Создание прогнозов для моделей Центра вызовов (учебник по интеллектуальному анализу промежуточных данных)

Теперь, когда вы узнали немного больше о взаимодействии между сменами, количеством операторов, вызовами и уровнем обслуживания, вы готовы создать запросы для прогнозирования, которые можно использовать в бизнес-анализе и планировании. Сначала вы создадите некоторые прогнозы по исследовательской модели, чтобы проверить некоторые предположения. Затем вы создадите массовые прогнозы с помощью модели логистической регрессии.

В этом уроке предполагается, что вы уже знакомы с понятием прогнозирующих запросов.

Создание прогнозов с помощью модели нейронной сети

В следующем примере показано, как сделать однотонное прогнозирование с помощью модели нейронной сети, созданной для изучения. Прогнозы «singleton» — это хороший способ опробовать различные значения, чтобы увидеть их влияние на модель. В этом сценарии вы будете прогнозировать уровень обслуживания для ночной смены, без указания дня недели, если шесть опытных операторов на дежурстве.

Создание однотонного запроса с помощью модели нейронной сети

1. В SQL Server Data Tools (SSDT) откройте решение, содержащее модель, которую вы хотите использовать.

2. В конструкторе интеллектуального анализа данных перейдите на вкладку "Предсказание модели интеллектуального анализа данных".

3. В области "Модель Майнинга" нажмите "Выбрать модель".

4. В диалоговом окне "Выбор модели интеллектуального анализа данных " отображается список структур интеллектуального анализа данных. Разверните структуру интеллектуального анализа данных, чтобы просмотреть список моделей интеллектуального анализа данных, связанных с этой структурой.

5. Расширьте структуру интеллектуального анализа данных Call Center Default и выберите модель нейронной сети Call Center - LR.

6. В меню "Модель данных" выберите "Одиночный запрос".

   Откроется диалоговое окно "Входные данные одиночного запроса ", со столбцами, сопоставленными со столбцами в модели анализа данных.

7. В диалоговом окне "Ввод одноэлементного запроса" щелкните строку Shift и выберите полночь.

8. Щелкните строку для операторов Lvl 2 и введите 6.

9. В нижней половине вкладки "Прогнозирование майнинг-модели" щелкните первую строку в сетке.

10. В исходном столбце щелкните стрелку вниз и выберите функцию прогнозирования. В столбце Поле выберите PredictHistogram.

    Список аргументов, которые можно использовать с этой функцией прогнозирования, автоматически отображается в поле "Критерии/аргументы ".

11. Перетащите столбец ServiceGrade из списка столбцов в области Модель интеллектуального анализа данных в поле Критерии/Аргументы.

    Имя столбца автоматически вставляется в качестве аргумента. Вы можете выбрать любой прогнозируемый столбец атрибутов для перетаскивания в это текстовое поле.

12. Нажмите кнопку "Переключиться на представление результатов запроса" в верхнем углу построителя прогнозирующих запросов.

Ожидаемые результаты содержат возможные прогнозируемые значения для каждого класса службы, учитывая эти входные данные, а также значения поддержки и вероятности для каждого прогноза. Вы можете вернуться в представление конструктора в любое время и изменить входные данные или добавить дополнительные входные данные.

Создание прогнозов с помощью модели логистической регрессии

Если вы уже знаете атрибуты, относящиеся к бизнес-проблеме, можно использовать модель логистической регрессии для прогнозирования эффекта внесения изменений в некоторые атрибуты. Логистическая регрессия — это статистический метод, который обычно используется для прогнозирования на основе изменений в независимых переменных: например, он используется в финансовой оценке для прогнозирования поведения клиентов на основе демографических данных клиентов.

В этой задаче вы узнаете, как создать источник данных, который будет использоваться для прогнозирования, а затем сделать прогнозы, чтобы ответить на несколько бизнес-вопросов.

Создание данных, используемых для массового прогнозирования

Существует множество способов предоставления входных данных: например, можно импортировать уровни персонала из электронной таблицы и запустить эти данные с помощью модели для прогнозирования качества обслуживания в следующем месяце.

На этом занятии вы будете использовать конструктор представления источников данных для создания именованного запроса. Этот именованный запрос — это пользовательская инструкция Transact-SQL, которая для каждой смены в расписании вычисляет максимальное количество операторов в штате, минимальное количество полученных вызовов и среднее количество создаваемых проблем. Затем вы присоедините эти данные к модели для прогнозирования, чтобы составить прогнозы на основе предстоящих дат.

Создание входных данных для запроса массового прогнозирования

1. В Обозревателе решений щелкните правой кнопкой мыши Представление источника данных и выберите "Создать представление источника данных".

2. В мастере представления источников данных выберите Adventure Works DW Multidimensional 2012 в качестве источника данных и нажмите кнопку "Далее".

3. На странице "Выбор таблиц и представлений " нажмите кнопку "Далее " без выбора таблиц.

4. На странице "Завершение работы мастера" введите имя. Shifts

   Это имя будет отображаться в обозревателе решений в качестве имени представления источника данных.

5. Щелкните правой кнопкой мыши пустую область конструктора, а затем выберите новый именованный запрос.

6. В диалоговом окне "Создание именованного запроса" введите Shifts for Call Centerимя.

   Это имя будет отображаться в конструкторе представлений источников данных только в качестве имени именованного запроса.

7. Вставьте следующую инструкцию запроса в текстовую область SQL в нижней половине диалогового окна.

   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. В области конструктора щелкните правой кнопкой мыши таблицу, Смены для колл-центра, и выберите "Просмотреть данные", чтобы просмотреть данные, возвращаемые запросом T-SQL.

9. Щелкните правой кнопкой мыши вкладку Shifts.dsv (конструктор) и нажмите кнопку "Сохранить ", чтобы сохранить новое определение представления источника данных.

Прогнозирование метрик службы для каждой смены

Теперь, когда вы создали некоторые значения для каждой смены, эти значения будут использоваться в качестве входных данных в созданную модель логистической регрессии, чтобы создать некоторые прогнозы, которые можно использовать в бизнес-планировании.

Чтобы использовать новый DSV в качестве входных данных для прогностического запроса

1. В конструкторе интеллектуального анализа данных перейдите на вкладку "Прогноз модели интеллектуального анализа данных".

2. В области Модель данных щелкните Выбрать модель и выберите "Центр вызовов - LR" в списке доступных моделей.

3. В меню Модель данных снимите флажок с опции Singleton Query. Предупреждение сообщает, что входные данные одноэлементного запроса будут потеряны. Нажмите кнопку ОК.

   Диалоговое окно "Ввод одноэлементных запросов " заменяется диалоговым окном "Выбор входных таблиц ".

4. Щелкните "Выбрать таблицу вариантов".

5. В диалоговом окне "Выбор таблицы " выберите SelectShifts из списка источников данных. В списке имен таблицы и представления выберите shifts for Call Center (он может быть выбран автоматически), а затем нажмите кнопку "ОК".

   Область конструктора прогнозирования модели шахтного анализа обновляется для отображения сопоставлений, созданных на основе имен и типов данных столбцов во входных данных и в самом модели.

6. Щелкните правой кнопкой мыши одну из строк соединения и выберите пункт "Изменить подключения".

   В этом диалоговом окне можно увидеть, какие столбцы сопоставлены, а какие нет. Модель интеллектуального анализа данных содержит столбцы для вызовов, заказов, поднятых вопросов и операторов второго уровня, которые можно сопоставить с любыми агрегатами, созданными на основе этих столбцов в исходных данных. В этом сценарии вы будете ориентироваться на средние значения.

7. Щелкните пустую ячейку рядом с LevelTwoOperators и выберите shifts for Call Center.AvgOperators.

8. Щелкните пустую ячейку рядом с вызовами, выберите shifts for Call Center.AvgCalls. а затем нажмите кнопку ОК.

Создание прогнозов для каждой смены

1. В нижней части сетки построителя запросов прогнозирования щелкните пустую ячейку под Источником, а затем выберите "Смены" для колл-центра.

2. В пустой ячейке в столбце Поле выберите Shift.

3. Щелкните следующую пустую строку в сетке и повторите описанную выше процедуру, чтобы добавить другую строку для WageType.

4. Щелкните следующую пустую строку в сетке. В столбце "Источник " выберите функцию прогнозирования. В столбце "Поле " выберите "Прогнозирование".

5. Перетащите столбец ServiceGrade из области модели интеллектуального анализа данных вниз в сетку, в ячейку Критерии/Аргумент. В поле "Псевдоним" введите прогнозируемый уровень службы.

6. Щелкните следующую пустую строку в сетке. В столбце "Источник " выберите функцию прогнозирования. В столбце "Поле " выберите PredictProbability.

7. Перетащите столбец ServiceGrade из области модели интеллектуального анализа данных вниз в сетку и в ячейку Критерии/Аргумент. В поле "Псевдоним" введите "Вероятность".

8. Нажмите кнопку "Переключиться в представление результатов запроса", чтобы просмотреть прогнозы.

В следующей таблице показаны примеры результатов для каждой смены.

Сдвиг	Тип заработной платы	Прогнозируемый уровень обслуживания	Вероятность
утра	праздник	0.165	0.377520666
Полночь	праздник	0.105	0.364105573
PM1	праздник	0.165	0.40056055
PM2	праздник	0.165	0.338532973
утра	будний день	0.165	0.370847617
Полночь	будний день	0.08	0.352999173
PM1	будний день	0.165	0.317419177
PM2	будний день	0.105	0.311672027

Прогнозирование влияния уменьшения времени отклика на уровень обслуживания

Вы создали некоторые средние значения для каждой смены и использовали эти значения в качестве входных данных в модель логистической регрессии. Однако, учитывая, что бизнес-цель заключается в том, чтобы держать ставку отказа в диапазоне от 0,00 до 0,05, результаты не обнадеживают.

Поэтому на основе исходной модели, которая показала сильное влияние времени отклика на уровень обслуживания, команда операций решает провести прогнозирование, чтобы оценить, может ли сокращение среднего времени реагирования на вызовы улучшить качество обслуживания. Например, если сократить время отклика на вызов до 90 процентов или даже до 80 процентов текущего времени ответа на вызов, что произойдет со значениями оценки обслуживания?

Легко создать представление источника данных (DSV), которое вычисляет среднее время отклика для каждой смены, а затем добавлять столбцы, вычисляющие 80% или 90% среднего времени отклика. Затем вы можете использовать DSV в качестве входных данных для модели.

Хотя точные шаги здесь не показаны, в следующей таблице сравниваются последствия для уровня обслуживания при сокращении времени отклика до 80% или до 90% текущего времени отклика.

Из этих результатов можно заключить, что при целевых сменах необходимо сократить время отклика до 90 процентов текущей ставки, чтобы повысить качество обслуживания.

Смена, заработная плата и день	Прогнозируемое качество обслуживания с текущим средним временем отклика	Прогнозируемое качество обслуживания с 90-процентным сокращением времени отклика	Прогнозируемое качество обслуживания с сокращением времени отклика на 80 процентов
Праздник am	0.165	0.05	0.05
Праздник PM1	0.05	0.05	0.05
Праздник полуночи	0.165	0.05	0.05

На этой модели можно создать различные другие прогнозирующие запросы. Например, можно предсказать, сколько операторов требуется для удовлетворения определенного уровня обслуживания или реагирования на определенное количество входящих вызовов. Так как можно включить несколько выходных данных в модель логистической регрессии, легко экспериментировать с различными независимыми переменными и результатами, не создавая множество отдельных моделей.

Замечания

Инструменты Add-Ins для интеллектуального анализа данных для Excel 2007 предоставляют мастера для построения логистической регрессии, которые упрощают ответы на сложные вопросы, такие как количество операторов второго уровня, необходимых для улучшения уровня обслуживания до целевого показателя для конкретной смены. Надстройки для интеллектуального анализа данных можно скачать бесплатно и они включают мастера, основанные на алгоритмах нейронных сетей или логистической регрессии. Дополнительные сведения см. по следующим ссылкам.

• Add-Ins интеллектуального анализа данных SQL Server 2005 для Office 2007: поиск цели и анализ сценариев

• Add-Ins интеллектуального анализа данных SQL Server 2008 для Office 2007: анализ сценариев целевого поиска, анализ сценариев "что если" и калькулятор прогнозов

Заключение

Вы узнали, как создавать, настраивать и интерпретировать модели интеллектуального анализа данных, основанные на алгоритме нейронной сети Майкрософт и алгоритме логистической регрессии Майкрософт. Эти типы моделей являются сложными и разрешают почти бесконечное разнообразие в анализе, поэтому могут быть сложными и сложными для работы.

Однако эти алгоритмы могут выполнять итерацию через множество сочетаний факторов и автоматически определять самые сильные корреляции, обеспечивая статистическую поддержку аналитических сведений, которые будут очень трудно обнаружить с помощью ручного изучения данных с помощью Transact-SQL или даже PowerPivot.

См. также

Примеры запросов модели логистической регрессии
Алгоритм логистической регрессии Майкрософт
Алгоритм нейронной сети Майкрософт
Примеры запросов модели нейронной сети