• Artigo

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 a forma de usar o construtor de consultas de previsão. Para obter in formações gerais sobre como usar o Construtor de Consultas de Previsão, consulte Criando consultas de previsão DMX.

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 Business Intelligence Development Studio, abra a solução que contenha o modelo que você 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 Padrão de Call Center 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, em seguida, 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

Embora seja possível criar previsões usando-se um modelo de rede neural, normalmente, esse modelo é usado para exploração de relações complexas. 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 que é geralmente usado para fazer previsões com base em alterações em variáveis independentes: por exemplo, é usado em contagem financeira, para prever comportamento de clientes com base em demografia de clientes.

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

Nesta lição, primeiro você criará uma exibição agregada da fonte de dados que poderá ser usada para fazer previsões em massa e, em seguida, juntará esses dados a um modelo de mineração em uma consulta de previsão. Há muitas maneiras de fornecer dados de entrada: por exemplo, é possível importar níveis de equipe de uma planilha ou fornecer os valores programaticamente. Aqui, você usará o designer de Exibição da Fonte de Dados para criar uma consulta nomeada. Essa consulta nomeada é uma instrução T-SQL personalizada que cria agregados para cada turno, como o máximo de operadores, o mínimo de chamadas recebidas ou o número médio de problemas gerados.

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 DW2008R2 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 Shifts.

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

  8. Clique em OK..

  9. 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 conforme retornados pela consulta T-SQL.

  10. 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 várias previsões.

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, selecione Turnos na lista de fontes de dados. Na lista Nome da Tabela/Exibição, selecione Turnos por 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 pelo Analysis Services 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, Issues e LvlTwoOperators, que é possível mapear para qualquer um dos agregados criados com base nessas colunas na fonte de dados. Nesse cenário, o mapeamento será realizado para as médias.

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

  8. Clique na célula vazia próxima de Calls, selecione Shifts for Call Center.AvgCalls. e, em seguida, 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, em seguida, 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 a 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 para baixo na grade e para a célula Critérios/Argumento. No campo Alias, digite Predicted Service Grade.

  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 para baixo na grade e para a célula Critérios/Argumento. No campo Alias, digite Probability.

  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.

Turno

WageType

Classificação de Serviço Prevista

Probabilidade

AM

feriado

0.165

0.377520666

meia-noite

feriado

0.105

0.364105573

PM1

feriado

0.165

0.40056055

PM2

feriado

0.165

0.338532973

AM

dia útil

0.165

0.370847617

meia-noite

dia útil

0.08

0.352999173

PM1

dia útil

0.165

0.317419177

PM2

dia útil

0.105

0.311672027

Prevendo o efeito do tempo da chamada no nível de serviço

Você gerou alguns valores 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 classificação do serviço. Por exemplo, se você diminuísse o tempo de resposta da chamada para 90 ou mesmo 80 por cento do tempo atual, o que aconteceria?

É fácil criar uma DSV (exibição da fonte de dados) que calcule os tempos médios de resposta para cada turno. Também é possível adicionar facilmente colunas que contenham tempos que representem os valores de destino. Assim, você pode usar a DSV como entrada para o modelo.

A tabela a seguir mostra os resultados de uma consulta de previsão que usa três tempos de resposta diferentes como entrada. A consulta também retorna a probabilidade do valor previsto, de modo que você possa avaliar qual a probabilidade de a redução do tempo de resposta afetar a classificação do serviço.

Na tabela a seguir, o primeiro conjunto de números representa a classificação do serviço previsto e o segundo conjunto de números (em parênteses) representa a probabilidade do valor previsto. Com base nesses resultados, é possível concluir que vale a pena tentar reduzir o tempo de resposta para 90 por cento.

Shift

WageType

Average response time for shift

90 percent reduction in response time

Redução de 80% no tempo de resposta

AM

feriado

0.165 (0.366079388)

0.05 (0.457470875)

0.05 (0.610514425)

AM

dia útil

0.05 (0.341218694)

0.05 (0.475767776)

0.05 (0.60083244)

meia-noite

feriado

0.165 (0.337801273)

0.05 (0.413774655)

0.05 (0.545764101)

meia-noite

dia útil

0.05 (0.378241537)

0.05 (0.471615415)

0.05 (0.545614362)

PM1

feriado

0.165 (0.457871243)

0.165 (0.376892925)

0.05 (0.359440286)

PM1

dia útil

0.08 (0.299182047)

0.08 (0.363761441)

0.08 (0.40686473)

PM2

feriado

0.105 (0.325921785)

0.05 (0.392121793)

0.05 (0.521558758)

PM2

dia útil

0.105 (0.436051591)

0.105 (0.342589832)

0,05 (Y)

Além de fornecer os valores de entrada por meio de uma exibição da fonte de dados, conforme mostrado aqui, você pode calcular as entradas programaticamente e fornecê-las ao modelo. Com a iteração de todos os valores possíveis, você pode encontrar a menor redução no tempo de resposta que garanta o nível do serviço de destino para cada turno.

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 e/ou regressão logística. Para obter mais informações, consulte os seguintes links:

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. Ferramentas como gráficos baseados no Excel e tabelas dinâmicas fornecidas no designer Exibição da Fonte de Dados podem dar suporte a tendências mais sólidas detectadas pelos algoritmos e ajudar a compreender as tendências descobertas. No entanto, para apreciar por completo os aprofundamentos do modelo, talvez você precise explorar a análise fornecida pelo modelo e examinar os dados com alguma profundidade, alternando o Visualizador do Modelo de Mineração personalizado e as outras ferramentas. Assim, é possível desenvolver uma compreensão completa das tendências dos dados.