Explorando o modelo de call center (Tutorial de mineração de dados intermediário)

Agora que você criou o modelo exploratório, poderá usá-lo para saber mais sobre os dados utilizando as ferramentas a seguir fornecidas no SSDT (SQL Server Data Tools).

• Visualizador de Rede Neural da Microsoft**:** Este visualizador está disponível na guia Visualizador do Modelo de Mineração do Designer de Mineração de Dados e foi criado para ajudá-lo a testar as interações nos dados.

• Visualizador de Árvore de Conteúdo Genérica da Microsoft**:** Este visualizador padrão fornece detalhes sobre as estatísticas e os padrões descobertos pelo algoritmo durante a geração do modelo.

Visualizador de Rede Neural da Microsoft

O visualizador tem três painéis: Entrada, Saída e Variáveis.

Usando o painel Saída, você pode selecionar valores diferentes para o atributo previsível ou variável dependente. Se o modelo contiver vários atributos previsíveis, você poderá selecionar o atributo na lista Atributo de Saída.

O painel Variáveis compara os dois resultados escolhidos em termos de atributos de colaboração ou variáveis. As barras coloridas representam visualmente com que intensidade a variável afeta os resultados de destino. Você também pode exibir pontuações de comparação de precisão para as variáveis. Uma pontuação de comparação de precisão é calculada de modo diferente de acordo com o tipo de modelo de mineração utilizado, mas geralmente informa o aperfeiçoamento no modelo durante o uso desse atributo para previsão.

O painel Entrada lhe permite adicionar influenciadores ao modelo para testar vários cenários hipotéticos.

Usando o painel Saída

Neste modelo inicial, você está interessado em verificar como vários fatores afetam a classificação do serviço. Para fazer isso, selecione Service Grade na lista de atributos de saída e compare diferentes níveis de serviço selecionando intervalos nas listas suspensas para Valor 1 e Valor 2.

Para comparar as classificações de serviço mais baixa e mais alta

1. Para Valor 1, selecione o intervalo com os valores mais baixos. Por exemplo, o intervalo 0-0-0.7 representa as taxas de abandono mais baixas e, portanto, o melhor nível de serviço.

   Observação
   Os valores exatos nesse intervalo podem variar de acordo com a configuração do modelo.

2. Para Valor 2, selecione o intervalo com os valores mais altos. Por exemplo, o intervalo com o valor >=0.12 representa as taxas de abandono mais altas e, portanto, a pior classificação de serviço. Em outras palavras, 12% dos clientes que telefonaram durante esse turno desligaram antes de falar com um atendente.

   Os conteúdos do painel Variáveis são atualizados para comparar os atributos que colaboram para os valores resultantes. Assim, a coluna esquerda mostra os atributos associados à melhor classificação de serviço, e a coluna direita mostra o atributo associado à pior classificação do serviço.

Usando o painel Variáveis

Neste modelo, parece que o Tempo Médio por Emissão é um fator importante. Essa variável indica o tempo médio necessário para que uma chamada seja atendida, independentemente do tipo de chamada.

Para exibir e copiar a probabilidade e as pontuações de comparação de precisão para um atributo

1. No painel Variáveis, coloque o mouse sobre a barra colorida na primeira linha.

   Essa barra colorida mostra com que intensidade o Tempo Médio por Emissão colabora para a classificação do serviço. A dica de ferramenta mostra uma pontuação geral, as probabilidades e as pontuações de comparação de precisão para cada combinação de uma variável e um resultado de destino.

2. No painel Variáveis, clique com o botão direito do mouse em qualquer barra colorida e selecione Copiar.

3. Em uma planilha do Excel, clique com o botão direito do mouse em qualquer célula e selecione Colar.

   O relatório é colado como uma tabela HTML e mostra apenas as pontuações para cada barra.

4. Em outra planilha do Excel, clique com o botão direito do mouse em qualquer célula e selecione Colar Especial.

   O relatório é colado como formato de texto e inclui as estatísticas relacionadas descritas na próxima seção.

Usando o painel Entrada

Vamos supor que você esteja interessado em examinar o efeito de um determinado fator, como o turno ou o número de operadores. Você pode selecionar uma determinada variável usando o painel Entrada, e o painel Variáveis é atualizado automaticamente para comparar os dois grupos selecionados anteriormente de acordo com o valor especificado.

Para examinar o efeito na classificação de serviço alterando os atributos de entrada

1. No painel Entrada, para atributo, selecione Shift.

2. Para Valor, selecione AM.

   O painel Variáveis é atualizado para mostrar o impacto no modelo quando o turno é AM. Todas as outras seleções permanecem iguais — você ainda está comparando as classificações de serviço mais altas e mais baixas.

3. Em Valor, selecione PM1.

   O painel Variáveis é atualizado para mostrar o impacto no modelo quando o turno é alterado.

4. No painel Entrada, clique na próxima linha em branco sob Atributo e selecione Calls. Para Valor, selecione o intervalo que indica o maior número de chamadas.

   Uma nova condição de entrada é adicionada à lista. O painel Variáveis é atualizado para mostrar o impacto no modelo de um determinado turno quando o volume de chamada é o mais alto.

5. Continue para alterar os valores para Shift e Calls a fim de encontrar correlações interessantes entre o turno, o volume de chamadas e a classificação do serviço.

   Observação
   Para desmarcar o painel Entrada de forma que você possa usar atributos diferentes, clique Atualizar conteúdo do visualizador.

Interpretando as estatísticas fornecidas no visualizador

Tempos de espera mais longos constituem um fator importante para uma taxa de abandono alta, indicando uma classificação de serviço mais fraca. Essa pode ser considerada uma conclusão óbvia; no entanto, o modelo de mineração fornece mais alguns dados estatísticos adicionais para ajudar a interpretar essas tendências.

• Pontuação: valor que indica a importância geral dessa variável para discriminar entre os resultados. Quanto mais alta for a pontuação, maior o efeito da variável no resultado.

• Probabilidade do valor 1: porcentagem que representa a probabilidade desse valor para esse resultado.

• Probabilidade do valor 2: porcentagem que representa a probabilidade desse valor para esse resultado.

• Comparação de Precisão para o Valor 1 e Comparação de Precisão para o Valor 2: pontuações que representam o impacto de usar essa variável em particular para prever os resultados do Valor 1 e do Valor 2. Quanto mais alta for a pontuação, melhor será a variável para prever os resultados.

A tabela a seguir contém alguns valores de exemplo para os influenciadores principais. Por exemplo, a Probabilidade do valor 1 é 60,6% e a Probabilidade do valor 2 é 8,30%, o que significa que quando o Average Time Per Issue estava no intervalo de 44-70 minutos, 60,6% dos casos ocorreram no turno com as classificações de serviço mais altas (Valor 1), e 8,30% dos casos ocorreram no turno com as piores classificações de serviço (Valor 2).

Com base nessas informações, é possível estabelecer algumas conclusões. O menor tempo de resposta para chamada (o intervalo de 44-70) influencia fortemente a melhor classificação do serviço (o intervalo 0,00-0,07). A pontuação (92,35) informa que essa variável é muito importante.

Entretanto, à medida que você examina a lista de fatores contribuintes, percebe alguns outros fatores Por exemplo, o turno parece influenciar o serviço, mas as pontuações de comparação de precisão e as probabilidades relativas indicam que o turno não é um fator preponderante.

Voltar ao início

Visualizador de Árvore de Conteúdo Genérica da Microsoft

Este visualizador pode ser usado para exibir informações ainda mais detalhadas criadas pelo algoritmo durante o processamento do modelo. O Visualizador da Árvore de Conteúdo Genérica da Microsoft representa o modelo de mineração como uma série de nós, sendo que cada nó representa o conhecimento adquirido sobre os dados de treinamento. Esse visualizador pode ser usado com todos os modelos, mas o conteúdo dos nós é diferente de acordo com o tipo de modelo.

Para modelos de rede neural ou de regressão logística, talvez você ache o marginal statistics node particularmente útil. Esse nó contém estatísticas derivadas sobre a distribuição de valores nos dados. Essas informações poderão ser úteis se você quiser obter um resumo dos dados sem escrever muitas consultas T-SQL. O gráfico de valores de compartimento no tópico anterior foi derivado do nó de estatísticas marginais.

Para obter um resumo dos valores de dados do modelo de mineração

1. No Designer de Mineração de Dados, na guia Visualizador do Modelo de Mineração, selecione <nome do modelo de mineração>.

2. Na lista Visualizador, selecione Visualizador de Árvore de Conteúdo Genérica da Microsoft.

   A exibição do modelo de mineração é atualizada para mostrar uma hierarquia de nós no painel esquerdo e uma tabela HTML no painel direito.

3. No painel Legenda de Nó, clique no nó que tem o nome 10000000000000000.

   O nó na extremidade superior em qualquer modelo sempre é o nó raiz do modelo. Em um modelo de rede neural ou de regressão logística, o nó imediatamente sob esse é o nó de estatísticas marginais.

4. No painel Detalhes do Nó, role para baixo até encontrar a linha NODE_DISTRIBUTION.

5. Role para baixo pela tabela NODE_DISTRIBUTION para exibir a distribuição de valores conforme calculados pelo algoritmo de rede neural.

Para usar esses dados em um relatório, selecione e copie as informações para linhas específicas ou use a consulta DMX a seguir para extrair todo o conteúdo do nó.

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

Também é possível usar a hierarquia de nós e os detalhes na tabela NODE_DISTRIBUTION para desviar caminhos individuais na rede neural e exibir estatísticas da camada oculta. Para obter mais informações, consulte Exemplos de consulta de modelo de rede neural.

Voltar ao início

Próxima tarefa na lição

Adicionando um modelo de regressão logística à estrutura do call center (Tutorial de mineração de dados intermediário)

Consulte também

Tarefas

Alterar a diferenciação de uma coluna em um modelo de mineração

Referência

Conteúdo do modelo de mineração para modelos de rede neural (Analysis Services – Mineração de Dados)

Referência técnica do algoritmo Rede Neural da Microsoft

Conceitos

Exemplos de consulta de modelo de rede neural