictProbability.

  7. Faites glisser la colonne ServiceGrade du volet Modèle d’exploration de données vers le bas vers la grille, puis dans la cellule Critères/Argument . Dans le champ Alias , tapez Probabilité.

  8. Cliquez sur Basculer vers l'affichage des résultats de la requête pour voir les prédictions.

Le tableau suivant présente des exemples de résultats pour chaque équipe.

Quart de travail Type de salaire Évaluation de service prévue Probabilité
matin vacances 0.165 0.377520666
Minuit vacances 0.105 0.364105573
PM1 vacances 0.165 0.40056055
PM2 vacances 0.165 0.338532973
matin jour de semaine 0.165 0.370847617
Minuit jour ouvrable 0.08 0.352999173
PM1 jour de semaine 0.165 0.317419177
PM2 jour de la semaine 0.105 0.311672027

Prédiction de l’effet du temps de réponse réduit sur la note de service

Vous avez généré des valeurs moyennes pour chaque décalage et utilisé ces valeurs comme entrée dans le modèle de régression logistique. Toutefois, étant donné que l’objectif commercial est de maintenir le taux d’abandon dans la plage de 0,00-0,05, les résultats ne sont pas encourageants.

Par conséquent, en fonction du modèle d’origine, qui a montré une forte influence du temps de réponse sur la note de service, l’équipe des opérations décide d’exécuter certaines prédictions pour évaluer si la réduction du temps moyen de réponse aux appels peut améliorer la qualité du service. Par exemple, si vous réduisez le temps de réponse des appels à 90 % ou même à 80 % du temps de réponse d’appel actuel, quelles sont les valeurs de niveau de service ?

Il est facile de créer une vue de source de données (DSV) pour calculer la moyenne des temps de réponse pour chaque poste, puis d’ajouter des colonnes qui calculent les 80% ou 90% du temps de réponse moyen. Vous pouvez ensuite utiliser la DSV comme entrée dans le modèle.

Bien que les étapes exactes ne soient pas indiquées ici, le tableau suivant compare les effets sur la note de service lorsque vous réduisez les temps de réponse à 80% ou à 90% des temps de réponse actuels.

À partir de ces résultats, vous pouvez conclure que sur les changements ciblés, vous devez réduire le temps de réponse à 90 % du taux actuel afin d’améliorer la qualité du service.

Quart de travail, salaire et jour Qualité de service prédite avec temps de réponse moyen actuel Qualité de service prédite avec une réduction de 90 % du temps de réponse Qualité de service prédite avec une réduction de 80 % du temps de réponse
Vacances le matin 0.165 0,05 0,05
Holiday PM1 0,05 0,05 0,05
Réveillon de Minuit 0.165 0,05 0,05

Il existe diverses autres requêtes de prédiction que vous pouvez créer sur ce modèle. Par exemple, vous pouvez prédire le nombre d’opérateurs requis pour répondre à un certain niveau de service ou répondre à un certain nombre d’appels entrants. Étant donné que vous pouvez inclure plusieurs sorties dans un modèle de régression logistique, il est facile d’expérimenter différentes variables et résultats indépendants sans avoir à créer de nombreux modèles distincts.

Remarques

Les assistants de régression logistique pour l'exploration de données Add-Ins d'Excel 2007 facilitent la réponse à des questions complexes, telles que le nombre d’opérateurs de niveau deux nécessaires pour améliorer le niveau de service à un niveau cible pour un poste spécifique. Les compléments d’exploration de données sont un téléchargement gratuit et incluent des assistants basés sur les algorithmes de réseau neuronal ou de régression logistique. Pour en savoir plus, consultez les liens suivants :

Conclusion

Vous avez appris à créer, personnaliser et interpréter des modèles d’exploration de données basés sur l’algorithme Microsoft Neural Network et l’algorithme Microsoft Logistic Regression. Ces types de modèles sont sophistiqués et permettent une variété presque infinie dans l’analyse, et peuvent donc être complexes et difficiles à maîtriser.

Toutefois, ces algorithmes peuvent itérer à travers de nombreuses combinaisons de facteurs et identifier automatiquement les corrélations les plus fortes, fournissant une prise en charge statistique des insights qui seraient très difficiles à découvrir par le biais de l’exploration manuelle des données à l’aide de Transact-SQL ou même de PowerPivot.

Voir aussi

Exemples de requête de modèle de régression logistique
Algorithme de régression logistique Microsoft
Algorithme de réseau neuronal Microsoft
Exemples de requête de modèle de réseau neuronal

  • Last updated on