共用方式為

探索通話中心模型 （元數據採礦教學課程）

現在您已建置探勘模型，您可以使用 SQL Server Data Tools （SSDT） 中提供的下列工具，來深入瞭解您的數據。

Microsoft類神經網路查看器

查看器有三個窗格 - 輸入、 輸出和 變數。

使用 [ 輸出 ] 窗格，您可以選取可預測屬性或相依變數的不同值。 如果您的模型包含多個可預測的屬性，您可以從 [輸出屬性] 列表中選取屬性。

[ 變數] 窗格會比較您在參與屬性或變數方面所選擇的兩個結果。 彩色橫條以可視化方式表示變數對目標結果的影響程度。 您也可以檢視變數的增益分數。 增益分數的計算方式會根據您使用的採礦模型類型而有所不同，但一般而言，當您使用此屬性進行預測時，會告訴您模型的改進。

[ 輸入 ] 窗格可讓您將影響因素新增至模型，以試用各種假設案例。

使用輸出窗格

在此初始模型中，您有興趣了解各種因素如何影響服務等級。 若要這樣做，您可以從輸出屬性清單中選取 [服務等級]，然後從 [值 1] 和 [值 2] 下拉式清單中選取範圍來比較不同的服務層級。

比較最低和最高的服務等級

  1. 針對 [值 1]，選取具有最低值的範圍。 例如，範圍0-0-0.7代表最低的放棄率，因此是最佳的服務等級。

    注意

    此範圍中的確切值可能會因您設定模型的方式而有所不同。

  2. 針對 [值 2]，選取具有最高值的範圍。 例如，值為 >=0.12 的範圍代表最高的放棄率，因此是最差的服務等級。 換句話說，在與代表交談之前，12%在班班期間打電話的客戶掛了電話。

    [變數] 窗格的內容會更新，以比較參與結果值的屬性。 因此，左側數據行會顯示與最佳服務等級相關聯的屬性，而右側數據行會顯示與最差服務等級相關聯的屬性。

使用變數窗格

在此模型中，它似乎是 Average Time Per Issue 一個重要因素。 這個變數表示不論通話類型為何，呼叫需要的平均時間。

檢視和複製屬性的機率和增益分數

  1. 在 [ 變數] 窗格中，將滑鼠停留在第一列的彩色列上。

    這個彩色列會顯示對服務等級的貢獻程度 Average Time Per Issue 。 工具提示會顯示變數和目標結果的每個組合的整體分數、機率和增益分數。

  2. 在 [ 變數] 窗格中，以滑鼠右鍵按下任何彩色列，然後選取 [ 複製]。

  3. 在 Excel 工作表中，以滑鼠右鍵按下任何儲存格，然後選取 [ 貼上]。

    報表會貼上為 HTML 數據表，並只顯示每個列的分數。

  4. 在不同的 Excel 工作表中，以滑鼠右鍵按下任何儲存格，然後選取 [貼上特殊]。

    報表會貼上為文字格式，並包含下一節所述的相關統計數據。

使用輸入窗格

假設您有興趣查看特定因素的效果，例如班次或運算符數目。 您可以使用 [輸入] 窗格來選取特定變數，而且 [變數] 窗格會自動更新，以比較指定變數的兩個先前選取的群組。

若要藉由變更輸入屬性來檢閱服務等級的影響

  1. 在 [ 輸入 ] 窗格中，針對 [屬性]，選取 [Shift]。

  2. 針對 [ 值]，選取 [ AM]。

    [ 變數 ] 窗格會更新以顯示當班次為 AM時對模型的影響。 所有其他選項都保持不變 - 您仍然比較最低和最高的服務等級。

  3. 針對 [ 值]，選取 [PM1]。

    [ 變數 ] 窗格會更新以顯示班次變更時對模型的影響。

  4. 在 [輸入] 窗格中，按兩下 [屬性] 底下的下一個空白數據列，然後選取 [呼叫]。 針對 [ 值]，選取表示最大呼叫數目的範圍。

    新的輸入條件會新增至清單。 [ 變數 ] 窗格會更新，以顯示呼叫量最高時，對模型的影響。

  5. 繼續變更 Shift 和 Call 的值，以尋找班次、通話量和服務等級之間的任何有趣相互關聯。

    注意

    若要清除 [ 輸入 ] 窗格，讓您可以使用不同的屬性，請按兩下 [ 重新整理查看器內容]。

解譯查看器中提供的統計數據

較長的等待時間是高放棄率的強預測值，這意味著服務等級不佳。 這似乎是一個明顯的結論：不過，採礦模型會為您提供一些額外的統計數據，以協助您解譯這些趨勢。

  • 分數：值，指出此變數的整體重要性，以區分結果。 分數越高，變數對結果的影響就越強。

  • 值 1 的機率：代表這個結果之此值機率的百分比。

  • 值 2 的機率：代表這個結果之此值機率的百分比。

  • 值 1 的增益和 值 2 的增益：分數，代表使用此特定變數預測值 1 和值 2 結果的影響。 分數越高，變數在預測結果時越好。

下表包含前幾個影響因素的一些範例值。 例如， 值 1 的機率是 60.6%， 值為 2 的機率是 8.30%，這表示當平均每期問題的平均時間介於 44-70 分鐘的範圍內時，60.6% 的案例在輪班中，服務等級最高（值 1），而 8.30% 的案例則與更差的服務等級（值 2） 一起轉移。

從這項資訊中，您可以得出一些結論。 較短的通話回應時間（44-70 的範圍）嚴重影響了更好的服務等級（範圍0.00-0.07）。 分數 （92.35） 告訴您這個變數非常重要。

不過，當您向下查看參與因素清單時，您會看到一些其他具有效果的因素，這些因素較微妙且難以解譯。 例如，班次似乎會影響服務，但增益分數和相對機率表示班次不是主要因素。

屬性 值 <偏好 0.07 偏好 >= 0.12
每個問題的平均時間 89.087 - 120.000 分數：100

Value1 的機率：4.45 %

Value2 的機率：51.94 %

值 1 的增益：0.19

值 2 的增益：1.94
每個問題的平均時間 44.000 - 70.597 分數：92.35

Value1 的機率：60.06 %

Value2 的機率：8.30 %

值 1 的增益：2.61

Value2 的增益：0.31

[回到頁首]

Microsoft一般內容樹檢視器

此查看器可用來檢視處理模型時演算法所建立的更詳細的資訊。 MicrosoftGeneric 內容樹檢視器會將採礦模型表示為一系列節點，其中每個節點代表已瞭解定型數據的知識。 此查看器可以搭配所有模型使用，但節點的內容會根據模型類型而有所不同。

針對類神經網路模型或羅吉斯回歸模型，您可能會發現 marginal statistics node 特別有用。 此節點包含有關數據中值分佈的衍生統計數據。 如果您想要取得數據的摘要，而不需要撰寫許多 T-SQL 查詢，這項資訊就很有用。 上一個主題中的量化值圖表衍生自臨界統計數據節點。

從採礦模型取得數據值的摘要

  1. 在 [數據採礦設計師] 的 [採礦模型查看器 ] 索引卷標中，選取 <採礦模型名稱>。

  2. 從 [ 查看器] 列表中，選取 [Microsoft一般內容樹視圖器]。

    採礦模型的檢視會重新整理，以顯示左側窗格中的節點階層，以及右側窗格中的 HTML 數據表。

  3. 在 [ 節點標題 ] 窗格中，按兩下名稱為1000000000000000的節點。

    任何模型中最上層的節點一律是模型根節點。 在類神經網路或羅吉斯回歸模型中，緊接在底下的節點為臨界統計數據節點。

  4. 在 [ 節點詳細數據 ] 窗格中，向下捲動直到您找到數據列，NODE_DISTRIBUTION。

  5. 向下卷動NODE_DISTRIBUTION數據表，以檢視神經網路演算法所計算的值分佈。

若要在報表中使用這項數據，您可以選取並複製特定數據列的資訊，也可以使用下列數據採礦延伸模組 （DMX） 查詢來擷取節點的完整內容。

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

您也可以使用節點階層和NODE_DISTRIBUTION數據表中的詳細數據來周遊神經網路中的個別路徑，並從隱藏層檢視統計數據。 如需詳細資訊，請參閱 類神經網路模型查詢範例。

[回到頁首]

本課程的下一項工作

將羅吉斯回歸模型新增至呼叫中心結構 （元數據採礦教學課程）

另請參閱

類神經網路模型的採礦模型內容 （Analysis Services - 數據採礦）
類神經網路模型查詢範例
Microsoft類神經網路演算法技術參考
變更採礦模型中數據行的離散化

  • Last updated on