Creazione di stime per i modelli Call Center (Esercitazione intermedia sul data mining)
Dopo aver appreso i concetti di base sulle interazioni tra turni, numero di operatori, chiamate e livello del servizio, è possibile creare alcune query di stima che possono essere utilizzate per l'analisi e la pianificazione aziendali. Verranno innanzitutto create alcune stime del modello esplorativo per testare alcune ipotesi. Verranno quindi create stime bulk utilizzando il modello di regressione logistica.
Per questa lezione si presuppone che l'utente abbia già familiarizzato con l'utilizzo del generatore di query di stima. Per informazioni generali sull'utilizzo del generatore delle query di stima, vedere Creazione di query di stima DMX.
Creazione di stime tramite il modello di rete neurale
Nell'esempio seguente viene illustrato come eseguire una stima singleton utilizzando il modello di rete neurale creato per l'esplorazione. Le stime singleton sono una soluzione valida per applicare valori diversi per visualizzarne l'effetto nel modello. In questo scenario si stimerà il livello del servizio per il turno di mezzanotte, senza specificare il giorno della settimana, se sei operatori esperti sono in servizio.
Per creare una query singleton utilizzando il modello di rete neurale
In Business Intelligence Development Studio aprire la soluzione che contiene il modello che si desidera utilizzare.
In Progettazione modelli di data mining fare clic sulla scheda Stima modello di data mining.
Nel riquadro Modello di data mining fare clic su Seleziona modello.
Nella finestra di dialogo Seleziona modello di data mining è disponibile un elenco di strutture di data mining. Espandere la struttura di data mining per visualizzare un elenco dei modelli di data mining associati alla struttura.
Espandere la struttura di data mining Call Center Default e selezionare il modello di rete neurale Call Center - LR.
Scegliere Query singleton dal menu Modello di data mining.
Verrà visualizzata la finestra di dialogo Input query singleton con le colonne mappate alle colonne del modello di data mining.
Nella finestra di dialogo Input query singleton fare clic sulla riga Shift e selezionare midnight.
Fare clic sulla riga Lvl 2 Operators e digitare 6.
Nella metà inferiore della scheda Stima modello di data mining fare clic sulla prima riga della griglia.
Nella colonna Origine fare clic sulla freccia rivolta verso il basso e selezionare Funzione di stima. Nella colonna Campo selezionare PredictHistogram.
Nella casella Criteri/Argomento verrà visualizzato un elenco di argomenti che è possibile utilizzare con questa funzione di stima.
Trascinare la colonna ServiceGrade dall'elenco di colonne nel riquadro Modello di data mining alla casella Criteri/Argomento.
Il nome della colonna verrà inserito automaticamente come argomento. È possibile scegliere qualsiasi colonna di attributo stimabile e trascinarla in questa casella di testo.
Fare clic sul pulsante Passa alla visualizzazione dei risultati della query nell'angolo superiore del generatore delle query di stima.
I risultati previsti contengono i possibili valori stimati per ogni livello del servizio considerando questi input, nonché i valori di supporto e probabilità per ogni stima. È possibile tornare in qualsiasi momento alla visualizzazione di progettazione per modificare gli input o aggiungerne altri.
Creazione di stime tramite un modello di regressione logistica
Anche se è possibile creare stime tramite un modello di rete neurale, questo modello viene in genere utilizzato per l'esplorazione di relazioni complesse. Se si conoscono già gli attributi attinenti al problema aziendale, è possibile utilizzare un modello di regressione logistica per stimare l'effetto della modifica di alcuni attributi. La regressione logistica è un metodo statistico comunemente utilizzato per eseguire stime in base alle modifiche nelle variabili indipendenti. Viene ad esempio utilizzato negli scenari finanziari per prevedere il comportamento dei clienti in base ai relativi dati demografici.
In questa attività viene illustrato come creare un'origine dati che verrà utilizzata per le stime, quindi vengono eseguite le stime che consentono di rispondere a varie domande aziendali.
Generazione di dati utilizzati per la stima bulk
Per questa lezione verrà innanzitutto creata una vista aggregata dei dati di origine che potrà essere utilizzata per l'esecuzione di stime bulk, quindi tali dati verranno inseriti in un modello di data mining in una query di stima. Esistono diversi modi per fornire dati di input: ad esempio, è possibile importare livelli del personale da un foglio di calcolo o fornire i valori a livello di programmazione. In questo caso si utilizzerà la finestra di progettazione Vista origine dati per creare una query denominata. Questa query denominata è un'istruzione T-SQL personalizzata che crea aggregazioni per ogni turno, quali il numero massimo di operatori, il numero minimo di chiamate ricevute o il numero medio di problemi generati.
Per generare dati di input per una query di stima bulk
In Esplora soluzioni fare clic con il pulsante destro del mouse su Viste origine dati e scegliere Nuova vista origine dati.
Nella Creazione guidata vista origine dati selezionare Adventure Works DW2008R2 come origine dati e fare clic su Avanti.
Nella pagina Selezione tabelle e viste fare clic su Avanti senza selezionare alcuna tabella.
Nella pagina Completamento procedura guidata digitare il nome Turni.
Questo nome verrà visualizzato in Esplora soluzioni come nome della vista origine dati.
Fare clic con il pulsante destro del mouse nel riquadro di progettazione vuoto, quindi scegliere Nuova query denominata.
Nella finestra di dialogo Crea query denominata digitare Turni per call center.
Questo nome verrà visualizzato solo in Progettazione vista origine dati 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(Issues) as AvgIssues, MIN(Issues) as MinIssues, MAX(Issues) as MaxIssues FROM dbo.FactCallCenter GROUP BY Shift, WageTypeFare clic su OK..
Nel riquadro di progettazione fare clic con il pulsante destro del mouse sulla tabella Turni per call center e scegliere Esplorazione dati per visualizzare in anteprima i dati restituiti dalla query T-SQL.
Fare clic con il pulsante destro del mouse sulla scheda Turni.dsv (progettazione), quindi scegliere Salva per salvare la nuova definizione della vista origine dati.
Stima delle metriche del servizio per ogni turno
Dopo aver generato alcuni valori per ogni turno, tali valori verranno utilizzati come input per il modello di regressione logistica compilato per generare più stime.
Per utilizzare la nuova vista origine dati come di input per una query di stima
In Progettazione modelli di data mining fare clic sulla scheda Stima modello di data mining.
Nel riquadro Modello di data mining fare clic su Seleziona modello e scegliere Call Center - LR dall'elenco di modelli disponibili.
Deselezionare l'opzione Query singleton nel menu Modello di data mining. Verrà visualizzato un avviso che indica che gli input della query singleton andranno persi. Scegliere OK.
La finestra di dialogo Input query singleton verrà sostituita dalla finestra di dialogo Seleziona tabella/e di input.
Fare clic su Seleziona tabella del case.
Nella finestra di dialogo Seleziona tabella selezionare Turni dall'elenco delle origini dati. Nell'elenco Nome tabella/vista selezionare Turni per call center (potrebbe essere selezionato automaticamente), quindi scegliere OK.
L'area di progettazione Stima modello di data mining verrà aggiornata in modo da visualizzare i mapping creati da Analysis Services 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 linee di join e scegliere Modifica connessioni.
In questa finestra di dialogo è possibile vedere esattamente quali colonne sono mappate e quali non lo sono. Il modello di data mining contiene le colonne Calls, Orders, Issues e LvlTwoOperators di cui è possibile eseguire il mapping con qualsiasi aggregazione creata 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 Calls e selezionare Turni per call center.AvgCalls, quindi fare clic su OK.
Per creare le stime per ogni turno
Nella griglia nella metà inferiore del generatore delle query di stima fare clic sulla cella vuota sotto Origine e selezionare Turni per call center.
Nella cella vuota sotto Campo selezionare Shift.
Fare clic sulla riga vuota successiva nella griglia e ripetere la procedura sopra descritta 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 Predict.
Trascinare la colonna ServiceGrade dal riquadro Modello di data mining alla griglia e rilasciarla nella cella Criteri/Argomento. Nel campo Alias digitare Livello di servizio stimato.
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 Modello di data mining alla griglia e rilasciarla nella cella Criteri/Argomento. Nel campo Alias digitare Probabilità.
Fare clic su Passa alla visualizzazione dei risultati della query per visualizzare le stime.
Nella tabella seguente vengono illustrati i risultati dell'esempio per ogni turno.
Turno |
WageType |
Livello di servizio stimato |
Probabilità |
|---|---|---|---|
AM |
giorno festivo |
0.165 |
0.377520666 |
midnight |
giorno festivo |
0.105 |
0.364105573 |
PM1 |
giorno festivo |
0.165 |
0.40056055 |
PM2 |
giorno festivo |
0.165 |
0.338532973 |
AM |
giorno feriale |
0.165 |
0.370847617 |
midnight |
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 della chiamata sul livello del servizio
Sono stati generati alcuni valori per ogni turno e tali valori sono stati utilizzati come input per il modello di regressione logistica. Tuttavia, considerato che l'obiettivo aziendale è mantenere la frequenza di abbandono tra 0,00 e 0,05, i risultati non sono incoraggianti.
Pertanto, in base al modello originale, che mostra un notevole impatto del tempo di risposta sul livello del servizio, il team di gestione decide di eseguire alcune stime per valutare se, riducendo il tempo medio per la risposta alle chiamate, il livello del servizio può migliorare. È possibile, ad esempio, valutare le conseguenze della riduzione del tempo di risposta alle chiamate al 90% o anche all'80% rispetto al tempo di risposta corrente.
La creazione di una vista origine dati per il calcolo dei tempi di risposta medi per ogni turno è un'operazione semplice. È inoltre possibile aggiungere con facilità colonne contenenti i tempi che rappresentano i valori di destinazione. È quindi possibile utilizzare la vista origine dati come input per il modello.
Nella tabella seguente vengono elencati i risultati di una query di stima che utilizza tre tempi di risposta diversi come input. La query restituisce anche la probabilità del valore stimato, in modo che sia possibile valutare la probabilità che la riduzione del tempo di risposta abbia un impatto sul livello del servizio.
Nella tabella seguente il primo set di numeri rappresenta il livello del servizio stimato e il secondo set di numeri (tra parentesi) rappresenta la probabilità di ottenere il valore stimato. Da questi risultati è possibile concludere che vale la pena provare a ridurre il tempo di risposta al 90%.
Turno |
WageType |
Tempo di risposta medio per turno |
Riduzione del tempo di risposta al 90% |
Riduzione del tempo di risposta all'80% |
|---|---|---|---|---|
AM |
giorno festivo |
0.165 (0.366079388) |
0.05 (0.457470875) |
0.05 (0.610514425) |
AM |
giorno feriale |
0.05 (0.341218694) |
0.05 (0.475767776) |
0.05 (0.60083244) |
midnight |
giorno festivo |
0.165 (0.337801273) |
0.05 (0.413774655) |
0.05 (0.545764101) |
midnight |
giorno feriale |
0.05 (0.378241537) |
0.05 (0.471615415) |
0.05 (0.545614362) |
PM1 |
giorno festivo |
0.165 (0.457871243) |
0.165 (0.376892925) |
0.05 (0.359440286) |
PM1 |
giorno feriale |
0.08 (0.299182047) |
0.08 (0.363761441) |
0.08 (0.40686473) |
PM2 |
giorno festivo |
0.105 (0.325921785) |
0.05 (0.392121793) |
0.05 (0.521558758) |
PM2 |
giorno feriale |
0.105 (0.436051591) |
0.105 (0.342589832) |
0,05 (Y) |
Oltre a fornire i valori di input tramite una vista origine dati, come illustrato in questa esercitazione, è possibile calcolare gli input a livello di codice e fornirli al modello. È possibile scorrere tutti i valori possibili disponibili per individuare la riduzione minore del tempo di risposta che garantisce il livello di servizio desiderato per ogni turno.
È possibile creare molte altre query di stima su questo modello. È ad esempio possibile stimare il numero di operatori necessari per garantire 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 provare a utilizzare variabili indipendenti e risultati diversi senza dover creare molti modelli distinti.
Osservazioni
I componenti aggiuntivi Data mining per Excel 2007 forniscono procedure guidate di regressione logistica che semplificano la risoluzione di problemi complessi, ad esempio il numero di operatori di livello 2 necessari per migliorare il livello del servizio e raggiungere un livello desiderato per un turno specifico. I componenti aggiuntivi per il data mining sono disponibili gratuitamente per il download e includono procedure guidate basate su algoritmi di rete neurale e/o regressione logistica. Per ulteriori informazioni, vedere i seguenti collegamenti:
Componenti aggiuntivi Data mining di SQL Server 2005 per Office 2007: ricerca obiettivo e analisi dello scenario di simulazione
Componenti aggiuntivi Data mining di SQL Server 2008 per Office 2007: ricerca obiettivo, analisi dello scenario di simulazione e calcolo delle stime
Conclusione
In questa esercitazione si è imparato a creare, personalizzare e interpretare modelli di data mining basati sugli algoritmi Microsoft Neural Network e Microsoft Logistic Regression. Si tratta di tipi di modello sofisticati che consentono una varietà quasi infinita di analisi e pertanto possono essere complessi e difficili da gestire. Strumenti quali i grafici e le tabelle pivot basati su Excel disponibili in Progettazione vista origine dati possono fornire supporto per le tendenze più forti rilevate dagli algoritmi e possono semplificare la comprensione delle tendenze individuate. Tuttavia, per apprezzare pienamente i vantaggi del modello, potrebbe essere necessario esplorare l'analisi fornita dal modello ed esaminare i dati in modo più approfondito, utilizzando il visualizzatore del modello di data mining personalizzato e altri strumenti. In tal modo è possibile comprendere appieno le tendenze rilevate nei dati.
Vedere anche