Hajanaisen ja subjektiivisen arvion yhdistäminen järjestelmästä saatuun dataan

Tässä alaluvussa tarkastellaan uudempaa, 33 päivää käsittävää datajoukkoa. Tältä ajalta on käytössä pieni työpaikkakysely vastaajien subjektiivisesta kiireen tunnusta. Kysely haluttiin yhdistää järjestelmästä saatavaan dataan. Lisäksi data on homogeenisempaa, sillä järjestelmässä ei tänä aikana ole tapahtunut suuria vaihteluita. Vanhemmassa datajoukossa esiintyi runsaasti poikkeuspäiviä. Datajoukon homogeenisuus helpottaa syntyvän kuvauksen tulkintaa. Runsas määrä erikoistilanteita saattaa vääristää kuvaa järjestelmän toiminnasta yleensä.

Työpaikkakyselyssä pyydettiin kutakin vastaajaa rastittamaan jokaiselta tunnilta subjektiivinen kiireen tuntu kolmiportaisella asteikolla kiireetöntä-normaalia-kiireistä. Käyttökelpoisia vastauksia kertyi neljän päivän ajalta. Käsittelin vastaukset siten, että laskin kullekin tunnille jokaisen vastaustyypin suhteellisen osuuden.

Kyselystä ja järjestelmästä saadusta datasta tehtiin uusi opetusdata, jossa oli seuraavat komponentit:

Arr puhelujen määrä puolta tuntia kohden
Logged agenttien määrä
AveConvTime keskimääräinen puheaika
R_arr keskimääräinen käyttöaste
Ans% vastausprosentti
Idle% puhumattomien agenttien suhteellinen osuus
AbnBef% luopui ennen 10 sekunnin rajaa / saapuneet puhelut
L ''kiireetöntä''-vastausten osuus
M ''normaalia''-vastausten osuus
H ''kiireistä''-vastausten osuus

Niinä päivinä, joita kysely ei kattanut, parametrien L, M ja H paikalla datassa oli puuttuva arvo. Data keskiarvoistettiin jälleen puolen tunnin tarkkuuteen. Saman kyselyn perusteella saatu tuntikohtainen kiireellisyysarvio liittyi siis molempiin puolen tunnin näytteisiin. Komponentit L, M ja H maskattiin opetuksesta pois, jotta ne eivät vaikuttaisi kartan järjestymiseen. Perustelen menettelyä sillä, että ylimalkaisen kyselyn perusteella saadut arvot ovat kohtalaisen epäluotettavia verrattuna itse järjestelmästä saatuihin mittauksiin. Kartan järjestyminen kyselyn mukaan ei ole toivottavaa. Kun komponentit eivät vaikuta järjestymiseen, nähdään kartalta approksimaatio subjektiivisen kiireen tunnun funktiosta järjestelmän tilan suhteen. Jos kiireellisyyden tunteella ei ole yhteyttä prosessin parametreihin ja kyselyn tulosten annettaisiin vaikuttaa kartan järjestymiseen, satunnaiset kyselytulokset vain sekoittaisivat järjestelmästä mitattujen luotettavampien parametrien komponenttitasot. Tällöin järjestelmän toiminnan tulkitseminen olisi vain entistä hankalampaa.

Kiireen subjektiivisesta kokemisesta voitaisiin muodostaa yksi parametri. Yksinkertainen tapa olisi laskea joka tunnille painotettu kiireen tunnun keskiarvo, esimerkiksi $\hat{x}_{kiire}=[\mbox{0 1 2}]^T[\mbox{$L_{\%}$\space $M_{\%}$\space $H_{\%}$}]$, mutta tällöin menetettäisiin informaatio vastausten hajonnasta.

Karttaa käyttämällä saadaan kiireen tunnun odotusarvo approksimoitua koko dataa koskien naapurustofunktion levittäessä datavektorin vaikutusta karttayksiköihin. Odotusarvon approksimaatio kartan jossakin yksikössä on sitä luotettavampi, mitä enemmän dataa yksikön naapurustoon sattuu.

  

Figure: Kyselyn tuloksen yhdistäminen järjestelmän tilaan. Kartassa on $11 \times 9$ yksikköä ja datassa 627 vektoria, joista 76:een liittyy kyselystä saatua dataa. Data on skaalattu varianssin normalisoinnilla. Komponenttitasot on takaisinskaalattu. Kuva empty näyttää kyselyn aikaisen opetusdatan osumat kartalle. Kiireellinen alue osuu luonnollisen tuntuiseen paikkaan vasempaan alakulmaan; tulos yhdistyy järkevän tuntuisesti järjestelmän toimintaan. Komponenttitasoista voidaan nähdä myös mm. käyttöasteen ja joutoajan käänteinen riippuvuus.

Kuvassa 4.5 on esitetty datalla opetetun kartan komponenttitasot. Komponenttitasoista voidaan päätellä, että kyselyn perusteella arvioitu kiireen tuntu yhdistyy järkevästi ACD-järjestelmän tuottamaan dataan; pääsääntöisesti käyttöasteen noustessa kiireen tuntu kasvaa. Kiireellisyyttä ja normaalia tahtia kuvaavat komponentit ovat hallitsevia, kiireetön tila on harvinainen, ja liittyy lähinnä hyvin alhaiseen liikenneintensiteettiin oikeassa yläkulmassa. Erikoinen yksityiskohta on kartan vasemmassa yläkulmassa: kun soittajia jättäytyy nopeasti pois, nousee kiireettömyyden tunteen odotusarvo hieman ja komponentit M ja H pienenevät. Agenttien määrä ja käyttöaste ovat keskitasoa. Siihen kumpi on syy ja kumpi seuraus kartta ei tietenkään vastaa: soittajien nopea luopuminen ja vastausprosentin putoaminen ei välttämättä johdu kiireettömyyden tunnusta, vaan kiireettömyyden tuntu voi johtua siitä, ettei puheluita kerry jonoon. Joka tapauksessa kovin yksityiskohtaisten päätelmien tekeminen kyselydatan vähäisyyttä ajatellen on heikolla pohjalla.

Kuvassa 4.5 on esitetty myös kyselyn aikaisen datan osumat kartalle. Ne ovat kohtalaisen hyvin levittyneet kartan kaikkiin osiin. Oikean yläkulman hiljaisen liikenteen ja vähäisen agenttimäärän suhteellinen enemmistö johtuu ilmeisesti siitä, että kun palvelu sulkeutuu tai on juuri mennyt kiinni, saadaan muutamasta näytteestä nolladataa, joka kaikki kuvautuu tähän yksikköön. Jatkossa tällaisen datan poistamista voisi harkita, sillä jos kyseessä on selvästi poikkeuksellinen tilanne, voi siitä kerätty data aiheuttaa vääristymän erityisesti kartan hiljaista liikennettä ja vähäistä miehitystä kuvaaviin osiin.