Predictions çağrı merkezi modelleri (Ara veri incelemesi Öğreticisi) oluşturma

Makale
10/29/2012

Şimdi bu vardiya, operatörler, aramalar ve hizmet notu sayısı arasındaki etkileşimler hakkında bir şey öğrendim, İş analizi ve planlama kullanılabilecek bazı tahmin sorgular oluşturmak hazırsınız. İlk keşif modeli bazı varsayımları test etmek için bazı tahminler oluşturur. Ardından, toplu predictions logistic regresyon modeli kullanarak oluşturur.

Bu ders, zaten tahmin sorgular kavramı ile bildiğinizi varsayar.

Predictions Neural ağ modeli kullanarak oluşturma

Aşağıdaki örnek, keşif için oluşturulan neural ağ modeli kullanarak bir singleton tahmin yapmak gösterilmiştir. Predictions Singleton modelinde etkisini görmek için farklı değerler denemek için iyi bir yol vardır. Bu senaryoda, gece yarısı üst karakter (no haftanın belirtilen) hizmet notu tahmin altı deneyimli operatörler görev vardır.

Neural ağ modeli kullanarak tek bir sorgu oluşturmak için

De SQL Server Veri Akışı Araçları (SSDT), kullanmak istediğiniz modeli içerir çözüm açın.
Veri Mining Tasarımcısında, tıklayın Mining modeli tahmin sekmesi.
İçinde Mining modeli bölmesini tıklatın Model Seç.
İncelemesi Model Seç iletişim kutusu incelemesi yapıları listesini gösterir. Bu yapısı ile ilişkili incelemesi modelleri listesini görüntülemek için incelemesi yapısı'nı genişletin.
Incelemesi yapısı genişletin Call Center Defaultve sinirsel ağ modeli seçin Call Center - LR.
Dan Mining modeli Seç menüsünden Singleton sorgu.

Singleton sorgu giriş incelemesi modeli sütunları eşlenen sütunları içeren iletişim kutusu görüntülenir.
İçinde Singleton sorgu giriş iletişim kutusunda, satır için tıklayın Shiftve seçin midnight.
Satırını tıklatın Lvl 2 Operatorsve 6.
Alt yarısı Mining modeli tahmin sekmesinde, kılavuz ilk satırı tıklatın.
İçinde kaynak sütununda, aşağı oku tıklatın ve seçin tahmin işlevi. İn alan sütunu, seçme PredictHistogram.

Bu tahmin işlevi ile otomatik olarak kullanabileceğiniz değişkenlerin listesi görünür Ölçüt bağımsız değişkenleri kutusu.
Sürükle ServiceGrade sütunların listesinden sütun Mining modeli bölmesine Ölçüt bağımsız değişkenleri kutusu.

Sütunun adını, bağımsız değişken olarak otomatik olarak eklenir. Sen-ebilmek seçmek birisi Öngörülebilir öznitelik sütun bu metin kutusunun sürükleyin.
Düğmesini tıklayın sorgu sonuçları görünümüne, tahmin sorgu Oluşturucunun üst köşesindeki.

Beklenen sonuçları bu girişler, her tahmin için destek ve olasılık değerleri ile birlikte verilen her hizmet notu olası öngörülen değerleri içerir. Her zaman tasarım ve girişleri değiştirmek için geri dönmek ya da daha fazla girişleri ekleyin.

Predictions Logistic regresyon modeli kullanarak oluşturma

İş sorunla ilgili öznitelikleri biliyorsanız, bazı öznitelikler değişiklikler yapma etkisi tahmin logistic regresyon modeli kullanabilirsiniz. Logistic regresyon olan bağımsız değişkenler değişiklikler temel predictions yapmak için kullanılan bir istatistiksel yöntem: Örneğin, finansal puanlama içinde müşteri davranışı üzerinde Müşteri demografisi dayalı tahmin etmek için kullanılır.

Bu görev, tahminler için kullanılır ve sonra birkaç iş soruların yanıtlanmasına yardımcı olmak için predictions yapmak bir veri kaynağı oluşturmak öğreneceksiniz.

Toplu tahmin için kullanılan veri oluşturma

Giriş veri sağlamak için birçok yolu vardır: Örneğin, olabilir bir elektronik tablodan personel düzeyleri almak ve önümüzdeki ay hizmet kalitesi tahmin modeli veri çalıştırın.

Bu derste, adlandırılmış bir sorgu oluşturmak için veri kaynağı görünüm Tasarımcısı kullanır. Bu adlandırılmış sorgu operatörleri personel, alınan en düşük çağrılar ve oluşturulan konular ortalama sayısı en fazla sayısını hesaplayan zamanlamaya her üst karakter için özel bir Transact-sql deyimi olduğunu. Sonra bir dizi gelecek tarih hakkında predictions yapmak için incelemesi modeli için bu verileri de katılacak.

Giriş verileri için bir toplu tahmin sorgu oluşturmak için

Solution Explorer'da sağ Veri kaynak görünümlerive seçin Yeni veri kaynağı görünümü.
Veri kaynağı görünüm Sihirbazı'nda seçin 'ı Adventure Works DW Multidimensional 2012 tıklatın ve veri kaynağı Next.
Tarih Seç tablolar ve görünümler sayfa'yı Next tüm tabloları seçmeden.
Tarih Sihirbazı'nı Tamamlama sayfasında, vardiya adını yazın.

Bu ad Solution Explorer'da veri kaynak görünümü adı olarak görünür.
Boş tasarımı bölmesinde sağ tıklatın ve seçin Yeni adlandırılmış sorgu.
İçinde Adlandırılmış sorgusu oluştur için iletişim kutusunu ad, Call Center vardiyalarda yazın.

Bu ad, veri kaynağı görünüm Tasarımcısı'nda yalnızca adlandırılmış sorgu adı olarak görünür.

İletişim kutusunun alt yarısında sql metin bölmesinde aşağıdaki sorgu deyimini yapıştırın.

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

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

Tasarım Bölmesi'nde, tabloyu sağ Shifts for Call Centerve Araştır veri t-sql sorgu tarafından döndürülen verileri önizlemede görüntülemek için.
Sekmeyi sağ tıklayın Shifts.dsv (tasarım), ve ardından kaydetmek yeni veri kaynağı görünüm tanımını kaydetmek için.

Her üst karakter için hizmet ölçümü oluşabileceğini

Şimdi, her üst karakter için bazı değerleri üretilip, iş planlamasında kullanılan bazı predictions oluşturmak için yerleşik logistic regresyon modeli giriş olarak bu değerleri kullanacaktır.

Yeni dsv tahmin sorgu giriş olarak kullanmak için

Veri Mining Tasarımcısında, tıklayın Mining modeli tahmin sekmesi.
İçinde Mining modeli bölmesinde tıklatın Model Seçve Call Center - LRKullanılabilir modeller listesinde.
Dan Mining modeli menü seçeneğini temizleyin Singleton sorgu. Uyarı, singleton sorgu giriş kaybolur söyler. Click OK.

Singleton sorgu giriş iletişim kutusu ile yerine Seç giriş tabloya iletişim kutusu.
Tıklayın Case Tablo Seç.
İçinde Tablo Seç Seç iletişim kutusunda Shifts veri kaynakları listesinden. İçinde tablo ve Görünüm adı liste, seçme Shifts for Call Center(o otomatik olarak seçili olmalıdır) ve'yi Tamam.

Mining modeli tahmin Tasarım yüzeyi giriş verileri ve modeli sütun adları ve veri türleri temel alınarak oluşturulan eşlemeleri göstermek için güncelleştirilir.
Birleşim satırlardan birini sağ tıklatın ve seçin Değiştir bağlantıları.

Bu iletişim kutusunda, tam olarak hangi sütunları eşlenen ve olmayan görebilirsiniz. Sütunları incelemesi modelini içeren Calls, Orders, IssuesRaised, ve LvlTwoOperators, hangi oluşturduğunuz toplamları birine eşleyebilirsiniz kaynak verilerdeki bu sütunlara göre. Bu senaryoda, ortalamalar eşlenir.
Yanındaki boş hücreyi tıklatın LevelTwoOperatorsve vardiya için çağrı Center.AvgOperators.
Yanındaki boş hücreyi tıklatın Callsseçin vardiya için çağrı Center.AvgCalls. tıklatıp Tamam.

Her ÜST KRKT predictions oluşturmak için

Alt kılavuzunda yarısı Tahmin Sorgu oluşturucunun, altında boş hücreyi tıklatın kaynak, ve seçin Shifts for Call Center.
Boş hücre altında alanseçin Shift.
Kılavuz sonraki boş satırı tıklatın ve için başka bir satır eklemek için yukarıda açıklanan yordamı yineleyin WageType.
Kılavuz sonraki boş satırı tıklatın. İçinde kaynak sütunu, seçme Tahmin işlevi. İn alan sütun seçme tahmin.
Sütun sürükleyin ServiceGradedan Mining modeli bölmesinde aşağı doğru kılavuz ve içine Ölçüt bağımsız değişkeni hücre. İçinde ad alanında, öngörülen hizmet notu yazın.
Kılavuz sonraki boş satırı tıklatın. İçinde kaynak sütunu, seçme Tahmin işlevi. İn alan sütunu, seçme PredictProbability.
Sütun sürükleyin ServiceGradedan Mining modeli bölmesinde aşağı doğru kılavuz ve içine Ölçüt bağımsız değişkeni hücre. İçinde ad alan, olasılık yazın.
Tıklayın sorgu sonucu görünümüne predictions görüntülemek için.

Aşağıdaki tabloda, her üst karakter için örnek sonuçlarını gösterir.

ÜST KRKT	WageType	Öngörülen hizmet notu	Olasılık
AM	tatil	0.165	0.377520666
gece yarısı	tatil	0.105	0.364105573
WMV	tatil	0.165	0.40056055
2	tatil	0.165	0.338532973
AM	weekday	0.165	0.370847617
gece yarısı	weekday	0.08	0.352999173
WMV	weekday	0.165	0.317419177
2	weekday	0.105	0.311672027

Hizmet notu düşük tepki süresi üzerindeki etkisini oluşabileceğini

Bazı ortalama değerler her üst karakter için oluşturulan ve logistic regresyon modeli giriş olarak bu değerler kullanılır. Ancak, iş amacı terk oranı 0.00-0,05 aralığında tutmak için verilen o sonuçları cesaret değildir.

Bu nedenle güçlü etkiye tepki süresi, hizmet notu üzerinde gösterdi, özgün modelini temel operasyon ekibi aramaları yanıtlamak için ortalama süresini hizmet kalitesini artırmak olup olmadığını değerlendirmek için bazı tahminler çalıştırmak için karar verir. Yüzde 90 veya geçerli çağrı yanıt süresi yüzde 80'i hatta çağrı yanıt süresi kesilmiş, örneğin, hizmet notu değerleri ne olurdu?

Her vardiya ortalama yanıt süreleri hesaplayan bir veri kaynak görünümü (dsv) oluşturun ve sonra % 80 veya %90 ortalama tepki süresi hesaplama sütun eklemek kolaydır. dsv, giriş modeli daha sonra kullanabilirsiniz.

Her ne kadar kesin adımlar burada gösterilmez, yanıt süreleri % 80 veya geçerli yanıt süreleri % 90 azaltır zaman aşağıdaki tabloda hizmet notu üzerindeki etkileri karşılaştırır.

Bu sonuçlar, hedeflenen vardiyalara size yanıt süresi geçerli oranı yüzde 90 hizmet kalitesini artırmak amacıyla azaltmak gerekir ki sonucuna olabilir.

Vardiya, ücret ve gün	Öngörülen hizmet kalitesi ile geçerli ortalama yanıt süresi	Yanıt süresini yüzde 90 azalma ile servis kalitesi tahmin	Yanıt süresini yüzde 80 azalma ile servis kalitesi tahmin
Holiday 'm	0.165	0.05	0.05
Tatil PM1	0.05	0.05	0.05
Tatil Midnight	0.165	0.05	0.05

Bu model üzerinde oluşturduğunuz diğer tahmin sorguları bir dizi vardır. Örneğin, kaç operatörler belli bir hizmet düzeyini karşılamak için ya da belirli bir sayıya gelen aramaları yanıtlamak gerekir tahmin. Logistic regresyon modeli içinde birden çok çıkış bulundurabileceği birçok ayrı model oluşturmak zorunda kalmadan farklı bağımsız değişkenler ve sonuçlar ile deneme yapmak kolaydır.

Açıklamalar

Veri incelemesi Eklentiler Excel 2007 sağlar kaç düzey iki operatör gibi karmaşık sorulara cevap daha kolay logistic regresyon sihirbazlar hizmet notu belirli vardiya için bir hedef düzeyine geliştirmek gerekecektir. Veri incelemesi eklentiler ücretsiz ve sinir ağı veya logistic regresyon algoritma dayalı sihirbazlar içerir. Daha fazla bilgi için aşağıdaki bağlantılara bakın:

SQL Server 2005 Veri incelemesi eklentiler Office 2007: Amaç Arama ve ne eğer senaryo analizi
SQL Server 2008 veri incelemesi eklentiler Office 2007: Hedef Ara senaryo analizi, eğer senaryo analizi ve tahmini hesaplamalar

Sonuç

Özelleştirmek, oluşturmak ve Microsoft Neural ağ algoritması ve Microsoft Logistic regresyon algoritması dayalı incelemesi modelleri yorumlamak için öğrendim. Bu model türleri karmaşık analizde neredeyse sonsuz çeşitli izin ve bu nedenle asıl zor ve karmaşık olabilir.

Ancak, bu algoritmaların faktörler çok kombinasyonları ile yineleme ve otomatik olarak Transact-sql ya da PowerPivot kullanarak verileri el ile incelenmesi ile keşfetmek için çok zor olacağını anlayışlar için istatistik desteği sağlayan en güçlü korelasyonlarını belirlemek.