ทำนายเวลาที่ดีที่สุดในการโทร

ฉันมีชุดข้อมูลรวมถึงชุดลูกค้าในเมืองต่าง ๆ ของรัฐแคลิฟอร์เนียเวลาที่โทรหาลูกค้าแต่ละรายและสถานะการโทร (จริงถ้าลูกค้ารับสายและเท็จถ้าลูกค้าไม่รับสาย)

ฉันต้องหาเวลาที่เหมาะสมในการโทรหาลูกค้าในอนาคตเพื่อให้โอกาสในการตอบรับสูง ดังนั้นกลยุทธ์ที่ดีที่สุดสำหรับปัญหานี้คืออะไร ฉันควรพิจารณาว่าเป็นปัญหาการจำแนกซึ่งชั่วโมง (0,1,2, ... 23) เป็นชั้นเรียนหรือไม่ หรือฉันควรพิจารณาว่าเป็นงานการถดถอยซึ่งเวลาเป็นตัวแปรต่อเนื่องหรือไม่ ฉันจะแน่ใจได้อย่างไรว่าความน่าจะเป็นที่จะรับสายจะสูง

ความช่วยเหลือใด ๆ ที่จะได้รับการชื่นชม มันจะดีมากถ้าคุณอ้างอิงถึงปัญหาที่คล้ายกัน

ด้านล่างนี้เป็นภาพรวมของข้อมูล

คุณอาจประสบปัญหาจริง ๆ ถ้าคุณทำสิ่งนี้เป็นปัญหาการถดถอยโดยไม่มีการแปลงที่เหมาะสม ตัวอย่างเช่นเรารู้ว่าอาจมีการรับสายส่วนใหญ่ในเวลากลางวันและน้อยกว่าในเวลากลางคืนและตอนเช้า การถดถอยเชิงเส้นจะมีปัญหาเพราะความสัมพันธ์นั้นมีแนวโน้มที่จะเป็นเส้นโค้งไม่ใช่เชิงเส้น ด้วยเหตุผลเดียวกันการปฏิบัติต่อสิ่งนี้เป็นงานการจำแนกประเภทที่มีการถดถอยโลจิสติกก็เป็นปัญหาเช่นกัน

ตามที่ผู้ตอบแบบสอบถามคนอื่นแนะนำการจัดประเภทข้อมูลของคุณในช่วงเวลาใหม่จะช่วยได้และฉันขอแนะนำให้คุณลองทำอะไรเช่นต้นไม้ตัดสินใจหรือป่าสุ่มก่อน

ทุกคนพูดว่านี่อาจเป็นกรณีของสถิติเชิงพรรณนาอย่างง่าย หากคุณพล็อตสัดส่วนการรับสายตามเวลาของวัน (แยกตามเมืองหรือกลุ่มประชากรอื่น ๆ ) จะมีเวลาที่ดีที่สุดชัดเจนหรือไม่? ถ้าเป็นเช่นนั้นทำไมต้องทำสิ่งต่าง ๆ ด้วยโมเดล?

คุณสามารถลองต่อไปนี้:

1. แบ่งวันออกเป็นส่วนต่าง ๆ - ตอนเช้าเช้าเที่ยงเที่ยงเย็นเย็นดึกดื่นกลางคืน ฯลฯ
2. กำหนดขอบเขตเวลาให้กับแต่ละส่วนของวันเช่นเที่ยงอาจเป็นเวลา 12.00 น. ถึง 13.00 น.
3. สร้างป้ายกำกับใหม่ 3 รายการ - "ส่วนหนึ่งของวันเพื่อโทรหาลูกค้า" สำหรับแต่ละกรณีที่เป็นบวก (สถานะของการโทร = จริง) กำหนดป้ายกำกับที่เกี่ยวข้อง (เช้า / เที่ยง / เย็น) ป้ายกำกับเหล่านี้จะอยู่ในรูปแบบที่เข้ารหัสร้อนแรงเช่น prefer_morning = 0/1, prefer_noon, prefer_evening เป็นต้น
4. สร้างแบบจำลอง 3 แบบเพื่อทำนายว่าหัวหน้ากลุ่มชอบช่วงเช้า / เที่ยง / หรือช่วงเย็นของวันเพื่อให้การโทรประสบความสำเร็จหรือไม่

นอกจากนี้ฉันขอแนะนำให้เพิ่มคุณสมบัติเพิ่มเติมเช่นอาชีพเพศ ฯลฯ เนื่องจากคุณลักษณะที่ระบุไว้ในตาราง (เมือง ฯลฯ ) นั้นมีความคลุมเครือเกินไปและไม่ให้ข้อมูลที่แตกต่างกันมากสำหรับลูกค้า

แก้ไขตามข้อเสนอแนะในความคิดเห็น:

เมื่อใช้แบบจำลองแต่ละโอกาสในการขายจะได้รับการจัดประเภทเป็น prefers_morning = ใช่ / ไม่ใช่, prefers_noon = ใช่ / ไม่ใช่และ prefers_evening = ใช่ / ไม่ใช่ ขึ้นอยู่กับช่วงเวลาของวันตัวอย่างเช่นในตอนเช้าตัวแทนศูนย์บริการข้อมูล (หรือซอฟต์แวร์) สามารถเลือกและนำไปสู่การโทรที่จัดประเภทไว้ในชุดการตั้งค่าตอนเช้า เมื่อถึงตอนเที่ยงซอฟต์แวร์การโทรจะเลือกรายการที่ต้องการในตอนเที่ยงและอื่น ๆ

ฉันจะใช้การถดถอยโลจิสติก - คุณจะต้องการตัวอย่างที่พวกเขาไม่ได้รับ จากนั้นฉันจะปฏิบัติต่อชั่วโมงในฐานะตัวแทนหุ่นจำลองตามฤดูกาล (23 ชั่วโมงเป็นตัวแปรหุ่นจำลองและปล่อยให้หนึ่งครั้งไหลไปที่จุดตัด)

ถ้าคุณไม่ถือว่ามันเป็นตัวจำลองแบบตัวเต็มฤดูกาลคุณจะต้องทำการเปลี่ยนแปลงบางอย่างเนื่องจากความสัมพันธ์จะไม่เป็นเชิงเส้น

มีคนแนะนำก่อนหน้านี้แทนช่วงบ่าย ฯลฯ เป็นตัวแปรเด็ดขาด นั่นเป็นความคิดที่ไม่ดีเพราะคุณมีรายละเอียดและคุณสูญเสียรายละเอียดที่นั่น นั่นจะมีผลที่คล้ายกันกับการใช้การ binning ที่เหมาะสมที่สุดเพื่อสร้างความสัมพันธ์เชิงเส้น แต่ฉันก็ยังไม่คิดว่ามันจะใช้ได้ ลองใช้ตัวจำลองตามฤดูกาล