Esplorazione del modello Call Center (Esercitazione intermedia sul data mining)

Articolo
10/11/2016

Si applica a: SQL Server 2016 Preview

Dopo aver compilato il modello esplorativo, è possibile utilizzarlo per ottenere ulteriori informazioni sui dati tramite gli strumenti seguenti disponibili in SQL Server Data Tools (SSDT).

Visualizzatore Microsoft Neural Network**:** questo visualizzatore è disponibile nel Visualizzatore modello di Data Mining scheda Progettazione modelli di Data Mining e consentono di sperimentare le interazioni tra i dati.
Microsoft Generic Content Tree Viewer**:** questo visualizzatore standard fornisce informazioni dettagliate sui modelli e statistiche individuati dall'algoritmo durante la generazione del modello.

Visualizzatore Microsoft Neural Network

Il visualizzatore presenta tre riquadri, ovvero Input, Output, e variabili.

Tramite il Output riquadro, è possibile selezionare valori diversi per l'attributo stimabile o la variabile dipendente. Se il modello contiene più attributi stimabili, è possibile selezionare l'attributo di attributo Output elenco.

Il variabili riquadro confronta i due risultati scelti per gli attributi o le variabili. Le barre colorate rappresentano visivamente l'impatto della variabile sui risultati di destinazione. È possibile visualizzare anche punteggi di accuratezza per le variabili. I punteggi di accuratezza vengono calcolati in modo diverso a seconda del tipo di modello di data mining utilizzato, ma indica in generale il miglioramento del modello in caso di utilizzo dell'attributo per la stima.

Il Input riquadro consente di aggiungere fattori di influenza al modello per provare vari scenari di simulazione.

Utilizzo del riquadro Output

In questo modello iniziale interessa vedere come i vari fattori influiscono sul livello del servizio. A tale scopo, è possibile selezionare Service Grade dall'elenco di attributi di output e quindi confrontare i diversi livelli di servizio selezionando intervalli dagli elenchi a discesa per 1 valore e valore 2.

Per confrontare i livelli di servizio più basso e più elevato

Per 1 valore, selezionare l'intervallo con i valori più bassi. Ad esempio, l'intervallo 0-0-0,7 rappresenta la frequenza di abbandono più bassa e pertanto il migliore livello di servizio.

Nota

I valori esatti di questo intervallo possono variare a seconda di come è stato configurato il modello.
Per valore 2, selezionare l'intervallo con i valori più alti. Ad esempio, l'intervallo con il valore >= 0,12 rappresenta la frequenza di abbandono più elevata e pertanto il livello di servizio peggiore. In altre parole, il 12% dei clienti che ha telefonato durante questo turno ha riagganciato prima di parlare con un rappresentante.

Il contenuto di variabili riquadro vengono aggiornate per confrontare gli attributi che contribuiscono ai valori risultanti. Nella colonna sinistra vengono pertanto elencati gli attributi associati al migliore livello di servizio, mentre nella colonna destra vengono elencati gli attributi associati al peggiore livello di servizio.

Utilizzo del riquadro Variabili

In questo modello, che appare Average Time Per Issue è un fattore importante. Questa variabile indica il tempo medio necessario per rispondere a una chiamata, indipendentemente dal tipo di chiamata.

Per visualizzare e copiare i punteggi di probabilità e accuratezza per un attributo

Nel variabili riquadro, posizionare il puntatore del mouse sulla barra colorata nella prima riga.

Questa barra colorata indica in quale misura Average Time Per Issue contribuisca al livello di servizio. La descrizione comando indica un punteggio complessivo e i punteggi di probabilità e accuratezza per ogni combinazione di una variabile e un risultato di destinazione.
Nel variabili riquadro destro di una barra colorata e selezionare Copia.
In un foglio di lavoro di Excel, fare doppio clic su una cella qualsiasi e scegliere Incolla.

Il report verrà incollato come tabella HTML e includerà solo i punteggi per ogni barra.
In un foglio di lavoro di Excel diverso, fare doppio clic su una cella qualsiasi e scegliere Incolla speciale.

Il report verrà incollato in formato testo e includerà le statistiche correlate descritte nella sezione successiva.

Utilizzo del riquadro Input

Si supponga di essere interessati all'analisi dell'effetto di un particolare fattore, ad esempio il turno o il numero di operatori. È possibile selezionare una determinata variabile tramite la Input riquadro e variabili riquadro viene aggiornato automaticamente per confrontare i due precedentemente gruppi selezionati base alla variabile specificata.

Per verificare l'effetto sul livello di servizio modificando gli attributi di input

Nel Input riquadro, per attributo, selezionare Shift.
Per valore, selezionare AM.

Il variabili riquadro aggiornamenti per illustrare l'impatto sul modello quando il turno è AM. Tutte le altre selezioni rimarranno invariate, in quanto si confrontano ancora i livelli di servizio più basso e più elevato.
Per valore, selezionare PM1.

Il variabili riquadro aggiornamenti per illustrare l'impatto sul modello al variare del turno.
Nel Input riquadro, fare clic sulla riga vuota successiva nella attributo, e selezionare Calls. Per valore, selezionare l'intervallo che indica il numero massimo di chiamate.

All'elenco verrà aggiunta una nuova condizione di input. Il variabili riquadro aggiornamenti per illustrare l'impatto sul modello per un determinato turno quando il volume di chiamate è massimo.
Continuare a modificare i valori per Shift e Calls per trovare eventuali correlazioni interessanti tra turno, volume di chiamate e livello del servizio.

Nota

Per cancellare il Input riquadro in modo che è possibile utilizzare diversi attributi, fare clic su Aggiorna contenuto visualizzatore.

Interpretazione delle statistiche presenti nel visualizzatore

Tempi di attesa più lunghi rappresentano un importante criterio di stima di una frequenza di abbandono elevata, che indica un livello di servizio insufficiente. Sebbene possa sembrare una conclusione ovvia, il modello di data mining fornisce dati statistici aggiuntivi per l'interpretazione di queste tendenze.

Punteggio: valore che indica l'importanza complessiva della variabile per l'analisi discriminante tra risultati. Più elevato è il punteggio, maggiore sarà l'effetto della variabile sul risultato.
Probabilità di valore 1: percentuale che rappresenta la probabilità di questo valore per questo risultato.
Probabilità di valore 2: percentuale che rappresenta la probabilità di questo valore per questo risultato.
Accuratezza per valore 1 e accuratezza per valore 2: punteggi che rappresentano l'impatto dell'utilizzo di questa variabile specifica per stimare i valore 1 e valore 2 di risultati. Più elevato è il punteggio, migliore risulterà la variabile per la stima dei risultati.

La tabella seguente contiene alcuni valori di esempio per i principali fattori di influenza. Ad esempio, il probabilità di valore 1 corrisponde a 60,6% e probabilità di valore 2 corrisponde a 8,30%, il che significa che quando il tempo medio per ogni problema durante l'intervallo di 44-70 minuti, 60,6% dei casi sono nel turno con i livelli di servizio più elevati (valore 1) e 8,30% dei casi sono nel turno con i livelli di servizio peggiori (valore 2).

Da queste informazioni è possibile trarre alcune conclusioni. I tempi di risposta alle chiamate più brevi (intervallo 44-70) influiscono decisamente su un livello di servizio migliore (intervallo 0,00-0,07). Il punteggio (92,35) suggerisce che questa variabile è molto importante.

Tuttavia, analizzando l'elenco dei fattori di influenza, è possibile notare altri fattori con effetti più complessi e più difficili da interpretare. Ad esempio, il turno sembra influire sul servizio, ma i punteggi di accuratezza e le probabilità relative indicano che il turno non è un fattore principale.

Attribute	Valore	Predilige < 0,07	Predilige >= 0,12
Average Time Per Issue	89.087 - 120.000		Punteggio: 100 Probabilità di Value1: 4.45% Probabilità di Value2: % 51.94 Accuratezza per Value1: 0,19 Accuratezza per Value2: 1,94
Average Time Per Issue	44.000 - 70.597	Punteggio: 92,35 Probabilità di Valore 1: 60,06% Probabilità di Valore 2: 8,30% Accuratezza per Valore 1: 2,61 Accuratezza per Valore 2: 0,31

Torna all'inizio

Microsoft Generic Content Tree Viewer

Questo visualizzatore può essere utilizzato per visualizzare informazioni ancora più dettagliate create dall'algoritmo quando il modello viene elaborato. Il MicrosoftGeneric Content Tree Viewer rappresenta il modello di data mining come una serie di nodi, in cui ogni nodo rappresenta le informazioni sui dati di training. Questo visualizzatore può essere utilizzato con tutti i modelli, ma il contenuto dei nodi è diverso a seconda del tipo di modello.

Per i modelli di rete neurale o i modelli di regressione logistica, si noterà il nodo delle statistiche marginali particolarmente utile. Questo nodo contiene statistiche derivate sulla distribuzione di valori nei dati. Queste informazioni possono risultare utili se si desidera ottenere un riepilogo dei dati senza dovere scrivere molte query T-SQL. Il grafico dei valori per la creazione di contenitori nell'argomento precedente deriva dal nodo delle statistiche marginali.

Per ottenere un riepilogo dei valori dei dati dal modello di data mining

Progettazione modelli di Data Mining, nel Visualizzatore modello di Data Mining selezionare .
Dal Visualizzatore elenco, selezionare Microsoft Generic Content Tree Viewer.

La vista del modello di data mining verrà aggiornata per visualizzare una gerarchia di nodi nel riquadro sinistro e una tabella HTML nel riquadro destro.
Nel didascalia del nodo riquadro, fare clic sul nodo denominato 10000000000000000.

Il nodo di livello più alto in qualsiasi modello è sempre il nodo radice del modello. In un modello di rete neurale o di regressione logistica il nodo immediatamente successivo è il nodo delle statistiche marginali.
Nel Dettagli nodo riquadro, scorrere verso il basso fino a individuare la riga NODE_DISTRIBUTION.
Scorrere la tabella NODE_DISTRIBUTION per visualizzare la distribuzione dei valori calcolati dall'algoritmo Microsoft Neural Network.

Per utilizzare questi dati in un report, è possibile selezionare e copiare le informazioni per le righe specifiche oppure utilizzare la query DMX (Data Mining Extensions) seguente per estrarre il contenuto completo del nodo.

SELECT *   
FROM [Call Center EQ4].CONTENT  
WHERE NODE_NAME = '10000000000000000'

È inoltre possibile utilizzare la gerarchia di nodi e i dettagli nella tabella NODE_DISTRIBUTION per attraversare singoli percorsi della rete neurale e visualizzare statistiche del livello nascosto. Per ulteriori informazioni, vedere esempi di Query modello di rete neurale.