• Artículo

Crear predicciones para los modelos de centro de llamadas (Tutorial intermedio de minería de datos)

Ahora que ha aprendido algo acerca de las interacciones entre los turnos, el número de operadores, las llamadas y el grado de servicio, está en disposición de crear algunas consultas de predicción que se puedan usar en el análisis y el planeamiento empresarial. Primero, creará algunas predicciones en el modelo de exploración para probar varias suposiciones. Después, creará predicciones masivas usando el modelo de regresión logística.

En esta lección se presupone que ya está familiarizado con el modo en que se usa el Generador de consultas de predicción. Para obtener información general acerca de cómo utilizar el Generador de consultas de predicción, vea Crear consultas de predicción DMX.

Crear predicciones utilizando el modelo de red neuronal

En el ejemplo siguiente se demuestra cómo crear una predicción singleton usando el modelo de red neuronal que se creó para la exploración. Las predicciones singleton constituyen un buen modo de probar valores diferentes para comprobar el efecto en el modelo. En este escenario, predecirá el grado de servicio para el turno de medianoche (no se especifica el día de la semana) si hay seis operadores experimentados de servicio.

Para crear una consulta singleton con el modelo de red neuronal

  1. En Business Intelligence Development Studio, abra la solución que contenga el modelo que desee.

  2. En el Diseñador de minería de datos, haga clic en la ficha Predicción de modelo de minería de datos.

  3. En el panel Modelo de minería de datos, haga clic en Seleccionar modelo.

  4. El cuadro de diálogo Seleccionar modelo de minería de datos muestra una lista de estructuras de minería de datos. Expanda la estructura de minería de datos para ver una lista de modelos de minería asociados con esa estructura.

  5. Expanda la estructura de minería de datos Call Center Default y seleccione el modelo de red neuronal Call Center - LR.

  6. En el menú Modelo de minería de datos, seleccione Consulta singleton.

    Se abre el cuadro de diálogo Entrada de consulta singleton con columnas asignadas a las columnas del modelo de minería de datos.

  7. En el cuadro de diálogo Entrada de consulta singleton, haga clic en la fila correspondiente al turno y seleccione midnight.

  8. Haga clic en la fila correspondiente a operadores de nivel 2 y escriba 6.

  9. En la mitad inferior de la ficha Predicción de modelo de minería de datos, haga clic en la primera fila de la cuadrícula.

  10. En la columna Origen, haga clic en la flecha abajo y seleccione Función de predicción. En la columna Campo, seleccione PredictHistogram.

    En el cuadro Criterios o argumentos, aparece automáticamente una lista de los argumentos que puede usar con esta función de predicción.

  11. Arrastre la columna ServiceGrade de la lista de columnas del panel Modelo de minería de datos al cuadro Criterios o argumentos.

    El nombre de la columna se inserta automáticamente como argumento. Puede elegir cualquier columna de atributo de predicción para arrastrarla a este cuadro de texto.

  12. Haga clic en el botón Cambiar a vista de resultado de consulta situado en la esquina superior del Generador de consultas de predicción.

Los resultados esperados contienen los posibles valores de predicción de cada grado de servicio, dadas estas entradas, junto con los valores de compatibilidad y probabilidad de cada predicción. Puede volver a la vista de diseño en cualquier momento y cambiar las entradas o agregar más.

Crear predicciones con un modelo de regresión logística

Aunque puede crear predicciones usando un modelo de red neuronal, este modelo se suele usar más para la exploración de relaciones complejas. Si ya conoce los atributos que son pertinentes para el problema empresarial, puede usar un modelo de regresión logística con el fin de predecir el efecto de realizar cambios en ciertos atributos. La regresión logística es un método estadístico que se utiliza normalmente para realizar predicciones en función de cambios en variables independiente. Se usa, por ejemplo, en la evaluación financiera, para predecir el comportamiento de los clientes en función de datos estadísticos.

En esta tarea aprenderá a crear un origen de datos que se usará en las predicciones y hará que estas sirvan de ayuda para responder varias cuestiones empresariales.

Generar datos usados para la predicción masiva

En esta lección, primero creará una vista agregada del origen de datos que se puede usar para hacer predicciones masivas y después unirá los datos a un modelo de minería de datos de una consulta de predicción. Hay muchas formas de proporcionar datos de entrada, por ejemplo, puede importar niveles de personal de una hoja de cálculo o proporcionar valores mediante programación. Aquí, usará el diseñador de la Vista del origen de datos para crear una consulta con nombre. Esta consulta con nombre es una instrucción de T-SQL personalizada que crea agregados para cada turno, por ejemplo, el número máximo de operadores, el número mínimo de llamadas recibidas o el número promedio de problemas generados.

Para generar datos de entrada de una consulta de predicción masiva

  1. En el Explorador de soluciones, haga clic con el botón secundario en Vistas del origen de datos y luego seleccione Nueva vista del origen de datos.

  2. En el Asistente para vistas del origen de datos, seleccione Adventure Works DW2008R2 como origen de datos y, a continuación, haga clic en Siguiente.

  3. En la página, Seleccionar tablas y vistas, haga clic en Siguiente sin seleccionar ninguna tabla.

  4. En la página Finalización del asistente, escriba el nombre, Shifts.

    Este nombre aparecerá en el Explorador de soluciones como nombre de la vista del origen de datos.

  5. Haga clic con el botón secundario en el panel de diseño y seleccione Nueva consulta con nombre.

  6. En el cuadro de diálogo Crear consulta con nombre, en Nombre, escriba Turnos del centro de llamadas.

    Este nombre aparecerá en el diseñador de vistas del origen de datos como nombre de la consulta con nombre.

  7. Pegue la instrucción de consulta siguiente en el panel de texto SQL en la mitad inferior del cuadro de diálogo.

    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(Issues) as AvgIssues, MIN(Issues) as MinIssues, MAX(Issues) as MaxIssues
FROM dbo.FactCallCenter
GROUP BY Shift, WageType

  8. Haga clic en Aceptar..

  9. En el panel de diseño, haga clic con el botón secundario en la tabla Shifts for Call Center y seleccione Explorar datos para obtener una vista previa de los datos tal y como se devuelven en la consulta de T-SQL.

  10. Haga clic con el botón secundario en la ficha Shifts.dsv (Diseño) y haga clic en Guardar para guardar la definición de la nueva vista del origen de datos.

Predecir la métrica de servicio de cada turno

Ahora que ha generado algunos valores para cada turno, los usará como entrada del modelo de regresión logística que ha creado, con el fin de generar varias predicciones.

Para utilizar el nuevo DSV como entrada de una consulta de predicción

  1. En el Diseñador de minería de datos, haga clic en la ficha Predicción de modelo de minería de datos.

  2. En el panel Modelo de minería de datos, haga clic en Seleccionar modelo y elija Call Center - LR en la lista de modelos disponibles.

  3. En el menú Modelo de minería de datos, anule la selección de la opción Consulta singleton. Una advertencia indica que se perderán las entradas de la consulta singleton. Haga clic en Aceptar.

    El cuadro de diálogo Entrada de consulta singleton se sustituye con el cuadro de diálogo Seleccionar tabla(s) de entrada.

  4. Haga clic en Seleccionar tabla de casos.

  5. En el cuadro de diálogo Seleccionar tabla, seleccione Turnos en la lista de orígenes de datos. En la lista Nombre de tabla o vista, seleccione Turnos del centro de llamadas (puede que se seleccione automáticamente) y haga clic en Aceptar.

    La superficie de diseño de Predicción de modelo de minería de datos se actualiza para mostrar las asignaciones que Analysis Services crea según los nombres y tipos de datos de las columnas de datos de entrada y el modelo.

  6. Haga clic con el botón secundario en una de las líneas de unión y luego seleccione Modificar conexiones.

    En este cuadro de diálogo puede ver exactamente qué columnas se asignan y cuáles no. El modelo de minería de datos contiene las columnas Calls, Orders, Issues y LvlTwoOperators, que puede asignar a cualquiera de los agregados que creó según estas columnas del origen de datos. En este escenario, asignará los promedios.

  7. Haga clic en la celda vacía situada junto a LevelTwoOperators y seleccione Shifts for Call Center.AvgOperators.

  8. Haga clic en la celda vacía situada junto a Call, seleccione Shifts for Call Center.AvgCalls y haga clic en Aceptar.

Para crear las predicciones de cada turno

  1. En la cuadrícula de la mitad inferior del Generador de consultas de predicción, haga clic en la celda vacía situada debajo de Origen y seleccione Shifts for Call Center.

  2. En la celda vacía debajo de Campo, seleccione Shift.

  3. Haga clic en la siguiente línea vacía de la cuadrícula y repita el procedimiento descrito para agregar otra fila para WageType.

  4. Haga clic en la siguiente línea vacía de la cuadrícula. En la columna Origen, seleccione Prediction Function. En la columna Campo, seleccione Predict.

  5. Arrastre la columna ServiceGrade desde el panel Modelo de minería de datos hacia abajo en la cuadrícula y coloque la columna en la celda Criterios o argumentos. En el campo Alias, escriba Predicted Service Grade.

  6. Haga clic en la siguiente línea vacía de la cuadrícula. En la columna Origen, seleccione Prediction Function. En la columna Campo, seleccione PredictProbability.

  7. Arrastre la columna ServiceGrade desde el panel Modelo de minería de datos hacia abajo en la cuadrícula y coloque la columna en la celda Criterios o argumentos. En el cuadro Alias, escriba Probability.

  8. Haga clic en Cambiar a vista de resultado de consulta para ver las predicciones.

La siguiente tabla muestra los resultados de ejemplo de cada turno.

Turno

WageType

Grado de servicio predicho

Probabilidad

AM

holiday

0.165

0.377520666

midnight

holiday

0.105

0.364105573

PM1

holiday

0.165

0.40056055

PM2

holiday

0.165

0.338532973

AM

weekday

0.165

0.370847617

midnight

weekday

0.08

0.352999173

PM1

weekday

0.165

0.317419177

PM2

weekday

0.105

0.311672027

Predecir el efecto del tiempo de las llamadas en el grado de servicio

Ha generado valores para cada turno y los ha utilizado como entrada del modelo de regresión logística. Sin embargo, dado que el objetivo de la empresa es mantener la tasa de abandonos dentro del intervalo 0,00-0,05, los resultados no son esperanzadores.

Por lo tanto, según el modelo original que mostraba una gran influencia del tiempo de respuesta en el grado de servicio, el equipo de operaciones decide realizar algunas predicciones para valorar si al reducirse el tiempo promedio de respuesta de las llamadas, podría mejorarse el grado de servicio. Por ejemplo, ¿qué ocurriría si se recorta el tiempo de respuesta en un 90% o incluso un 80% del tiempo actual de respuesta de las llamadas?

Es fácil crear una vista del origen de datos (DSV) que calcule los tiempos de respuesta promedios para cada turno. También puede agregar fácilmente columnas que contengan tiempos que representen los valores de destino. A continuación, puede utilizar la vista del origen de datos para el modelo.

En la tabla siguiente se muestran los resultados de una consulta de predicción que usa tres tiempos de respuesta diferentes como entradas. La consulta también devuelve la probabilidad del valor de la predicción, de forma que puede evaluar la probabilidad de que la reducción del tiempo de respuesta afecte al nivel de servicio.

En la siguiente tabla, el primer conjunto de números representa el grado de servicio predicho y el segundo (en paréntesis) representa la probabilidad de ese valor predicho. De estos resultados se podría concluir que merece la pena intentar reducir el tiempo de respuesta en un 90 por ciento.

Shift

WageType

Average response time for shift

90 percent reduction in response time

Reducción en un 80% del tiempo de respuesta

AM

holiday

0.165 (0.366079388)

0.05 (0.457470875)

0.05 (0.610514425)

AM

weekday

0.05 (0.341218694)

0.05 (0.475767776)

0.05 (0.60083244)

midnight

holiday

0.165 (0.337801273)

0.05 (0.413774655)

0.05 (0.545764101)

midnight

weekday

0.05 (0.378241537)

0.05 (0.471615415)

0.05 (0.545614362)

PM1

holiday

0.165 (0.457871243)

0.165 (0.376892925)

0.05 (0.359440286)

PM1

weekday

0.08 (0.299182047)

0.08 (0.363761441)

0.08 (0.40686473)

PM2

holiday

0.105 (0.325921785)

0.05 (0.392121793)

0.05 (0.521558758)

PM2

weekday

0.105 (0.436051591)

0.105 (0.342589832)

0.05 (Y)

Además de proporcionar los valores de entrada a través de una vista del origen de datos, como se muestra aquí, podría calcular las entradas mediante programación y facilitárselas al modelo. Al recorrer todos los valores posibles, puede hallar la menor reducción en el tiempo de respuesta que garantiza el nivel de servicio de destino de cada turno.

Hay varias consultas de predicción diferentes que puede crear en este modelo. Por ejemplo, podría predecir cuántos operadores se necesitan para cumplir un cierto nivel de servicio o para responder a un cierto número de llamadas entrantes. Dado que puede incluir varias salidas en un modelo de regresión logística, es fácil experimentar con variables independientes y resultados diferentes sin tener que crear varios modelos distintos.

Notas

Los complementos de minería de datos para Excel 2007 ofrecen asistentes de regresión logística que facilitan el poder responder a cuestiones complejas, como cuántos operadores de nivel dos se necesitarían para mejorar el grado de servicio a un nivel determinado para un turno concreto. Los complementos de minería de datos se pueden descargar de forma gratuita e incluyen asistentes que se basan en los algoritmos de red neuronal y/o de regresión logística. Para obtener más información, vea los siguientes vínculos:

Conclusión

Ha aprendido a crear, personalizar e interpretar los modelos de minería de datos que se basan en los algoritmos de red neuronal y/o de regresión logística de Microsoft. Estos tipos de modelos son sofisticados y permiten una variedad casi infinita de análisis, y, por tanto, pueden ser complejos y difíciles de dominar. Herramientas como los gráficos basados en Excel y las tablas dinámicas que se proporcionan en el diseñador de vistas del origen de datos pueden ofrecer ayuda con las tendencias más marcadas que revelan los algoritmos y servir de ayuda para entender las tendencias que se detecten. Sin embargo, para apreciar completamente las características del modelo, tiene que explorar el análisis que proporciona y revisar los datos con cierta profundidad, yendo y viniendo entre el visor del modelo de minería de datos y otras herramientas para desarrollar completamente el conocimiento de las tendencias de los datos. Haciendo esto, puede desarrollar totalmente su comprensión de las tendencias de los datos.