Creazione di stime per i modelli call center (esercitazione intermedia sul data mining)

Ora che si è appreso qualcosa sulle interazioni tra turni, il numero di operatori, chiamate e livello di servizio, è possibile creare alcune query di stima che possono essere usate nell'analisi aziendale e nella pianificazione. Prima di tutto si creeranno alcune stime sul modello esplorativo per testare alcuni presupposti. Successivamente, si creeranno stime in blocco usando il modello di regressione logistica.

Questa lezione presuppone che si abbia già familiarità con il concetto di query di previsione.

Creazione di stime con il modello di rete neurale

Nell'esempio seguente viene illustrato come eseguire una stima singleton usando il modello di rete neurale creato per l'esplorazione. Le stime singleton sono un buon modo per provare valori diversi per visualizzare l'effetto nel modello. In questo scenario, si stima il grado di servizio per il turno di mezzanotte (nessun giorno della settimana specificato) se sei operatori esperti sono in servizio.

Per creare una query singleton usando il modello di rete neurale

In SQL Server Data Tools (SSDT) aprire la soluzione che contiene il modello da usare.
In Progettazione modelli di data mining, fare clic sulla scheda Previsione modello di data mining.
Nel riquadro Modello di data mining fare clic su Seleziona modello.
Nella finestra di dialogo Seleziona modello di data mining viene visualizzato un elenco delle strutture di data mining. Espandi la struttura di data mining per visualizzare un elenco di modelli di data mining associati a tale struttura.
Espandere la struttura di data mining Call Center Default e selezionare il modello di rete neurale Call Center - LR.
Dal menu Modello di data mining, selezionare Query Singleton.

Viene visualizzata la finestra di dialogo Input query Singleton con le colonne mappate alle colonne nel modello di mining.
Nella finestra di dialogo Input query Singleton, fare clic sulla riga per Turno e quindi selezionare mezzanotte.
Fare clic sulla riga per Operatori Lvl 2 e digitare 6.
Nella metà inferiore della scheda Predizione del Modello di Data Mining fare clic sulla prima riga nella griglia.
Nella colonna Origine fare clic sulla freccia giù e selezionare Funzione di stima. Nella colonna Campo selezionare PredictHistogram.

Nella casella Criteri/Argomenti viene visualizzato automaticamente un elenco di argomenti che è possibile usare con questa funzione di stima.
Trascina la colonna ServiceGrade dall'elenco di colonne nel riquadro Modello di Mining alla casella Criteri/Argomenti.

Il nome della colonna viene inserito automaticamente come argomento. È possibile scegliere qualsiasi colonna di attributi prevedibili da trascinare in questa casella di testo.
Fare clic sul pulsante Passa alla visualizzazione dei risultati della query, nell'angolo in alto a destra del Generatore di query di previsione.

I risultati previsti contengono i possibili valori stimati per ogni livello di servizio dato questi input, insieme ai valori di supporto e probabilità per ogni stima. È possibile tornare alla visualizzazione progettazione in qualsiasi momento e modificare gli input o aggiungere altri input.

Creazione di stime tramite un modello di regressione logistica

Se si conoscono già gli attributi rilevanti per il problema aziendale, è possibile usare un modello di regressione logistica per prevedere l'effetto di apportare modifiche in alcuni attributi. La regressione logistica è un metodo statistico comunemente usato per eseguire stime in base alle modifiche nelle variabili indipendenti: ad esempio, viene usato nell'assegnazione dei punteggi finanziari per stimare il comportamento dei clienti in base ai dati demografici dei clienti.

In questa attività si apprenderà come creare un'origine dati che verrà usata per le stime e quindi eseguire stime per rispondere a diverse domande aziendali.

Generazione dei dati utilizzati per la previsione di massa

Esistono molti modi per fornire dati di input: ad esempio, è possibile importare i livelli di personale da un foglio di calcolo ed eseguire tali dati tramite il modello per stimare la qualità del servizio per il mese successivo.

In questa lezione, utilizzerai il progettista di Vista origine dati per creare una query denominata. Questa query è un'istruzione Transact-SQL personalizzata che per ogni turno della pianificazione calcola il numero massimo di operatori in servizio, il numero minimo di chiamate ricevute e il numero medio di problemi generati durante il turno. I dati verranno quindi uniti a un modello di data mining per eseguire stime su una serie di date imminenti.

Per generare dati di input per una query di previsione di massa

In Esplora soluzioni fare clic con il pulsante destro del mouse su Viste origine dati e quindi scegliere Nuova vista origine dati.
Nella procedura guidata Vista origine dati selezionare Adventure Works DW Multidimensional 2012 come origine dati e quindi fare clic su Avanti.
Nella pagina Selezione tabelle e viste fare clic su Avanti senza selezionare alcuna tabella.
Nella pagina di completamento della procedura guidata, inserisci il nome. Shifts

Questo nome verrà visualizzato in Esplora soluzioni come nome della vista origine dati.
Fare clic con il pulsante destro del mouse sul riquadro di progettazione vuoto, quindi scegliere Nuova query denominata.
Nella finestra di dialogo Crea query denominata, per Nome, digitare Shifts for Call Center.

Questo nome verrà visualizzato nella finestra di progettazione vista origine dati solo come nome della query denominata.

Incollare l'istruzione di query seguente nel riquadro di testo SQL nella metà inferiore della finestra di dialogo.

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

Nel riquadro di progettazione fare clic con il pulsante destro del mouse sulla tabella, Sposta per Call Center e selezionare Esplora dati per visualizzare in anteprima i dati restituiti dalla query T-SQL.
Fare clic con il pulsante destro del mouse sulla scheda Shifts.dsv (Progettazione) e quindi scegliere Salva per salvare la nuova definizione della vista origine dati.

Stima delle metriche del servizio per ogni turno

Ora che sono stati generati alcuni valori per ogni turno, questi valori verranno usati come input per il modello di regressione logistica creato per generare alcune stime che possono essere usate nella pianificazione aziendale.

Per usare il nuovo DSV come input per una query di previsione

Nella Progettazione Data Mining, clic sulla scheda Predizione Modello di Data Mining.
Nel riquadro Modello di data mining fare clic su Seleziona modello e scegliere Call Center - LR dall'elenco dei modelli disponibili.
Dal menu Modello di data mining, deseleziona l'opzione Query Singleton. Un avviso ti avverte che gli input della query singleton saranno persi. Fare clic su OK.

La finestra di dialogo Input query Singleton viene sostituita con la finestra di dialogo Seleziona tabelle di input .
Fare clic su Seleziona tabella dei casi.
Nella finestra di dialogo Seleziona tabella, seleziona Shifts nell'elenco delle origini dati. Nell'elenco Nome tabella/visualizzazione selezionare Turni per Call Center (potrebbe essere selezionato automaticamente) e quindi fare clic su OK.

L'area di progettazione Predizione del Modello di Mining viene aggiornata per visualizzare i mapping creati in base ai nomi e ai tipi di dati delle colonne nei dati di input e nel modello.
Fare clic con il pulsante destro del mouse su una delle righe di join e quindi scegliere Modifica connessioni.

In questa finestra di dialogo è possibile visualizzare esattamente quali colonne sono mappate e quali non sono. Il modello di modellazione dei dati contiene colonne per chiamate, ordini, problemi generati e operatori di secondo livello, che è possibile mappare a qualsiasi aggregazione che hai creato in base a queste colonne nei dati di origine. In questo scenario si eseguirà il mapping alle medie.
Fare clic sulla cella vuota accanto a LevelTwoOperators, e selezionare Turni per Call Center.AvgOperators.
Fare clic sulla cella vuota accanto a Chiamate, selezionare Turni per Call Center.AvgCalls. e quindi fare clic su OK.

Per creare le stime per ogni turno

Nella griglia nella parte inferiore del Generatore di query di previsione fare clic sulla cella vuota in Origine e quindi selezionare Turni del Call Center.
Nella cella vuota in Campo selezionare Maiusc.
Fare clic sulla riga vuota successiva nella griglia e ripetere la procedura descritta in precedenza per aggiungere un'altra riga per WageType.
Fare clic sulla riga vuota successiva nella griglia. Nella colonna Origine selezionare Funzione di stima. Nella colonna Campo, selezionare Prevedi.
Trascina la colonna ServiceGrade dal riquadro Modello di mining alla griglia e nella cella Criteri/Argomento. Nel campo Alias digitare Predicted Service Grade.
Fare clic sulla riga vuota successiva nella griglia. Nella colonna Origine selezionare Funzione di stima. Nella colonna Campo selezionare PredictProbability.
Trascinare la colonna ServiceGrade dal riquadro Mining Model fino alla griglia e nella cella Criteri/Argomento. Nel campo Alias digitare Probabilità.
Fare clic su Passa alla visualizzazione dei risultati della query per visualizzare le stime.

La tabella seguente mostra i risultati di esempio per ogni turno.

Spostamento	Tipo di Retribuzione	Livello di servizio stimato	Probabilità
di mattina	giorno festivo	0.165	0.377520666
Mezzanotte	giorno festivo	0.105	0.364105573
PM1	giorno festivo	0.165	0.40056055
PM2	giorno festivo	0.165	0.338532973
di mattina	giorno feriale	0.165	0.370847617
Mezzanotte	giorno feriale	0.08	0.352999173
PM1	giorno feriale	0,165	0.317419177
PM2	giorno feriale	0.105	0.311672027

Stima dell'effetto del tempo di risposta ridotto sul livello di servizio

Sono stati generati alcuni valori medi per ogni turno e sono stati usati come input per il modello di regressione logistica. Tuttavia, dato che l'obiettivo aziendale è quello di mantenere il tasso di abbandono entro l'intervallo 0,00-0,05, i risultati non sono incoraggianti.

Pertanto, in base al modello originale, che ha mostrato una forte influenza del tempo di risposta sul livello di servizio, il team operativo decide di eseguire alcune stime per valutare se ridurre il tempo medio per rispondere alle chiamate potrebbe migliorare la qualità del servizio. Ad esempio, se si taglia il tempo di risposta della chiamata al 90% o anche all'80% del tempo di risposta della chiamata corrente, cosa accadrebbe ai valori del livello di servizio?

È facile creare una vista origine dati (DSV) che calcola i tempi di risposta medi per ogni turno e quindi aggiungere colonne che calcolano 80% o 90% del tempo medio di risposta. È quindi possibile utilizzare il DSV come input per il modello.

Anche se i passaggi esatti non vengono visualizzati qui, la tabella seguente confronta gli effetti sul livello di servizio quando si riducono i tempi di risposta a 80% o a 90% dei tempi di risposta correnti.

Da questi risultati, è possibile concludere che in turni mirati è necessario ridurre il tempo di risposta al 90% della frequenza corrente per migliorare la qualità del servizio.

Turno, salario e giorno	Qualità del servizio stimata con il tempo medio di risposta corrente	Qualità del servizio stimata con riduzione del 90% nel tempo di risposta	Qualità del servizio stimata con riduzione dell'80% nel tempo di risposta
Festività AM	0.165	0.05	0.05
Festività PM1	0.05	0.05	0.05
Mezzanotte delle festività	0,165	0.05	0.05

Esistono diverse altre query di stima che è possibile creare in questo modello. Ad esempio, è possibile stimare il numero di operatori necessari per soddisfare un determinato livello di servizio o per rispondere a un determinato numero di chiamate in ingresso. Poiché è possibile includere più output in un modello di regressione logistica, è facile sperimentare diverse variabili indipendenti e risultati senza dover creare molti modelli separati.

Osservazioni:

La Data Mining Add-Ins per Excel 2007 fornisce procedure guidate di regressione logistica che semplificano il rispondere a domande complesse, ad esempio quanti operatori di secondo livello sarebbero necessari per migliorare il grado di servizio a un livello target per un turno specifico. I componenti aggiuntivi di data mining sono un download gratuito e includono procedure guidate basate sulla rete neurale o sugli algoritmi di regressione logistica. Per altre informazioni, vedi i collegamenti seguenti:

Data Mining di SQL Server 2005 Add-Ins per Office 2007: Ricerca obiettivo e analisi di scenario ipotetico
Sql Server 2008 Data mining Add-Ins per Office 2007: Analisi degli scenari di ricerca degli obiettivi, Analisi degli scenari di simulazione e Calcolatore di stima

Conclusione

Si è appreso come creare, personalizzare e interpretare modelli di data mining basati sull'algoritmo Microsoft Neural Network e sull'algoritmo Microsoft Logistic Regression. Questi tipi di modello sono sofisticati e consentono una varietà quasi infinita nell'analisi e pertanto possono essere complessi e difficili da gestire.

Tuttavia, questi algoritmi possono scorrere molte combinazioni di fattori e identificare automaticamente le correlazioni più forti, fornendo supporto statistico per informazioni dettagliate che sarebbero molto difficili da individuare tramite l'esplorazione manuale dei dati usando Transact-SQL o anche PowerPivot.

Vedere anche

Esempi di query sul modello di regressione logistica
Algoritmo di Regressione Logistica Microsoft
Algoritmo Microsoft Neural Network
Esempi di query sul modello di rete neurale

Last updated on 2017-03-06

Condividi tramite