• Artigo

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

Agora que você aprendeu um pouco sobre as interações entre turnos, dia da semana, número de chamadas e pedidos, e classificação do serviço, é hora de 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 está familiarizado com o modo como 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), caso seis operadores experientes estejam de serviço.

Para criar uma consulta singleton usando o modelo de rede neural

  1. No Business Intelligence Development Studio, abra a solução que contém 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 apresenta uma lista de 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 e selecione o modelo de mineração Call Center - NN.

  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. Clique na coluna Origem 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 e solte-a na caixa Critérios/Argumentos.

    O nome da coluna é inserido automaticamente como o argumento. Você pode descartar qualquer coluna de atributo previsível nessa 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. Você pode retornar para a exibição design a qualquer momento e alterar as entradas ou adicionar mais entradas.

Criando previsões usando um modelo de regressão logística

Embora você possa criar previsões usando um modelo de rede neural, geralmente, 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 da alteração de variáveis independentes específicas. Em geral, a regressão logística é usada em cenários como pontuação financeira, por exemplo, para prever o comportamento do cliente com base nas informações demográficas dele ou outros atributos.

Nesta tarefa, você aprenderá a criar uma fonte de dados que será usada para previsões e fará previsões para ajudar a responder várias perguntas comerciais.

Gerando dados usados para previsão em massa

Para este cenário, primeiro você criará uma exibição agregada da fonte de dados que poderá ser usada para fazer previsões em massa e depois juntará esses dados a um modelo de mineração em uma consulta de previsão. Há muitas maneiras de fornecer dados de entrada: por exemplo, você pode importar níveis equipe de uma planilha ou fornecer os valores programaticamente. Aqui, em prol da simplicidade, 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 da Fonte de Dados e selecione Nova Exibição da Fonte de Dados.

  2. No Assistente de Exibição da Fonte de Dados, selecione AdventureWorks DW 2008 como a fonte de dados e 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 aparecerá 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. 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 clique em Salvar para salvar a nova definição de exibição de 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 no botão 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 pelo Analysis Services com base nos nomes e 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 selecione Modificar Conexões.

    Nessa caixa de diálogo, você pode visualizar exatamente quais colunas são mapeadas e quais não são. O modelo de mineração contém colunas para Calls, Orders, IssuesRaised e LvlTwoOperators, que você pode mapear para quaisquer agregados criados com base nessas colunas na fonte de dados. Para este cenário, o mapeamento será realizado para as médias.

  7. Clique na célula vazia ao lado de LevelTwoOperators e selecione Turnos para Call Center.AvgOperators.

  8. Clique na célula vazia ao lado de Calls e selecione Turnos para Call Center.AvgCalls. 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 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 recém-descrito para adicionar outra linha a WageType.

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

  5. Arraste a coluna ServiceGrade do painel Modelo de Mineração para baixo na grade e arraste-a para a célula Critérios/Argumentos. No campo Alias, digite Classificação de Serviço Prevista.

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

  7. Novamente, arraste a coluna ServiceGrade do painel Modelo de Mineração para baixo na grade e arraste-a 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 um exemplo de resultados para cada turno.

Deslocamento

WageType

Classificação de Serviço Prevista

Probabilidade

AM

feriado

0.109136059911771

0.988372093023256

meia-noite

feriado

0.102997190221556

0.988372093023256

PM1

feriado

0.118717846218269

0.988372093023256

PM2

feriado

0.129285352721855

0.988372093023256

AM

dia útil

0.0818812064002576

0.988372093023256

meia-noite

dia útil

0.0708461247735892

0.988372093023256

PM1

dia útil

0.0902827481812303

0.988372093023256

PM2

dia útil

0.101794450305237

0.988372093023256

Prevendo o efeito do tempo da chamada no nível de serviço

Seu objetivo comercial original era determinar maneiras de manter a taxa de abandono dentro do intervalo designado de 0.00-0.05. O modelo de rede neural que você desenvolveu para a exploração indicou que aquele tempo de resposta de chamada influencia fortemente a classificação do serviço. Portanto, a equipe de Operações decide executar algumas previsões para avaliar se uma redução no tempo de resposta de chamada comum poderia melhorar classificação do serviço. Por exemplo, se você diminuir o tempo de resposta para a chamada em 90% ou até mesmo 80% do tempo atual, o que acontecerá?

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 alguma porcentagem desse tempo de resposta médio. Assim, você pode usar a DSV como entrada para o modelo.

Por exemplo, a tabela a seguir mostra os resultados de uma consulta de previsão que assume como entrada três tempos de resposta diferentes: a média dos dados reais, um valor que representa 90% do valor real e um valor que representa 80% do tempo de resposta da média de chamada.

Nesses resultados, o primeiro conjunto de previsões de cada coluna representa a classificação do serviço previsto e o segundo conjunto de números (entre parênteses) representa a probabilidade do valor previsto. Com base nesses resultados você pode concluir que a solução mais economicamente eficaz seria tentar reduzir o tempo de resposta em 90%.

Deslocamento

WageType

Tempo de resposta de chamada médio por turno

Reduzir o tempo de resposta para 90% do tempo atual

Reduzir o tempo de resposta para 80% do tempo atual

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 necessários para atender um certo nível de serviço ou para responder a 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 responder perguntas complexas, como quantos Operadores de Nível Dois seriam necessários 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 oferecer suporte para as tendências mais sólidas detectadas pelos algoritmos e podem ajudá-lo a entender as tendências descobertas. No entanto, para apreciar completamente os critérios do modelo, talvez seja necessário explorar a análise fornecida pelo modelo e examinar os dados um pouco mais detalhadamente, alternando entre o Visualizador do Modelo de Mineração personalizado e outras ferramentas para desenvolver totalmente seu entendimento das tendências nos dados.

Histórico de alterações

Conteúdo atualizado

Correção dos nomes dos modelos de mineração em previsões e instruções DDL para que correspondam ao cenário atualizado.

Correção do nome de coluna para Problemas. Atualização dos resultados de exemplo para usar um modelo que inclui DayOfWeek. Adição da explicação do cenário de previsão final.