Tarkasteltavien muuttujien valinta

Osa parametreista oli kokonaan nollaa (esimerkiksi Ovrflw), joten jätin ne heti tarkastelun ulkopuolelle. Jäljellejääneillä parametreilla opetun kartan komponenttitasoesitys on kuvassa 4.1. Vertailun vuoksi kartta on esitetty sekä harmaasävy- että väriesityksenä.

   

Figure: Raakadatalla opetettu $22 \times 10$ yksikön kartta. Data (1080 vektoria) on skaalattu varianssin normalisoinnilla, mutta kuvan asteikot on takaisinskaalattu vastaamaan alkuperäistä asteikkoa. Kuvasta huomaa, miten värien avulla eri arvot erottaa selvästi harmaasävyesitystä paremmin komponenttitasoilla. Komponenttitasoista voi huomata esimerkiksi alueen, jolloin palvelu on ollut syystä tai toisesta suljettu (punainen läiskä parametrin Logged komponenttitasossa oikeassa yläkulmassa). 

Osa parametreista on asiallisesti päällekkäisiä, esimerkiksi AveCallL on summa odotusajasta AveAnsTime ja palveluajasta AveConvTime, osa korreloi muuten voimakkaasti (esimerkiksi MaxAnsTime ja AveAnsTime, minkä voi todeta myös kuvan 4.1 komponenttitasoesityksistä), jolloin toinen on turha. Muutama muuttuja on yleensä häviävän pieni ja edustaa harvinaista tapausta (Busy ja Redir) tai yksinkertaisesti tuntui alustavaa analyysia varten liian erityislaatuiselta (kaikki ei-ACD-puheluihin ja nauhoitteisiin liittyvät parametrit). Jonon pituus olisi tietysti keskeinen parametri, mutta se on näyteväliin nähden liian nopeasti vaihteleva. Päätin jättää sen pois, sillä se ei ole kovin informatiivinen: normaaliliikenteessä se on aina lähellä nollaa.

Parametrien ylenpalttisuuden lisäksi ongelma on selvästi se, että absoluuttisista arvoista on hankala vetää mitään johtopäätöksiä. Komponenttitasojen perusteella paljastuu itsestäänselvyyksiä: vastattujen puheluiden määrä kasvaa, kun puheluiden määrä kasvaa, mutta missä suhteessa? Olisi mielekkäämpää esittää esimerkiksi vastausprosentti vastattujen puheluiden määrän asemesta.

Opetin uuden kartan seuraavilla parametreilla. Summaus- ja keskiarvoistusväli on alennettu puoleen tuntiin, sillä komponentteja on paljon vähemmän, joten vektorien määrää voi kasvattaa opetusajan venymättä liian pitkäksi. Prosenttiluvut eivät ole peräisin alkuperäisestä datasta, vaan ne on laskettu jälkikäteen.

Arr puhelujen määrä (puolta tuntia kohden)
Logged agenttien määrä
AveAnsTime keskimääräinen vastausaika
AveConvTime keskimääräinen puheaika
Ans% vastausprosentti (Ans/Arr)
Idle% puhumattomien agenttien osuus (Idle/Logged)
AnsBef% vastattu alle 10 sekunnissa/saapuneet puhelut
AbnBef% luopunut alle 10 sekunnissa/saapuneet puhelut

Uusi komponenttitasoesitys on kuvassa 4.2, josta voi jo nähdä helposti kartalla alueen, jolla menee hyvin ts. vastausprosentti on yli 90% (vasen yläkulma). Oikeasta alakulmasta ylöspäin on selvästi alue, jossa soittajat tavallista useammin luopuvat nopeasti. Aivan äärimmäisessä oikeassa alakulmassa on alue, jossa vastausaika on keskimäärin hyvin pitkä. Yleisvaikutelmana komponenttitasoja tutkittaessa on, että järjestelmä toimii niin kuin odottaisikin: jos esimerkiksi vastaus viipyy kauan, vastausprosentti alenee jne. Olisi keskityttävä tutkimaan ilmiöitä, jotka ovat jotenkin erikoisia.

  

Figure: Puolen tunnin aikakeskiarvoilla opetettu $24 \times 13$ yksikön kartta. Datassa on 2052 vektoria, jotka on skaalattu varianssin normalisoinnilla. Väripalkkien asteikot ovat takaisinskaalattuja. Huomaa: prosenttiosuutta kuvaavissa asteikoissa $1.0=100\%$