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

Ahora que ha aprendido algo sobre las interacciones entre turnos, el número de operadores, llamadas y nivel de servicio, está listo para crear algunas consultas de predicción que se pueden usar en el análisis y la planificación empresariales. Primero creará algunas predicciones en el modelo exploratorio para probar algunas suposiciones. A continuación, creará predicciones masivas mediante el modelo de regresión logística.

En esta lección se supone que ya está familiarizado con el concepto de consultas de predicción.

Creación de predicciones mediante el modelo de red neuronal

En el ejemplo siguiente se muestra cómo realizar una predicción singleton mediante el modelo de red neuronal que se creó para la exploración. Las predicciones singleton son una buena manera de probar valores diferentes para ver el efecto en el modelo. En este escenario, predecirá el grado de servicio para el turno de medianoche (ningún día de la semana especificado) si seis operadores experimentados están en servicio.

Para crear una consulta de tipo singleton usando un modelo basado en redes neuronales

1. En SQL Server Data Tools (SSDT), abra la solución que contiene el modelo que desea usar.

2. En el Diseñador de minería de datos, haga clic en la pestaña Predicción de modelos de minería.

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

4. El cuadro de diálogo Seleccionar modelo de minería muestra una lista de estructuras de minería. Expanda la estructura de minería de datos para ver una lista de modelos de minería de datos asociados a 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, seleccione Consulta individual.

   Aparece la ventana de diálogo Entrada de consulta Singleton con las columnas asignadas al modelo de minería.

7. En el cuadro de diálogo Entrada de consulta singleton , haga clic en la fila de Mayús y, a continuación, seleccione medianoche.

8. Haga clic en la fila de Operadores de Nivel 2 y escriba 6.

9. En la mitad inferior de la pestaña Predicción del Modelo de Minería, 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.

    Aparece automáticamente una lista de argumentos que puede usar con esta función de predicción en el cuadro Criterios/Argumentos .

11. Arrastre la columna ServiceGrade de la lista de columnas del panel Modelo de minería de datos al cuadro Criterios y 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 la vista de resultados de la consulta, en la esquina superior del Generador de consultas de predicción.

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

Creación de predicciones mediante un modelo de regresión logística

Si ya conoce los atributos que son relevantes para el problema empresarial, puede usar un modelo de regresión logística para predecir el efecto de realizar cambios en algunos atributos. La regresión logística es un método estadístico que se usa normalmente para realizar predicciones basadas en cambios en variables independientes: por ejemplo, se usa en la puntuación financiera, para predecir el comportamiento del cliente en función de los datos demográficos del cliente.

En esta tarea, aprenderá a crear un origen de datos que se usará para las predicciones y, a continuación, a realizar predicciones para ayudar a responder a varias preguntas empresariales.

Generación de datos usados para la predicción masiva

Hay muchas maneras de proporcionar datos de entrada: por ejemplo, puede importar niveles de personal de una hoja de cálculo y ejecutar esos datos a través del modelo para predecir la calidad del servicio durante el próximo mes.

En esta lección, usará el diseñador de vistas del origen de datos para crear una consulta con nombre. Esta consulta con nombre es una instrucción de Transact-SQL personalizada que, para cada turno en el horario, calcula el número máximo de operadores en la plantilla, las llamadas mínimas recibidas y el número medio de problemas que se generan. Después, combinará esos datos con un modelo de minería para realizar predicciones sobre una serie de fechas futuras.

Para generar datos de entrada para una consulta de predicción masiva

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

2. En el Asistente para vista del origen de datos, seleccione Adventure Works DW Multidimensional 2012 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 nombreShifts.

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

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

6. En el cuadro de diálogo Crear consulta con nombre , en Nombre, escriba Shifts for Call Center.

   Este nombre aparecerá en el diseñador de vistas para el origen de datos solo como el nombre de la consulta nombrada.

7. Pegue la siguiente instrucción de consulta en el panel de texto SQL de 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(IssuesRaised) as AvgIssues, MIN(IssuesRaised) as MinIssues, MAX(IssuesRaised) as MaxIssues  
   FROM dbo.FactCallCenter  
   GROUP BY Shift, WageType  
   

8. En el panel de diseño, haga clic con el botón derecho en la tabla, Turnos para el centro de llamadas, y seleccione Explorar datos para obtener una vista previa de los datos tal y como los devuelve la consulta T-SQL.

9. Haga clic con el botón derecho en la pestaña Shifts.dsv (Diseño) y, a continuación, haga clic en Guardar para guardar la nueva definición de vista del origen de datos.

Predicción de métricas de servicio para cada turno

Ahora que ha generado algunos valores para cada turno, usará esos valores como entrada para el modelo de regresión logística que ha creado, para generar algunas predicciones que se pueden usar en el planeamiento empresarial.

Para usar el nuevo DSV como entrada para una consulta de predicción

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

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

3. En el menú Modelo de minería, desmarque la opción Consulta Singleton. Una advertencia indica que se perderán las entradas de consulta singleton. Haz clic en Aceptar.

   El cuadro de diálogo Entrada de consulta singleton se reemplaza por el cuadro de diálogo Seleccionar tablas de entrada .

4. Haga clic en Seleccionar tabla de casos.

5. En el cuadro de diálogo Seleccionar tabla, seleccione Shifts en la lista de orígenes de datos. En la lista Nombre de tabla o vista , seleccione Turnos para el Centro de llamadas (podría seleccionarse automáticamente) y, a continuación, haga clic en Aceptar.

   La superficie de diseño de Predicción del Modelo de Minería se actualiza para mostrar las asignaciones creadas en función de los nombres y tipos de datos de las columnas de los datos de entrada y del modelo.

6. Haga clic con el botón derecho en una de las líneas de combinación y seleccione Modificar conexiones.

   En este cuadro de diálogo, puede ver exactamente qué columnas están asignadas y cuáles no. El modelo de minería de datos contiene columnas para Llamadas, Pedidos, Problemas planteados y Operadores de Nivel Dos, que puede asignar a cualquiera de los agregados que creó basados en estas columnas en los datos de origen. En este escenario, mapearás a los promedios.

7. Haga clic en la celda vacía junto a LevelTwoOperators y seleccione Turnos para el Centro de llamadas.AvgOperators.

8. Haga clic en la celda vacía junto a Llamadas, seleccione Turnos para el Centro de llamadas.AvgCalls. y, a continuación, 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 en Origen, y a continuación, seleccione Turnos del Centro de Llamadas.

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

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

4. Haga clic en la siguiente línea vacía de la cuadrícula. En la columna Origen , seleccione Función de predicción. En la columna Campo , seleccione Predecir.

5. Arrastre la columna ServiceGrade desde el panel Modelo de Minado de datos hasta la cuadrícula y hasta la celda Criterios/Argumento. En el campo Alias , escriba Nivel de servicio de predicción.

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

7. Arrastre la columna ServiceGrade desde el panel Modelo de minería hacia abajo hasta la cuadrícula, y colóquela en la celda Criterios/Argumento. En el campo Alias , escriba Probabilidad.

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

En la tabla siguiente se muestran los resultados de ejemplo de cada turno.

Predicción del efecto del tiempo de respuesta reducido en el nivel de servicio

Ha generado algunos valores promedio para cada turno y ha usado esos valores como entrada para el modelo de regresión logística. Sin embargo, dado que el objetivo empresarial es mantener la tasa de abandono dentro del intervalo 0,00-0,05, los resultados no son estimulantes.

Por lo tanto, en función del modelo original, que mostró una fuerte influencia del tiempo de respuesta en el nivel de servicio, el equipo de operaciones decide ejecutar algunas predicciones para evaluar si reducir el tiempo medio para responder a las llamadas podría mejorar la calidad del servicio. Por ejemplo, si corta el tiempo de respuesta de la llamada al 90 por ciento o incluso al 80 por ciento del tiempo de respuesta de la llamada actual, ¿qué ocurriría con los valores de nivel de servicio?

Es fácil crear una vista de origen de datos (DSV) que calcule los tiempos de respuesta promedio para cada turno y, a continuación, agregue columnas que calculen 80% o 90% del tiempo medio de respuesta. A continuación, puede usar DSV como entrada para el modelo.

Aunque los pasos exactos no se muestran aquí, en la tabla siguiente se comparan los efectos en el grado de servicio cuando se reducen los tiempos de respuesta a 80% o a 90% de los tiempos de respuesta actuales.

A partir de estos resultados, puede concluir que, en los turnos dirigidos, debe reducir el tiempo de respuesta al 90 % de la tasa actual para mejorar la calidad del servicio.

Hay una variedad de otras consultas de predicción que puede crear en este modelo. Por ejemplo, podría predecir cuántos operadores son necesarios para cumplir un determinado nivel de servicio o para responder a un determinado número de llamadas entrantes. Dado que puede incluir varias salidas en un modelo de regresión logística, es fácil experimentar con diferentes variables independientes y resultados sin tener que crear muchos modelos independientes.

Observaciones

La herramienta Data Mining Add-Ins para Excel 2007 proporciona asistentes para regresión logística que facilitan la respuesta a preguntas complejas, como cuántos operadores de Nivel Dos serían necesarios para mejorar el nivel de servicio a un nivel objetivo para un turno específico. Los complementos de minería de datos son una descarga gratuita e incluyen asistentes basados en la red neuronal o algoritmos de regresión logística. Para obtener más información, consulte los siguientes vínculos:

• SQL Server 2005 Data Mining Add-Ins para Office 2007: Búsqueda de Objetivo y Análisis de Escenarios 'Qué pasa si'

• SQL Server 2008 Data Mining Add-Ins for Office 2007: Análisis de Escenarios con Búsqueda de Objetivos, Análisis de Escenarios 'Qué Pasaría Si' y Calculadora de Predicciones

Conclusión

Ha aprendido a crear, personalizar e interpretar modelos de minería de datos basados en el algoritmo de red neuronal de Microsoft y en el algoritmo de regresión logística de Microsoft. Estos tipos de modelo son sofisticados y permiten una variedad casi infinita en el análisis y, por lo tanto, pueden ser complejas y difíciles de dominar.

Sin embargo, estos algoritmos pueden recorrer en iteración muchas combinaciones de factores e identificar automáticamente las correlaciones más fuertes, lo que proporciona compatibilidad estadística para obtener información que sería muy difícil de detectar a través de la exploración manual de datos mediante Transact-SQL o incluso PowerPivot.

Véase también

Ejemplos de consultas del modelo de regresión logística
Algoritmo de regresión logística de Microsoft
Algoritmo de red neuronal de Microsoft
Ejemplos de consultas del modelo de red neuronal