Erstellen von Vorhersagen für Callcentermodelle (Data Mining-Lernprogramm für Fortgeschrittene)

Gilt für: SQL Server 2016 Preview

Nachdem Sie Informationen zu Interaktionen zwischen Arbeitsschichten, der Anzahl der Telefonisten und Anrufe sowie der Dienstqualität gesammelt haben, können Sie einige Vorhersageabfragen für Geschäftsanalysen und Planungen erstellen. Sie erstellen zunächst einige Vorhersagen über das explorative Modell, um bestimmte Annahmen zu testen. Als Nächstes erstellen Sie massenvorhersagen mithilfe des logistischen Regressionsmodells.

Für diese Lektion wird davon ausgegangen, dass Sie bereits mit dem Konzept von Vorhersageabfragen vertraut sind.

Erstellen von Vorhersagen mit dem neuronalen Netzwerkmodell

Im folgenden Beispiel wird veranschaulicht, wie eine SINGLETON-Vorhersage mithilfe des neuronalen Netzwerkmodells getroffen wird, das für Untersuchungen erstellt wurde. Mit SINGLETON-Vorhersagen können verschiedene Werte und deren Auswirkungen auf das Modell auf einfache Weise getestet werden. In diesem Szenario werden Sie die Dienstqualität für die Nachtschicht (kein Wochentag angegeben) vorhersagen, wenn sechs erfahrene Telefonisten Dienst haben.

So erstellen Sie eine SINGLETON-Abfrage mithilfe des neuronalen Netzwerkmodells

1. Öffnen Sie in SQL Server Data Tools (SSDT) die Lösung, die das zu verwendende Modell enthält.

2. Klicken Sie im Data Mining-Designer auf die Miningmodellvorhersage Registerkarte.

3. In der Miningmodell Bereich, klicken Sie auf Modell auswählen.

4. Die Miningmodell auswählen Dialogfeld zeigt eine Liste mit Miningstrukturen. Erweitern Sie die Miningstruktur, um eine Liste der dieser Struktur zugeordneten Miningmodelle anzuzeigen.

5. Erweitern Sie die Miningstruktur "Call Center Default", und wählen Sie das neuronale Netzwerkmodell "Call Center - LR" aus.

6. Klicken Sie im Menü Miningmodell auf SINGLETON-Abfrage.

   Die Singleton-Abfrageeingabe Dialogfeld angezeigt wird, die Spalten im Miningmodell zugeordnet.

7. In der Singleton-Abfrageeingabe im Dialogfeld klicken Sie auf die Zeile für die UMSCHALTTASTE gedrückt, und wählen Sie dann Mitternacht.

8. Klicken Sie auf die Zeile für Lvl 2 Operators und Typ 6.

9. In der unteren Hälfte der Miningmodellvorhersage Registerkarte, klicken Sie auf die erste Zeile im Raster.

10. In der Quelle Spalte, klicken Sie auf den Pfeil nach unten, und wählen Sie Vorhersagefunktion. In der Feld Spalte PredictHistogram.

    Eine Liste von Argumenten, die Sie automatisch mit dieser Vorhersagefunktion verwenden können wird in der Kriterium/Argument Feld.

11. Ziehen Sie die Spalte ServiceGrade aus der Liste der Spalten in der Miningmodell Bereich, um die Kriterium/Argument Feld.

    Der Name der Spalte wird automatisch als Argument eingefügt. Sie können jede vorhersagbare Attributspalte in dieses Textfeld ziehen.

12. Klicken Sie auf die Schaltfläche zur Abfrage wechseln Ergebnisansicht, in der oberen Ecke des Generators für Vorhersageabfragen.

Die erwarteten Ergebnisse enthalten die möglichen vorhergesagten Werte für jede Dienstqualität bei Berücksichtigung der angegebenen Eingaben zusammen mit Unterstützungs- und Wahrscheinlichkeitswerten für jede Vorhersage. Sie können jederzeit zur Entwurfsansicht zurückkehren und die Eingaben ändern oder weitere Eingaben hinzufügen.

Erstellen von Vorhersagen mithilfe eines logistischen Regressionsmodells

Wenn Sie die Attribute bereits kennen, die für das Geschäftsproblem relevant sind, können Sie ein logistisches Regressionsmodell verwenden, um die Auswirkungen bei Änderungen an bestimmten unabhängigen Variablen vorherzusagen. Die logistische Regression ist eine statistische Methode, die häufig verwendet wird, um Vorhersagen auf der Grundlage von Änderungen in unabhängigen Variablen zu treffen: Sie wird z. B. für finanzielle Bewertungen verwendet, um das Kundenverhalten auf der Grundlage der Kundendemografie vorherzusagen.

In dieser Aufgabe erfahren Sie, wie Sie eine Datenquelle für Vorhersagen erstellen und anschließend Vorhersagen zur Beantwortung verschiedener Geschäftsfragen treffen.

Generieren von Daten für Massenvorhersagen

Es gibt viele Möglichkeiten, Eingabedaten bereitzustellen: Sie können beispielsweise die Personalausstattung aus einer Tabelle importieren und diese Daten durch das Modell laufen lassen, um die Dienstqualität für den nächsten Monat vorherzusagen.

In diesem Lektion erstellen Sie mithilfe des Datenquellensicht-Designers eine benannte Abfrage. Diese benannte Abfrage ist eine benutzerdefinierte Transact-SQL-Anweisung, die für jede Schicht im Dienstplat die maximale Anzahl von Operatoren, die Mindestanzahl angenommener Anrufe und die durchschnittliche Anzahl generierter Fragen berechnet. Sie verknüpfen dann diese Daten mit einem Miningmodell, um Vorhersagen für eine Reihe bevorstehender Tage zu treffen.

So generieren Sie Eingabedaten für eine Massenvorhersageabfrage

1. Im Projektmappen-Explorer mit der rechten Maustaste Datenquellensichten, und wählen Sie dann Neue Datenquellensicht.

2. Wählen Sie in der Datenquellensicht-Assistent Adventure Works DW Multidimensional 2012 als Datenquelle aus, und klicken Sie dann auf Weiter.

3. Auf der Tabellen und Sichten auswählen auf Weiter ohne eine Tabelle auszuwählen.

4. Auf der der Assistent Geben Sie den Namen Schichten.

   Dieser Name wird im Projektmappen-Explorer als Name der Datenquellensicht angezeigt.

5. Mit der rechten Maustaste in des leeren Entwurfsbereich, und wählen Sie dann neue benannte Abfrage.

6. In der benannte Abfrage erstellen im Dialogfeld für Namen, Typ Shifts for Call Center.

   Dieser Name wird im Datenquellensicht-Designer nur als der Name der benannten Abfrage angezeigt.

7. Fügen Sie in der unteren Hälfte des Dialogfelds die folgende Abfrageanweisung in den SQL-Textbereich ein.

   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. Im Entwurfsbereich mit der Maustaste der Tabelle Shifts for Call Center, und wählen Sie Daten durchsuchen auf Vorschau von der T-SQL-Abfrage zurückgegeben Daten anzuzeigen.

9. Mit der rechten Maustaste in der Registerkarte Shifts.dsv (Design), und klicken Sie dann auf Speichern die neue datenquellensichtdefinition zu speichern.

Vorhersagen der Dienstmetrik für jede Schicht

Nachdem Sie nun einige Werte für jede Schicht generiert haben, verwenden Sie diese Werte als Eingabe für das logistische Regressionsmodell, das Sie erstellt haben, um Vorhersagen für die weitere Geschäftsplanung zu generieren.

So verwenden Sie die neue DSV als Eingabe für eine Vorhersageabfrage

1. Klicken Sie im Data Mining-Designer auf die Miningmodellvorhersage Registerkarte.

2. In der Miningmodell Bereich, klicken Sie auf Modell auswählen, und wählen Sie Callcenter - LR aus der Liste der verfügbaren Modelle.

3. Aus der Miningmodell Menü, deaktivieren Sie die Option Singleton-Abfrage. Eine Warnung weist Sie darauf hin, dass die Eingaben für die SINGLETON-Abfrage verloren gehen. Klicken Sie auf OK.

   Die Singleton-Abfrageeingabe Dialogfeld durch ersetzt die Eingabetabelle(n) (Dialogfeld).

4. Klicken Sie auf Falltabelle auswählen.

5. In der Tabelle auswählen (Dialogfeld), SelectShifts aus der Liste der Datenquellen. In der Tabellen-/Sichtname Wählen Sie Shifts for Call Center (wird ggf. automatisch ausgewählt), und klicken Sie dann auf OK.

   Die Miningmodellvorhersage Entwurfsoberfläche wird aktualisiert, um Zuordnungen anzuzeigen, die basierend auf den Namen und Datentypen der Spalten in den Eingabedaten und in das Modell erstellt werden.

6. Mit der rechten Maustaste eine der Joinlinien, und wählen Sie dann Verbindungen ändern.

   In diesem Dialogfeld können Sie genau sehen, welche Spalten zugeordnet werden und welche nicht. Das Miningmodell enthält Spalten für Calls, Orders, IssuesRaised und LvlTwoOperators, die Sie beliebig den Aggregaten zuordnen können, die Sie basierend auf diesen Spalten in den Quelldaten erstellt haben. In diesem Szenario nehmen Sie eine Zuordnung zu den Mittelwerten vor.

7. Klicken Sie auf die leere Zelle neben LevelTwoOperators, und wählen Sie Shifts for Call Center.AvgOperators.

8. Klicken Sie auf die leere Zelle neben Calls, wählen Sie Shifts for Call Center.AvgCalls. und klicken Sie dann auf OK.

So erstellen Sie die Vorhersagen für jede Schicht

1. Im Raster am unteren Hälfte der Generator für Vorhersageabfragen, klicken Sie auf die leere Zelle unter Quelle und wählen Sie Shifts for Call Center.

2. In die leere Zelle unter Feld, wählen Sie die UMSCHALTTASTE gedrückt.

3. Klicken Sie auf die nächste leere Zeile im Raster und wiederholen Sie die oben beschriebene Prozedur, um eine weitere Zeile für WageType hinzuzufügen.

4. Klicken Sie auf die nächste leere Zeile im Raster. In der Quelle Spalte Vorhersagefunktion. In der Feld Spalte Predict.

5. Ziehen Sie die Spalte ServiceGrade aus der Miningmodell Bereich das Raster, und klicken Sie in der Kriterium/Argument Zelle. In der Alias Geben Predicted Service Grade.

6. Klicken Sie auf die nächste leere Zeile im Raster. In der Quelle Spalte Vorhersagefunktion. In der Feld Spalte PredictProbability.

7. Ziehen Sie die Spalte ServiceGrade aus der Miningmodell Bereich das Raster, und klicken Sie in der Kriterium/Argument Zelle. In der Alias Geben Wahrscheinlichkeit.

8. Klicken Sie auf Wechseln Sie zur abfrageergebnissicht um die Vorhersagen anzuzeigen.

In der folgenden Tabelle werden Beispielergebnisse für jede Schicht angezeigt.

Vorhersagen zu den Auswirkungen kürzerer Antwortzeiten auf die Dienstqualität

Sie haben mehrere Durchschnittswerte für jede Schicht generiert und diese Werte als Eingaben für das logistische Regressionsmodell verwendet. Da als Geschäftsziel jedoch eine Abbruchrate zwischen 0,00 und 0,05 vorgegeben ist, sind die Ergebnisse nicht sehr ermutigend.

Vom Betriebsteam wird daher beschlossen, einige Vorhersagen auf der Grundlage des ursprünglichen Modells auszuführen, das gezeigt hat, dass sich die Antwortzeit stark auf die Dienstqualität auswirkt. Mit diesen Vorhersagen soll untersucht werden, ob durch eine Verkürzung der durchschnittlichen Antwortzeit für Anrufe die Dienstqualität verbessert werden kann. Was geschieht beispielsweise mit den Werten für Dienstqualität, wenn die Antwortzeit auf 90 Prozent oder sogar 80 Prozent der aktuellen Antwortzeit verkürzt wird?

Es ist einfach, eine Datenquellensicht (Data Source View, DSV) zu erstellen, die die durchschnittlichen Antwortzeiten für jede Schicht berechnet, und dann Spalten hinzuzufügen, die einen Prozentsatz von 80% oder 90% dieser durchschnittlichen Antwortzeit berechnen. Sie können dann die DSV als Eingabe für das Modell verwenden.

Auch wenn die genauen Schritte nicht hier gezeigt werden, vergleicht die folgende Tabelle die Auswirkungen auf Dienstqualität, wenn Sie Antwortzeiten auf 80% oder 90% aktueller Antwortzeiten reduzieren.

Aus diesen Ergebnissen können Sie schließen, dass Sie die Antwortzeit in bestimmten Schichten auf 90 Prozent der aktuellen Rate reduzieren sollten, um die Dienstqualität zu verbessern.

Es gibt eine Vielzahl anderer Vorhersageabfragen, die Sie für dieses Modell erstellen können. Sie können zum Beispiel vorhersagen, wie viele Telefonisten erforderlich sind, um eine bestimmte Dienstqualität zu erreichen oder um eine bestimmte Anzahl von eingehenden Aufrufen entgegenzunehmen. Da Sie in einem logistischen Regressionsmodell mehrere Ausgaben einschließen können, ist es leicht, mit verschiedenen unabhängigen Variablen und Ergebnissen zu experimentieren, ohne mehrere separate Modelle erstellen zu müssen.

Hinweise

Die Data Mining-Add-Ins für Excel 2007 stellen einen Logistic Regression-Assistenten bereit, mit dem komplexe Fragen einfach beantwortet werden können, beispielsweise wie viele Operatoren der Ebene 2 benötigt werden, um die Dienstqualität für eine bestimmte Schicht auf ein Zielniveau anzuheben. Die Data Mining-Add-Ins können kostenlos heruntergeladen werden und enthalten Assistenten, die auf dem neuronalen Netzwerk oder den Logistic Regression-Algorithmen basieren. Weitere Informationen finden Sie unter den folgenden Links:

• SQL Server 2005 Data Mining-Add-Ins für Office 2007: Zielsucheszenarien und was geschieht, wenn Szenarienanalyse

• SQL Server 2008 Data Mining-Add-Ins für Office 2007: Analyse von Zielsucheszenarien, was geschieht, wenn Szenarienanalyse und Vorhersagerechner

Fazit

Sie haben gelernt, Miningmodelle zu erstellen, anzupassen und zu interpretieren, die auf dem Microsoft Neural Network-Algorithmus und dem Microsoft Logistic Regression-Algorithmus basieren. Diese Modelltypen bieten sehr umfassende Möglichkeiten und erlauben nahezu unendlich viele Variationen bei der Analyse. Ihre Verwendung kann daher komplex und schwierig sein.

Diese Algorithmen können jedoch viele Kombinationen von Faktoren und automatisch identifizieren die stärksten Korrelationen, bieten statistische Unterstützung für Einblicke, die schwer zu ermitteln, die über manuellem Durchsuchen von Daten mithilfe von Transact-SQL oder sogar Power Pivot.

Siehe auch

Logistische Regressionsmodell-Abfragebeispiele
Microsoft Logistic Regression-Algorithmus
Microsoft Neural Network-Algorithmus
Neuronale Beispiele für Netzwerkmodellabfragen