Criando previsões para modelos de call center (Tutorial de mineração de dados intermediário)

Agora que aprendeu um pouco sobre as interações entre turnos, o número de operadores, as chamadas e a classificação do serviço, você está pronto para criar algumas consultas de previsão que podem ser usadas na análise e no planejamento empresarial. Primeiro, você criará algumas previsões com base no modelo exploratório para testar algumas suposições. Em seguida, você criará previsões em massa usando o modelo de regressão logística.

Esta lição pressupõe que você já esteja familiarizado com o conceito de consultas de previsão.

Criando previsões usando o modelo de rede neural

O exemplo a seguir demonstra como fazer uma previsão singleton usando o modelo de rede neural criado para exploração. As previsões singleton constituem um bom método para testar valores diferentes para visualizar o efeito no modelo. Neste cenário, você fará uma previsão da classificação do serviço para o turno da meia-noite (sem dia da semana especificado), se houver seis operadores experientes em serviço.

Para criar uma consulta singleton usando-se o modelo de rede neural

1. No SSDT (Ferramentas de dados do SQL Server), abra a solução que contém o modelo que deseja usar.

2. No Designer de Mineração de Dados, clique na guia Previsão de Modelo de Mineração.

3. No painel Modelo de Mineração, clique em Selecionar Modelo.

4. A caixa de diálogo Selecionar Modelo de Mineração mostra uma lista das estruturas de mineração. Expanda a estrutura de mineração para exibir uma lista dos modelos de mineração associados a essa estrutura.

5. Expanda a estrutura de mineração Call Center Default e selecione o modelo de rede neural Call Center - LR.

6. No menu Modelo de Mineração, selecione Consulta Singleton.

   A caixa de diálogo Entrada de Consulta Singleton é exibida com colunas mapeadas para as colunas no modelo de mineração.

7. Na caixa de diálogo Entrada de Consulta Singleton, clique na linha de Shift e selecione midnight.

8. Clique na linha de Lvl 2 Operators e digite 6.

9. Na metade inferior da guia Previsão de Modelo de Mineração, clique na primeira linha da grade.

10. Na coluna Origem, clique na seta para baixo e selecione Função de previsão. Na coluna Campo, selecione PredictHistogram.

    Uma lista dos argumentos que você pode usar com essa função de previsão aparece automaticamente na caixa Critérios/Argumentos.

11. Arraste a coluna ServiceGrade da lista de colunas no painel Modelo de Mineração para a caixa Critérios/Argumentos.

    O nome da coluna é inserido automaticamente como o argumento. É possível escolher qualquer coluna de atributo previsível a ser arrastada para essa caixa de texto.

12. Clique no botão Alternar para a exibição do resultado da consulta no canto superior do Construtor de Consultas de Previsão.

Os resultados esperados contêm os valores previstos possíveis para cada classificação de serviço que recebeu essas entradas, junto com os valores de suporte e probabilidade para cada previsão. É possível retornar para a exibição design a qualquer momento e alterar as entradas ou adicionar mais entradas.

Criando previsões usando-se um modelo de regressão logística

Se você já souber os atributos pertinentes ao problema empresarial, poderá usar um modelo de regressão logística para prever o efeito de fazer alterações em alguns atributos. Regressão logística é um método estatístico comumente usado para fazer previsões com base nas alterações em variáveis independentes: Por exemplo, ela é usada em contagem financeira, para prever o comportamento do cliente com base na demografia.

Nesta tarefa, você irá aprender a criar uma fonte de dados a ser usada para previsões e, em seguida, fazer previsões para ajudar a responder várias perguntas comerciais.

Gerando dados usados para previsão em massa

Há muitas maneiras de fornecer dados de entrada: Por exemplo, você pode importar níveis de funcionários de uma planilha e executar esses dados por meio do modelo para prever a qualidade de serviço para o próximo mês.

Nesta lição, você usará o designer de Exibição da Fonte de Dados para criar uma consulta nomeada. Essa consulta nomeada é uma instrução Transact-SQL personalizada que, para cada turno da agenda, calcula o número máximo de operadores na equipe, o mínimo de chamadas recebidas ou o número médio de problemas gerados. Depois, você unirá esses dados em um modelo de mineração para fazer previsões sobre uma série de datas futuras.

Para gerar dados de entrada para uma consulta de previsão em massa

1. No Gerenciador de Soluções, clique com o botão direito do mouse em Exibições de Fonte de Dados e, em seguida, selecione Nova Exibição da Fonte de Dados.

2. No Assistente de Exibição da Fonte de Dados, selecione Adventure Works DW Multidimensional 2012 como a fonte de dados e, em seguida, clique em Avançar.

3. Na página Selecionar Tabelas e Exibições, clique em Avançar sem selecionar nenhuma tabela.

4. Na página Concluindo o Assistente, digite o nome Turnos.

   Esse nome será exibido no Gerenciador de Soluções como o nome da exibição da fonte de dados.

5. Clique com o botão direito do mouse no painel de design vazio e selecione Nova Consulta Nomeada.

6. Na caixa de diálogo Criar Consulta Nomeada, em Nome, digite Turnos por Call Center.

   Esse nome aparecerá no designer da Exibição da Fonte de Dados somente como o nome da consulta nomeada.

7. Cole a instrução de consulta a seguir no painel de texto SQL na metade inferior da caixa 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(IssuesRaised) as AvgIssues, MIN(IssuesRaised) as MinIssues, MAX(IssuesRaised) as MaxIssues
   FROM dbo.FactCallCenter
   GROUP BY Shift, WageType
   

8. No painel de design, clique com o botão direito do mouse na tabela, Shifts for Call Center, e selecione Explorar Dados para visualizar os dados retornados pela consulta T-SQL.

9. Clique com o botão direito do mouse na guia Shifts.dsv (Design) e, em seguida, clique em Salvar para salvar a nova definição de exibição da fonte de dados.

Prevendo a métrica de serviço para cada turno

Agora que alguns valores foram gerados para cada turno, você usará esses valores como entrada para o modelo de regressão logística que criará, para gerar algumas previsões que podem ser usadas no planejamento dos negócios.

Para usar o novo DSV como entrada para uma consulta de previsão

1. No Designer de Mineração de Dados, clique na guia Previsão de Modelo de Mineração.

2. No painel Modelo de Mineração, clique em Selecionar Modelo e escolha Call Center - LR na lista de modelos disponíveis.

3. No menu Modelo de Mineração, desmarque a opção Consulta Singleton. Um aviso informa que as entradas de consulta singleton serão perdidas. Clique em OK.

   A caixa de diálogo Entrada de Consulta Singleton será substituída pela caixa de diálogo Selecionar Tabela(s) de Entrada.

4. Clique em Selecionar Tabela de Casos.

5. Na caixa de diálogo Selecionar Tabela, selecioneShifts na lista de fontes de dados. Na lista Nome da Tabela/Exibição, selecione Shifts for Call Center (talvez essa opção tenha sido selecionada automaticamente) e clique em OK.

   A superfície de design Previsão de Modelo de Mineração é atualizada para mostrar mapeamentos criados com base nos nomes e nos tipos de dados de colunas nos dados de entrada e no modelo.

6. Clique com o botão direito do mouse em uma das linhas de junção e, em seguida, selecione Modificar Conexões.

   Nessa caixa de diálogo, é possível ver exatamente quais colunas são mapeadas e quais não são. O modelo de mineração contém colunas para Calls, Orders, IssuesRaised, and LvlTwoOperators, que podem ser mapeados para qualquer uma das agregações criadas com base nessas colunas na fonte de dados. Nesse cenário, o mapeamento será realizado para as médias.

7. Clique na célula vazia ao lado de LevelTwoOperators e selecione Shifts for Call Center.AvgOperators.

8. Clique na célula vazia ao lado de Calls e selecione Shifts for Call Center.AvgCalls. e clique em OK.

Para criar as previsões para cada turno

1. Na grade na metade inferior do Construtor de Consultas de Previsão, clique na célula vazia em Origem e, depois, selecione Shifts for Call Center.

2. Na célula vazia em Campo, selecione Shift.

3. Clique na próxima linha vazia na grade e repita o procedimento descrito acima para adicionar outra linha para WageType.

4. Clique na próxima linha vazia na grade. Na coluna Origem, selecione Função de Previsão. Na coluna Campo, selecione Prever.

5. Arraste a coluna ServiceGrade do painel Modelo de Mineração até a grade e para a célula Critérios/Argumento. No campo Alias, digite Classificação de Serviço Prevista.

6. Clique na próxima linha vazia na grade. Na coluna Origem, selecione Função de Previsão. Na coluna Campo, selecione PredictProbability.

7. Arraste a coluna ServiceGrade do painel Modelo de Mineração até a grade e para a célula Critérios/Argumento. No campo Alias, digite Probabilidade.

8. Clique em Alternar para a exibição de resultado da consulta para exibir as previsões.

A tabela a seguir mostra exemplos de resultados para cada turno.

Prevendo o efeito do tempo de reposta reduzido na classificação de serviço

Você gerou alguns valores de média para cada turno e usou esses valores como entrada para o modelo de regressão logística. No entanto, como o objetivo comercial é manter a taxa de abandono na faixa de 0,00-0,05, os resultados não são encorajadores.

Por isso, com base no modelo original, que mostrava uma forte influência do tempo de resposta na classificação do serviço, a equipe de Operações opta por executar algumas previsões para avaliar se a redução do tempo médio de resposta para chamadas poderia melhorar a qualidade do serviço. Por exemplo, se você diminuísse o tempo de resposta da chamada para 90 ou até mesmo 80 por cento do tempo atual, o que aconteceria com os valores de classificação de serviço?

É fácil criar uma exibição de fonte de dados (DSV) que calcule os tempos médios de resposta para cada turno e adicionar colunas para calcular 80% ou 90% do tempo médio de resposta. Assim, você pode usar a DSV como entrada para o modelo.

Embora as etapas exatas não sejam mostradas aqui, a tabela a seguir compara os efeitos na classificação de serviço quando você reduz os tempos de resposta para 80% ou 90% dos tempos de resposta atuais.

Destes resultados, você poderia concluir que nos turnos alvo você deve reduzir o tempo de resposta em 90 por cento da taxa atual para melhorar a qualidade de serviço.

Há várias consultas de previsão que podem ser criadas com base nesse modelo. Por exemplo, você pode prever quantos operadores são obrigatórios para atender a um determinado nível de serviço ou um certo número de chamadas de entrada. Como é possível incluir várias saídas em um modelo de regressão logística, é fácil testar variáveis independentes diferentes e resultados, sem a necessidade de criar muitos modelos separados.

Comentários

Os Suplementos de Mineração de Dados para Excel 2007 fornecem assistentes de regressão logística que facilitam a resposta de perguntas complexas, como quantos Operadores de Nível Dois seriam obrigatórios para melhorar a classificação do serviço visando um nível de destino para um turno específico. Os suplementos de mineração de dados são um download gratuito e incluem assistentes baseados nos algoritmos de rede neural ou regressão logística. Para obter mais informações, consulte os seguintes links:

• SQL Server 2005 Data Mining Add-Ins for Office 2007: Análise dos cenários E se e Atingir meta

• SQL Server 2008 Data Mining Add-Ins for Office 2007: Análise do cenário Atingir Meta, análise do cenário E se e Cálculo de Previsão

Conclusão

Você aprendeu a criar, personalizar e interpretar modelos de mineração baseados nos algoritmos Rede Neural da Microsoft e Regressão Logística da Microsoft. Esses tipos de modelos são sofisticados e permitem uma variedade quase infinita em análise e, portanto, podem ser complexos e difíceis de dominar.

Porém, esses algoritmos podem iterar por muitas combinações de fatores e identificar automaticamente as correlações mais fortes, fornecendo suporte estatístico para dados que seriam muito difíceis de descobrir por exploração manual de dados usando o Transact-SQL ou até mesmo o PowerPivot.

Consulte também

Conceitos

Exemplos de consulta de modelo de regressão logística

Algoritmo Regressão Logística da Microsoft

Algoritmo Rede Neural da Microsoft

Exemplos de consulta de modelo de rede neural