Прогнозировать срок устранения (решения) заявки

[VsMoroz]

Попробуем повысить точность прогнозирования сроков устранения/решения заявки пользователя на основании статистики для помощи инженеру когда он ВПЕРВЫЕ выбирает вероятную причину Как только инженер выбрал вероятную причину, запускаем алгоритм и считаем срок решения заявки.

Если же срок устранения уже есть -то прогноз не строить.

Обдумываем алгоритм:

Первое что приходит на ум это разделить анализ на линии. На каждой линии определяется срок устранения и качество этого решения. Затем выбирать лучшее решение по качеству.

Например: на 1 линии анализируем полный набор данных из предыдущих ТТ по этому объекту:

• с данным типом отказа
• с похожим временем и днем недели открытия
• с учетом опытности сотрудника который за него ответственен
• из количества ТТ которые подпали под эти критерии определяем качество прогноза

на 2 линии анализируем менее точный набор данных из предыдущих ТТ в этом районе города:

• с этим же субпровайдером
• с данным типом отказа
• с похожим временем и днем недели открытия
• с учетом опытности сотрудника который за него ответственен
• из количества ТТ которые подпали под эти критерии определяем качество прогноза

на 3 линии анализируем еще менее точный набор данных из предыдущих ТТ в этом районе города без учета субпровайдера :

• с данным типом отказа
• с похожим временем и днем недели открытия
• с учетом опытности сотрудника который за него ответственен
• из количества ТТ которые подпали под эти критерии определяем качество прогноза

на 4 линии анализируем еще менее точный набор данных из предыдущих ТТ в этом городе:

• с данным типом отказа
• с похожим временем и днем недели открытия
• с учетом опытности сотрудника который за него ответственен
• из количества ТТ которые подпали под эти критерии определяем качество прогноза

на 5 линии анализируем еще менее точный набор данных из предыдущих ТТ в этой области:

• с данным типом отказа
• с похожим временем и днем недели открытия
• с учетом опытности сотрудника который за него ответственен
• из количества ТТ которые подпали под эти критерии определяем качество прогноза

на 6 линии анализируем еще менее точный набор данных из предыдущих ТТ в этой стране:

• с данным типом отказа
• с похожим временем и днем недели открытия
• с учетом опытности сотрудника который за него ответственен
• из количества ТТ которые подпали под эти критерии определяем качество прогноза

[VsMoroz]

Сам срок считать так: среднее значение + величина стандартного отклонения. Стандратное отклонение это корень из ((суммы квадратов каждого отклонения/ количество образцов значений) попробую это в запросе сделать, посмотрим каково будет отклонение от реального

[VsMoroz]

Попробовал разные варианты расчетов, наиболее подходящий под наши условия такой: Берем текущий ТТ, смотрим какой trubl.type_2_d выбрал пользователь для этого ТТ. Делаем выборку всех ТТ за прошедшие 1,5 года в этом городе у которых такой же trubl.type_2_d, trubl.type_trubl_d высчитываем у них среднее значение и добавляем рассчитанное значение стандартного отклонения для этих же ТТ. Получаем расчетный срок устранения. Запрос который выполняет этот рассчет febc13a0ea3351442f4ab87750047f2813aee311