• Artikel

Lektion 5: Erstellen von neuronalen Netzwerk- und logistischen Regressionsmodellen (Data Mining-Lernprogramm für Fortgeschrittene)

Die Betriebsabteilung von Adventure Works arbeitet daran, die Kundenzufriedenheit bezüglich des Callcenters zu verbessern. Ein Drittanbieter wurde mit der Führung des Callcenters und der Erstellung von Berichten zu Metriken bezüglich der Effektivität des Callcenters beauftragt. Ihre Aufgabe ist es, einige vorläufige durch den Drittanbieter bereitgestellte Daten zu analysieren. Ihr Auftraggeber möchte wissen, ob es interessante Ergebnisse gibt. Insbesondere, ob die Daten Rückschlüsse auf Probleme mit der Personalbesetzung zulassen oder Möglichkeiten aufzeigen, die Antwortzeit zu verbessern.

Das Dataset ist klein und umfasst nur einen Zeitraum von 30 Tagen im Betrieb des Callcenters. Die Daten enthalten die Anzahl der Telefonisten pro Schicht, die Anzahl der Aufrufe und Bestellungen, Antwortzeit und einer Dienstqualitätsmetrik auf Grundlage der Abbruchrate, einem Indikator für die Kundenfrustration.

Da Sie im Voraus keine Erwartungen daran haben, was aus den Daten hervorgeht, entscheiden Sie sich, Data Mining zu verwenden, um mögliche Korrelationen zu untersuchen. Neuronale Netzwerkmodelle werden oft zum Durchsuchen von Daten verwendet, da mit diesen komplexe Beziehungen zwischen vielen Eingaben und Ausgaben analysiert werden können.

Lernziele

In dieser Lektion verwenden Sie den Neural Network-Algorithmus, um ein Modell zu erstellen, das Sie und das Betriebsteam verwenden können, um die Daten und die enthaltenen Trends zu verstehen. Als Teil dieser Lektion durchsuchen Sie die Daten und versuchen, die folgenden Fragen zu beantworten:

  • Welche Faktoren beeinflussen die Kundenzufriedenheit?

  • Wie kann das Callcenter die Servicequalität verbessern?

Auf Grundlage der Ergebnisse erstellen Sie dann ein logistisches Regressionsmodell, das Sie für Vorhersagen verwenden können. Die Vorhersagen werden vom Betriebsteam für die Betriebsplanung des Callcenters verwendet.

Diese Lektion enthält die folgenden Themen: