Çağrı Merkezi modelini (Ara veri incelemesi Öğreticisi) keşfetme

Şimdi, hazırladığınız keşif modeli sağlanan aşağıdaki araçları kullanarak verilerinizi hakkında daha fazla bilgi için kullanabileceğiniz SQL Server Veri Akışı Araçları (SSDT).

• Microsoft Neural ağ Görüntüleyicisi**:** bu Görüntüleyici kullanılabilir Mining modeli Görüntüleyicisi sekmesini veri incelemesi Tasarımcısı ve etkileşimleri veri denemeniz yardımcı olmak için tasarlanmıştır.

• Microsoft genel içerik ağacı Görüntüleyicisi**:** bu standart Görüntüleyici desenleri hakkında derinlemesine ayrıntı sağlar ve istatistik keşfetti algoritması tarafından ne zaman üretileceğini modeli.

Microsoft Neural ağ Görüntüleyicisi

Görüntüleyiciyi üç bölmesi vardır — giriş, Çıkış, ve değişken.

Kullanarak Çıkış bölmesi, öngörülebilir özniteliği veya bağımlı değişkenin farklı değerlerinin seçebilirsiniz. Modelinizi Çoklu öngörülebilir öznitelikleri içeriyorsa, sen-ebilmek seçme özniteliği Çıkış özniteliği listesi.

Değişkenleri bölmesinde seçtiğiniz katkıda bulunan öznitelikler veya değişkenler açısından iki sonucu karşılaştırır. Renkli çubuklar görsel olarak ne kadar güçlü değişken hedef sonuçları etkiler gösterir. Ski lift skorları değişkenleri de görüntüleyebilirsiniz. Ski lift Puan incelemesi modeli türüne bağlı olarak farklı şekilde kullanıyor ama bu öznitelik için tahmini kullanırken iyileştirme modeli genellikle söyler hesaplanır.

Giriş bölmesi dışında çeşitli olasılık senaryolarını deneyin modeline influencers eklemenizi sağlar.

Çıkış bölmesi

Bu ilk model, hizmet notu nasıl çeşitli faktörler etkiler görmeye ilgilendi. Bunu yapmak için seçebilirsiniz Service Gradeçıkış özniteliklerini ve sonra karşılaştırın farklı düzeylerde dropdown aralığından seçerek hizmet listesinden listelerini değeri 1 ve değeri 2.

En düşük ve en yüksek hizmet dereceleri karşılaştırmak için

1. İçin değeri 1, en düşük değerleri aralığını seçin. Örneğin aralığı 0-0-0.7, en düşük terk oranları ve bu nedenle en iyi hizmeti temsil eder.

   [!NOT]

   Bu aralıkta tam değer modeli nasıl yapılandırdığınıza bağlı olarak değişebilir.

2. İçin değeri 2, en yüksek değerleri aralığını seçin. Örneğin, Aralık değeri ile >= 0,12 temsil yüksek terk oranları ve bu nedenle kötü hizmet notu. Diğer bir deyişle, bu değişim sırasında aradı müşterilerin % 12'si bir temsilcisiyle konuşma önce kapattı.

   İçeriğini değişkenleri bölmesi, sonucu değerlerine katkıda öznitelikleri karşılaştırmak için güncelleştirilir. Bu nedenle, sol sütun, hizmeti en iyi notu ile ilişkili öznitelikleri gösterir ve sağ sütunda, hizmeti en kötü notu ile ilişkili öznitelikleri gösterir.

Değişkenleri bölmesini kullanma

Bu modelde, göründüğü Ortalama Saat başına çıkış önemli bir etkendir. Bu değişken, arama, çağrı türü ne olursa olsun cevap için geçen ortalama süreyi gösterir.

Görüntülemek ve olasılık kopyalamak ve bir öznitelik için Puanlar kaldırın

1. İçinde değişkenleri bölmesi, ilk satırda renkli bir çubuk üzerinde fare duraklatın.

   Bu renkli bir çubuk, ne kadar güçlü gösterir Ortalama Saat başına çıkış doğru hizmet notu katkıda bulunur. Araç İpucu genel puanı, olasılıklar ve her birleşimi bir değişken ve hedef sonucu lift skorları gösterir.

2. İçinde değişkenleri bölmesi, sağ herhangi bir renkli bar ve seçin kopya.

3. Bir Excel çalışma sayfasındaki herhangi bir hücreyi sağ tıklatın ve seçin Yapıştır.

   Rapor, html tablo olarak yapıştırılır ve her çubuk sadece skorları gösterir.

4. Farklı bir Excel çalışma sayfasındaki herhangi bir hücreyi sağ tıklatın ve seçin Özel Yapıştır.

   Rapor, metin biçimi olarak yapıştırılır ve bir sonraki bölümde açıklanan ilgili istatistikleri içerir.

Giriş bölmesini kullanma

Eğer shift veya işleç sayısı gibi belirli bir faktör etkisi bakarak ilgilenen varsayalım. Sen-ebilmek seçme belirli bir değişken kullanarak giriş bölmesi ve değişkenleri bölmesi, iki önceden seçilen grupları, belirtilen değişken verilen karşılaştırmak için otomatik olarak güncelleştirilir.

Giriş öznitelikleri değiştirerek hizmet notu üzerindeki etkisini incelemek için

1. İçinde giriş bölmesi için özniteliğiseçin Shift.

2. İçin değeri, am seçin.

   Değişkenleri bölmesinde güncelleştirmeleri vardiya IS modelinde etkisini göstermek için. Tüm diğer seçimler aynı kalır — hala en düşük ve en yüksek hizmet dereceleri karşılaştırıyorsunuz.

3. İçin değeri, PM1 seçin.

   Değişkenleri vardiya değiştiğinde model üzerinde etkisini göstermeye bölmesinde güncelleştirmeleri.

4. İçinde giriş bölmesi altında sonraki boş satırı tıklatın özniteliğive Calls. İçin değeri, en büyük aramaları gösterir aralığını seçin.

   Yeni bir giriş koşulu listesine eklenir. Değişkenleri bölmesinde güncelleştirmeleri arama hacmi yüksek olduğunda model için belirli bir geçiş etkisini göstermek için.

5. Değerleri değiştirmek devam Shiftve CallsSHIFT, arama hacmi ve hizmet notu arasındaki ilginç herhangi korelasyonlarını bulmak.

   [!NOT]

   Temizlemek için giriş bölmesini tıklatın, böylece farklı öznitelikler, kullanabileceğiniz Görüntüleyici içeriği Yenile.

Görüntüleyicide sağlanan istatistikleri yorumlama

Uzun bekleme süreleri, yüksek güçlü bir tahmin terk oranı, kötü hizmet notu anlamı vardır. Bu bariz bir sonuç görünebilir; Ancak incelemesi modeli bu eğilimleri yorumlamanıza yardımcı olmak için ek bazı istatistiki verilerle sağlar.

• Puan: Bu değişken sonuçlar arasında ayrımcılık için genel önemini gösteren değer. Yüksek skor, güçlü değişken sonucu üzerinde etkisi.

• Değeri 1: Bu değer bu sonucu için olasılık gösteren yüzde.

• Değeri 2: Bu değer bu sonucu için olasılık gösteren yüzde.

• Asansör için değer 1 ve için değer 2 Asansör: Bu özel değişken değeri 1 ve değer 2 sonuçlar oluşabileceğini için kullanarak etkisini gösteren puanları. Yüksek Puan daha iyi sonuçlar oluşabileceğini değişkendir.

Aşağıdaki tabloda bazı örnek değerler için üst influencers içerir. Örneğin, değeri 1 %60.6 olduğunu ve değeri 2 ise %8.30, o zaman anlam Average Time Per Issue44-70 dakika aralığında, shift ile en yüksek hizmet dereceleri (değeri 1) %60.6 olgu vardı ve vakaların % 8.30 idi de vardiya ile kötü hizmet dereceleri (değer 2).

Bu bilgilerden, bazı sonuçlara çizebilirsiniz. Kısa çağrı yanıt süresi (44-70 aralığında) kesinlikle daha iyi hizmet notu (aralığı 0.00-0,07) etkiler. Puanı (92.35) Bu değişken çok önemli olduğunu söylüyor.

Ancak katkıda bulunan faktörler listede aşağı bakmak gibi diğer bazı faktörler ile daha ince ve daha fazla yorumlamak zor sonuç görürsünüz. Örneğin, hizmet etkilemek için ÜSTKRKT görünür ancak bu vardiya önemli bir faktör değildir lift skorları ve göreceli olasılıklar gösteriyor.

Başa dön

Microsoft genel içerik ağacı Görüntüleyicisi

Bu Görüntüleyici, model işlendiğinde algoritması tarafından oluşturulan daha ayrıntılı bilgi görüntülemek için kullanılabilir. MicrosoftGenel içerik ağacı Görüntüleyicisi düğümleri, onda her düğüm öğrenilen bilgi hakkında eğitim verileri temsil eden bir dizi olarak incelemesi modeli temsil eder. Bu Görüntüleyici tüm modellerde kullanılabilir, ancak düğümlerin içeriklerinin modeli türüne bağlı olarak farklı.

Neural ağ modeller veya logistic regresyon modelleri için sen-ebilmek bulmak marginal statistics nodeözellikle yararlı. Bu düğüm, veri değerleri dağılımı hakkında türetilen istatistikleri içerir. Bu bilgiler birçok t-sql sorguları yazmak zorunda kalmadan veri özetini elde etmek istiyorsanız yararlı olabilir. Marjinal istatistikleri düğüm değerleri önceki konudaki binning grafik elde edildi.

Veri değerleri özetini incelemesi modelinden elde edilir.

1. Veri incelemesi Tasarımcısı, içinde İncelemesi modeli Görüntüleyicisi sekmesini seçin <incelemesi model adını>.

2. Dan Viewer listesi, seçme Microsoft genel içerik ağacı Görüntüleyicisi.

   Sol ve sağ bölmede html tablosu düğüm hiyerarşisini göstermek için incelemesi modeli görünümünü yeniler.

3. İçinde Düğüm resim yazısı bölmesi adı 10000000000000000 olan düğümü tıklatın.

   Üstteki düğüm modeli, her zaman modeli kök düğümdür. Bir sinir ağı veya logistic regresyon modeli, hemen altında Marjinal istatistikleri düğüm düğümdür.

4. İçinde Düğüm Ayrıntılar bölmesi, satır NODE_DISTRIBUTION buluncaya dek aşağı kaydırın.

5. Aşağı NODE_DISTRIBUTION tablo değerleri neural ağ algoritması tarafından hesaplanan olarak dağıtım görüntülemek için kaydırma.

Bu veriler raporda kullanmak için seçer ve bilgileri belirli satırları kopyalayın veya düğümün tam içeriğini ayıklamak için aşağıdaki veri Mining Extensions (dmx) sorgu kullanabilirsiniz.

SELECT * 
FROM [Call Center EQ4].CONTENT
WHERE NODE_NAME = '10000000000000000'

SELECT * 
FROM [Call Center EQ4].CONTENT
WHERE NODE_NAME = '10000000000000000'

Bireysel yolları sinir ağı ve istatistiklerini görüntüleme gizli katmanından çapraz NODE_DISTRIBUTION tablo düğümü hiyerarşi ve ayrıntıları da kullanabilirsiniz. Daha fazla bilgi için, bkz. Neural ağ modeli sorgu örnekleri.

Başa dön

Ders sonraki görev

Logistic regresyon modeli çağrı merkezi yapısı (Ara veri incelemesi Öğreticisi) ekleme

Ayrıca bkz.

Görevler

Incelemesi modeli sütun Discretization Değiştir

Başvuru

Neural ağ modeller için içerik modeli mining (Analiz Hizmetleri - veri incelemesi)

Microsoft Neural ağ algoritması Teknik Başvurusu

Kavramlar

Neural ağ modeli sorgu örnekleri