• Articolo

Creazione di stime per i modelli Call Center (Esercitazione intermedia sul data mining)

Dopo aver appreso i concetti di base sulle interazioni tra turni, giorno della settimana, numero di chiamate e ordini e livello del servizio, è possibile creare alcune query di stima da utilizzare per l'analisi e la pianificazione aziendali. Verranno innanzitutto create alcune stime del modello esplorativo per testare alcune ipotesi. Verranno quindi create stime bulk utilizzando il modello di regressione logistica.

Per questa lezione si presuppone che l'utente abbia già familiarizzato con l'utilizzo del generatore delle query di stima. Per informazioni generali sull'utilizzo del generatore delle query di stima, vedere Creazione di query di stima DMX.

Creazione di stime tramite il modello di rete neurale

Nell'esempio seguente viene illustrato come eseguire una stima singleton utilizzando il modello di rete neurale creato per l'esplorazione. Le stime singleton sono una soluzione valida per applicare valori diversi per visualizzarne l'effetto nel modello. In questo scenario si stimerà il livello del servizio per il turno di mezzanotte, senza specificare il giorno della settimana, se sei operatori esperti sono in servizio.

Per creare una query singleton utilizzando il modello di rete neurale

  1. In Business Intelligence Development Studio aprire la soluzione contenente il modello che si desidera utilizzare.

  2. In Progettazione modelli di data mining fare clic sulla scheda Stima modello di data mining.

  3. Nel riquadro Modello di data mining fare clic su Seleziona modello.

  4. Nella finestra di dialogo Seleziona modello di data mining è disponibile un elenco di strutture di data mining. Espandere la struttura di data mining per visualizzare un elenco dei modelli di data mining associati alla struttura.

  5. Espandere la struttura di data mining Call Center e selezionare il modello di data mining Call Center - NN.

  6. Scegliere Query singleton dal menu Modello di data mining.

    Verrà visualizzata la finestra di dialogo Input query singleton con le colonne mappate alle colonne del modello di data mining.

  7. Nella finestra di dialogo Input query singleton fare clic sulla riga Shift e selezionare midnight.

  8. Fare clic sulla riga Lvl 2 Operators e digitare 6.

  9. Nella metà inferiore della scheda Stima modello di data mining fare clic sulla prima riga della griglia.

  10. Fare clic sulla colonna Origine, quindi selezionare Funzione di stima. Nella colonna Campo selezionare PredictHistogram.

    Nella casella Criteri/Argomento verrà visualizzato un elenco di argomenti che è possibile utilizzare con questa funzione di stima.

  11. Trascinare la colonna ServiceGrade dall'elenco di colonne nel riquadro Modello di data mining e rilasciarla nella casella Criteri/Argomento.

    Il nome della colonna verrà inserito automaticamente come argomento. È possibile rilasciare qualsiasi colonna di attributo stimabile in questa casella di testo.

  12. Fare clic sul pulsante Passa alla visualizzazione dei risultati della query nell'angolo superiore del generatore delle query di stima.

I risultati previsti contengono i possibili valori stimati per ogni livello del servizio considerando questi input, nonché i valori di supporto e probabilità per ogni stima. È possibile tornare in qualsiasi momento alla visualizzazione Progettazione per modificare gli input o aggiungerne altri.

Creazione di stime tramite un modello di regressione logistica

Anche se è possibile creare stime tramite un modello di rete neurale, questo modello viene in genere utilizzato per l'esplorazione di relazioni complesse. Se si conoscono già gli attributi attinenti al problema aziendale, è possibile utilizzare un modello di regressione logistica per stimare l'effetto della modifica di variabili indipendenti specifiche. La regressione logistica viene comunemente utilizzata in scenari quali quelli finanziari, per stimare ad esempio il comportamento del cliente in base ai relativi dati demografici o ad altri attributi.

In questa attività viene illustrato come creare un'origine dati che verrà utilizzata per le stime, quindi vengono eseguito le stime che consentono di rispondere a varie domande aziendali.

Generazione di dati utilizzati per la stima bulk

Per questo scenario verrà innanzitutto creata una vista aggregata dei dati di origine che potrà essere utilizzata per l'esecuzione di stime bulk, quindi tali dati verranno inseriti in un modello di data mining in una query di stima. Esistono diversi modi per fornire dati di input: ad esempio, è possibile importare livelli del personale da un foglio di calcolo o fornire i valori a livello di programmazione. Per ragioni di semplicità, in questo caso verrà utilizzato Progettazione vista origine dati per creare una query denominata. Questa query denominata è un'istruzione T-SQL personalizzata che crea aggregazioni per ogni turno, quali il numero massimo di operatori, il numero minimo di chiamate ricevute o il numero medio di problemi generati.

Per generare dati di input per una query di stima bulk

  1. In Esplora soluzioni fare clic con il pulsante destro del mouse su Viste origine dati, quindi scegliere Nuova vista origine dati.

  2. Nella Creazione guidata vista origine dati selezionare AdventureWorks DW 2008 come origine dati e fare clic su Avanti.

  3. Nella pagina Selezione tabelle e viste fare clic su Avanti senza selezionare alcuna tabella.

  4. Nella pagina Completamento procedura guidata digitare il nome Turni.

    Questo nome verrà visualizzato in Esplora soluzioni come nome della vista origine dati.

  5. Fare clic con il pulsante destro del mouse nel riquadro di progettazione vuoto, quindi scegliere Nuova query denominata.

  6. Nella finestra di dialogo Crea query denominata digitare Turni per call center.

    Questo nome verrà visualizzato solo in Progettazione vista origine dati come nome della query denominata.

  7. Incollare l'istruzione di query seguente nel riquadro di testo SQL nella metà inferiore della finestra di dialogo.

    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. Fare clic su OK.

  9. Nel riquadro di progettazione fare clic con il pulsante destro del mouse sulla tabella Shifts for Call Center e scegliere Esplorazione dati per visualizzare in anteprima i dati restituiti dalla query T-SQL.

  10. Fare clic con il pulsante destro del mouse sulla scheda Turni.dsv (progettazione), quindi scegliere Salva per salvare la nuova definizione della vista origine dati.

Stima delle metriche del servizio per ogni turno

Dopo aver generato alcuni valori per ogni turno, tali valori verranno utilizzati come input per il modello di regressione logistica creato per generare più stime.

Per utilizzare la nuova vista origine dati come di input per una query di stima

  1. In Progettazione modelli di data mining fare clic sulla scheda Stima modello di data mining.

  2. Nel riquadro Modello di data mining fare clic su Seleziona modello e selezionare Call Center - LR nell'elenco di modelli disponibili.

  3. Deselezionare l'opzione Query singleton nel menu Modello di data mining. Verrà visualizzato un avviso che indica che gli input della query singleton andranno persi. Scegliere OK.

    La finestra di dialogo Input query singleton verrà sostituita dalla finestra di dialogo Seleziona tabella/e di input.

  4. Fare clic su Seleziona tabella del case.

  5. Nella finestra di dialogo Seleziona tabella selezionareShifts dall'elenco delle origini dati. Nell'elenco Nome tabella/vista selezionare Shifts for Call Center (potrebbe essere selezionato automaticamente), quindi scegliere OK.

    L'area di progettazione Stima modello di data mining verrà aggiornata per visualizzare i mapping creati da Analysis Services in base ai nomi e ai tipi di dati delle colonne nei dati di input e nel modello.

  6. Fare clic con il pulsante destro del mouse su una delle linee di join e scegliere Modifica connessioni.

    In questa finestra di dialogo è possibile vedere esattamente quali colonne sono mappate e quali non lo sono. Il modello di data mining contiene le colonne Calls, Orders, IssuesRaised e LvlTwoOperators di cui è possibile eseguire il mapping con qualsiasi aggregazione creata in base a queste colonne nei dati di origine. Per questo scenario verrà eseguito il mapping alle medie.

  7. Fare clic sulla cella vuota accanto a LevelTwoOperators e selezionare Turni per call center.AvgOperators.

  8. Fare clic sulla cella vuota accanto a Calls e selezionare Turni per call center.AvgCalls. Fare clic su OK.

Per creare le stime per ogni turno

  1. Nella griglia nella metà inferiore del generatore delle query di stima fare clic sulla cella vuota sotto Origine e selezionare Shifts for Call Center.

  2. Nella cella vuota sotto Campo selezionare Shift.

  3. Fare clic sulla riga vuota successiva nella griglia e ripetere la procedura appena descritta per aggiungere un'altra riga per WageType.

  4. Fare clic sulla riga vuota successiva nella griglia. In Origine selezionare Funzione di stima. In Campo selezionare Stima.

  5. Trascinare la colonna ServiceGrade dal riquadro Modello di data mining alla griglia e rilasciarla nella cella Criteri/Argomento. Nel campo Alias digitare Livello di servizio stimato.

  6. Fare clic sulla riga vuota successiva nella griglia. In Origine selezionare Funzione di stima. In Campo selezionare PredictProbability.

  7. Trascinare nuovamente la colonna ServiceGrade dal riquadro Modello di data mining alla griglia e rilasciarla nella cella Criteri/Argomento. Nel campo Alias digitare Probabilità.

  8. Fare clic su Passa alla visualizzazione dei risultati della query per visualizzare le stime.

Nella tabella seguente viene riportato un esempio dei risultati per ogni turno.

Turno

WageType

Livello di servizio stimato

Probabilità

AM

giorno festivo

0.109136059911771

0.988372093023256

midnight

giorno festivo

0.102997190221556

0.988372093023256

PM1

giorno festivo

0.118717846218269

0.988372093023256

PM2

giorno festivo

0.129285352721855

0.988372093023256

AM

giorno feriale

0.0818812064002576

0.988372093023256

mezzanotte

giorno feriale

0.0708461247735892

0.988372093023256

PM1

giorno feriale

0.0902827481812303

0.988372093023256

PM2

giorno feriale

0.101794450305237

0.988372093023256

Stima dell'effetto del tempo di risposta delle chiamate sul livello del servizio

L'obiettivo aziendale iniziale consiste nell'individuare i metodi che consentono di mantenere la frequenza di abbandono entro l'intervallo di destinazione compreso tra 0,00 e 0,05. Il modello di rete neurale sviluppato per l'esplorazione ha rivelato che il tempo di risposta delle chiamate influenza notevolmente il livello di servizio. Il team del reparto operativo decide pertanto di eseguire alcune stime per valutare se la riduzione del tempo medio di risposta delle chiamate può migliorare il livello di servizio. È possibile ad esempio valutare le conseguenze della riduzione del tempo di risposta alle chiamate al 90% o anche all'80% rispetto al tempo di risposta corrente.

La creazione di una vista origine dati per il calcolo dei tempi di risposta medi per ogni turno e l'aggiunta di colonne per il calcolo di una percentuale relativa al tempo medio di risposta sono operazioni semplici. È quindi possibile utilizzare la vista origine dati come input per il modello.

Nella tabella seguente, ad esempio, vengono elencati i risultati di una query di stima che utilizza tre tempi di risposta diversi come input: il tempo medio ricavato dai dati effettivi, un valore che rappresenta il 90% del valore effettivo e un valore che rappresenta l'80% del tempo medio di risposta delle chiamate.

Nei risultati il primo set di stime di ogni colonna rappresenta il livello del servizio stimato mentre il secondo set di numeri (tra parentesi) rappresenta la probabilità di ottenere il valore stimato. Da questi risultati è possibile concludere che la soluzione più efficiente consiste nel provare a ridurre il tempo di risposta al 90%.

Turno

WageType

Tempo di risposta medio per turno

Riduzione del tempo di risposta al 90% del tempo corrente

Riduzione del tempo di risposta all'80% del tempo corrente

AM

giorno festivo

0.165 (0.366079388)

0.05 (0.457470875)

0.05 (0.610514425)

AM

giorno feriale

0.05 (0.341218694)

0.05 (0.475767776)

0.05 (0.60083244)

midnight

giorno festivo

0.165 (0.337801273)

0.05 (0.413774655)

0.05 (0.545764101)

midnight

giorno feriale

0.05 (0.378241537)

0.05 (0.471615415)

0.05 (0.545614362)

PM1

giorno festivo

0.165 (0.457871243)

0.165 (0.376892925)

0.05 (0.359440286)

PM1

giorno feriale

0.08 (0.299182047)

0.08 (0.363761441)

0.08 (0.40686473)

PM2

giorno festivo

0.105 (0.325921785)

0.05 (0.392121793)

0.05 (0.521558758)

PM2

giorno feriale

0.105 (0.436051591)

0.105 (0.342589832)

0,05 (Y)

Oltre a fornire i valori di input tramite una vista origine dati, come illustrato in questa esercitazione, è possibile calcolare gli input a livello di codice e fornirli al modello. È possibile scorrere tutti i valori possibili disponibili per individuare la riduzione minore del tempo di risposta che garantisce il livello di servizio desiderato per ogni turno.

È possibile creare molte altre query di stima su questo modello. È ad esempio possibile stimare il numero di operatori necessari per garantire un determinato livello di servizio o per rispondere a un determinato numero di chiamate in ingresso. Poiché è possibile includere più output in un modello di regressione logistica, è facile provare a utilizzare variabili indipendenti e risultati diversi senza dover creare molti modelli distinti.

Osservazioni

I componenti aggiuntivi Data mining per Excel 2007 forniscono procedure guidate di regressione logistica che semplificano la risoluzione di problemi complessi, ad esempio il numero di operatori di livello 2 necessari per migliorare il livello del servizio e raggiungere un livello desiderato per un turno specifico. I componenti aggiuntivi per il data mining sono disponibili gratuitamente per il download e includono procedure guidate basate su algoritmi di rete neurale e/o regressione logistica. Per ulteriori informazioni, vedere i seguenti collegamenti:

Conclusione

In questa esercitazione si è imparato a creare, personalizzare e interpretare modelli di data mining basati sugli algoritmi Microsoft Neural Network e Microsoft Logistic Regression. Si tratta di tipi di modello sofisticati che consentono una varietà quasi infinita di analisi e pertanto possono essere complessi e difficili da gestire. Strumenti quali i grafici e le tabelle pivot basati su Excel disponibili in Progettazione vista origine dati possono fornire supporto per le tendenze più forti rilevate dagli algoritmi e possono semplificare la comprensione delle tendenze individuate. Tuttavia, per apprezzare pienamente i vantaggi del modello, potrebbe essere necessario esplorare l'analisi fornita dal modello ed esaminare i dati in modo più approfondito, utilizzando il visualizzatore del modello di data mining personalizzato e altri strumenti per sviluppare pienamente la comprensione delle tendenze dei dati.

Cronologia modifiche

Aggiornamento del contenuto

Correzione dei nomi dei modelli di data mining in stime e istruzioni DLL in modo che corrispondano allo scenario aggiornato.

Correzione del nome della colonna Issues. Aggiornamento dei risultati di esempio per utilizzare un modello che include DayOfWeek. Aggiunta della spiegazione dello scenario di stima finale.