共用方式為


新增客服中心資料的數據來源檢視(中級資料探勘教學)

在這項工作中,您會新增數據源檢視,以用來存取客服中心數據。 相同的數據將用來建置用於探索的初始神經網路模型,以及您將用來提出建議的羅吉斯回歸模型。

您也將使用數據來源檢視設計工具,新增一個表示星期幾的欄位。 這是因為,雖然源數據會依日期追蹤來電中心數據,但您的體驗會告訴您,根據當天是周末還是工作日,通話量和服務品質都有週期性模式。

程序

若要新增數據源檢視

  1. [方案總管] 中,以滑鼠右鍵按兩下 [數據源檢視],然後選取 [ 新增數據源檢視]。

    [數據源檢視精靈] 隨即開啟。

  2. 在 [ 歡迎使用數據源檢視精靈 ] 頁面上,按 [ 下一步]

  3. 選取資料來源 頁面上,於 關係型資料來源下,選取 Adventure Works DW 多維度 2012 資料來源。 如果您沒有此數據源,請參閱 基本數據採礦教學課程。 按 [下一步]。

  4. 選取表格和視圖 頁面上,選取以下表格,然後點擊右箭頭將它新增至資料來源視圖:

    • FactCallCenter (dbo)

    • DimDate

  5. [下一步]。

  6. 在 [完成精靈] 頁面上,資料來源檢視預設會命名為 Adventure Works DW 多維 2012。 將名稱變更為 CallCenter,然後按兩下 [ 完成]。

    [數據源檢視設計工具] 隨即開啟,以顯示 CallCenter 數據源檢視。

  7. 在 [數據源檢視] 窗格內按下滑鼠右鍵,然後選取 [新增/移除數據表]。 選取數據表 DimDate ,然後按兩下 [ 確定]。

    應該在每個數據表中的數據 DateKey 行之間自動加入關聯性。 您將使用此關聯性從 DimDate 數據表取得數據行 EnglishDayNameOfWeek,並在模型中使用它。

  8. 在 [數據源檢視] 設計工具中,以滑鼠右鍵點擊數據表 FactCallCenter,然後選取 [新增具名計算]。

    在 [ 建立具名計算 ] 對話框中,輸入下列值:

    數據行名稱 DayOfWeek
    說明 從 DimDate 數據表取得星期數
    表達 (SELECT EnglishDayNameOfWeek AS DayOfWeek FROM DimDate where FactCallCenter.DateKey = DimDate.DateKey)

    若要確認表達式建立您需要的數據,請以滑鼠右鍵按兩下數據表 FactCallCenter,然後選取 [ 探索數據]。

  9. 請花一分鐘的時間檢閱可用的數據,以便您了解數據採礦中的使用方式:

欄位名稱 包含
FactCallCenterID(呼叫中心識別碼) 將數據匯入數據倉儲時所建立的任意索引鍵。

此欄位用來識別唯一的記錄,應該作為數據採礦模型的案例鍵使用。
日期鍵 呼叫中心作業的日期,以整數表示。 整數日期索引鍵通常用於數據倉儲中,但如果您要依日期值分組,您可能想要以日期/時間格式取得日期。

請注意,日期並不是唯一的,因為廠商會在作業的每一天為每個班次提供個別報告。
薪資類型 指出這一天是工作日、週末或假日。

週末與工作日的客戶服務品質可能會有所差異,因此您將使用此數據行作為輸入。
轉變 指示記錄呼叫的工作班次。 此通話中心會將工作日分成四個輪班:AM、PM1、PM2 和午夜。

此移位可能會影響客戶服務的品質,因此您將使用此做為輸入。
LevelOneOperators 表示值班的第 1 層運算子數目。

客服中心員工從層級 1 開始,因此這些員工經驗較不高。
LevelTwoOperators 指出值班的第 2 層運算子數目。

員工必須記錄特定服務時數,才能符合等級 2作員的資格。
總操作員數量 輪班期間的操作員總數。
通話 班次期間收到的呼叫數目。
AutomaticResponses 自動化通話處理系統(互動式語音回應或 IVR)完全處理的通話數量。
訂單 呼叫所產生的訂單數目。
提出的問題 通話所產生需要後續追蹤的問題數量。
每張問題的平均時間 回應來電所需的平均時間。
服務等級 顯示一般服務品質的指標,衡量整個班次的 放棄率。 放棄率越高,客戶就越可能不滿,潛在訂單也遺失。

請注意,資料包含四個以單一日期欄位為基礎的不同欄位:WageTypeDayOfWeekShiftDateKey。 一般而言,在數據採礦中,使用衍生自相同數據的多個數據行並不是個好主意,因為值彼此相互關聯太強,而且可能會遮蔽其他模式。

不過,我們不會在模型中使用 DateKey ,因為它包含太多唯一值。 與 DayOfWeek 之間Shift沒有直接關聯性,而 WageTypeDayOfWeek 則僅部分相關。 如果您擔心共向性,您可以使用所有可用的數據行來建立結構,然後忽略每個模型中的不同數據行,並測試效果。

課程中的下一個工作

建立類神經網路結構和模型 (元數據採礦教學課程)

另請參閱

多維度模型中的數據源檢視