在面对以上问题时,我们通常是选取与此指标相关的其他历史数据来进行计算,确定目标值或及格线等问题的答案。但在进行上述计算时,我们通常也会遇到以下两个问题:
01相关数据不完整
02我们无法想到影响此指标的所有参数
以上的两个问题其实都可以归类为数据不完整,这个时候,我们就需要改变一下思路,使用一个整体的历史数据来进行计算,不再将它们区分成哪些原因,而是看成一个整体,计算一个概率或区间,使用回归分析中的逻辑回归方法,告诉我们一个概率的答案。
逻辑回归
逻辑回归是并不是回归,而是分类与预测算法中的一种,也是入门机器学习时学习的第一个算法。它不仅可以来预测相关数据的影响程度,还可以寻找影响其指标的因素有哪些。例如银行业使用逻辑回归来判断信誉达到多少时可以成为优质客户;在医学上用来判断蛀牙与刷牙、饮食习惯、年龄等影响之间的关系;以及电影行业为了保证收入,会调研社会群体中的平均年龄和性别比例,来安排不同类型电影的拍摄与上映等等。在呼叫中心行业,我们也可以使用逻辑回归来帮助我们进行以下工作:
在进行数据分析时,都需要一个前提:尽可能的获取所有与此有关的数据。所以我们在进行数据分析之前,需要先进行判断,此指标数据与我们要进行分析的指标数据之间,是否存在相关性。例如我们在分析气候异常与汽车尾气排放时,需要先判断汽车尾气排放与气候异常存在相关性,然后再计算确定尾气每排放多少会影响天气多少度。同样呼叫中心数据在分析时,也需要做这一步。
例如我们在分析服务水平如何能达标时(当然我们可以通过Erlang_C公式来计算,但大家应该都知道,Erlang_C公式是有缺陷的,公式无法考虑呼损,以及人力配备不足时计算结果会非常不准确),我们联想到缺勤、人员配备、AHT等可能会影响服务水平的达成,那我们需要使用相关性分析来判断以上数据是否与服务水平会有相关性,此时我们通常使用Excel中的CORREL函数来进行判断,CORREL函数也叫皮尔逊相关系数,计算的结果是在【-1,1】区间中的一个值,正数为正相关,负数为负相关,结果的绝对值越趋向于1或-1,表示相关性越强。
在确定出有相关性的指标后,我们就需要使用逻辑回归来判断其影响几率,较为限制的一点是,逻辑回归只可以判断其他数据“是、否”会影响本指标。
呼叫中心与客户关系管理专业委员会 版权所有 粤ICP备11022414号-7 电话:020-29886389
© CopyRight 2009-2013, ccm.gzoutsourcing.cn, Inc.All Rights Reserved.
广州服务外包公共服务平台:http://www.gzoutsourcing.cn/