客户无线网络投诉的预防措施研究

吴亚楠

（中国移动通信集团四川有限公司，四川 成都 610097）

0 引言

随着客户服务意识的提高，客户对网络质量的要求也越来越严格。若投诉问题无法及时有效解决，会增加客户产生重复投诉和升级投诉的风险，客户满意度也将受到严重影响。针对无线网络类投诉问题，传统的处理和修复存在以下缺陷：

（1）故障网元定位难：由于无线传播特性，在某点位存在多个小区同时覆盖的情况，无法及时定位故障网元。

（2）投诉排查范围大：同一投诉地点，不同客户描述的故障现象不同，故障时间不同，时间跨度大，投诉分析时无法有效缩小排查范围。

（3）指标映射不精准：常见的KPI/KQI感知分析，基于经验值确定质差门限去判断客户感知影响，与实际感知影响不匹配。

（4）投诉修复滞后性：传统修复手段是“先着火，后救火”，从“着火”到“成功灭火”耗费时长与客户感知修复的痊愈度息息相关。

（5）网络感知敏感差异性：不同年龄、ARPU值、使用习惯的客户群体对网络感知下滑的敏感度不一样。

（6）场景和社会动态差异：传统投诉分析思路是由点及面，无法根据社会动态、特定场景的特定需求预测未来趋势。

1 体系设计

在传统投诉分析时，各项指标无法与客户感知关联分析。在此背景下，结合客户历史投诉点位联合周边小区进行虚拟小区的KPI/KQI进行相关性计算，从前期大量投诉中发现与KPI/KQI各种组合的相关规律，再将规律应用到原始投诉和后续投诉作为验证，在验证结果准确度较高的情况下，将客户感知、投诉和现网的KPI/KQI建立联系。结合客户特性标签、社会实时动态，对感知劣化的潜在投诉区域发布预警，高风险场景/区域前移处理，同时识别风险区的潜在投诉客户群，提前安抚，将传统投诉处理“救火式”前置为“防火式”。

针对传统投诉处理和修复存在的问题：（1）建立小区集解决故障网元定位难的问题；（2）自适应KPI/KQI容忍值和权值界定解决监控指标不确定性及客户反映的故障现象及时间参差不一的难题；（3）基于客户特性标签、地理环境、社会实时动态的多元数据分析，弥补特定场景投诉无法预警及敏感客户前置安抚的缺陷。

图1 投诉数据汇聚处理示意

2 实现过程

2.1 数据收集及数据预处理

数据收集主要涉及网络面和客户面两部分，网络面包括：实时指标、实时告警、工参信息等，客户面包括：投诉信息、客户信息、社会动态环境信息等。需对采集的网络面数据和客户面数据进行检查、清洗和规整，剔除异常信息，使数据在合理范围以内[1]。

2.2 小区集的建立

常规分析投诉关联小区的方式有两种：一是关联周边区域小区：根据不同场景设定半径R，关联半径R内的N个基站；二是关联常驻小区：根据投诉客户的常驻小区，找到驻留时长TOP N的小区。这两种方式均有一定的局限性，通常情况下，一个单点的网络异常，就会导致客户投诉，而不是该区域或常驻小区的覆盖区域存在问题。因此采用区域小区关联和常驻小区关联都可能会对投诉问题挖掘精度造成误判。针对该问题，可以在没有定位数据或投诉客户小区数据下引入虚拟小区概念，将投诉点位最近N个基站的最差指标集合作为一个虚拟集，用作该投诉问题分析关联的虚拟小区。

2.3 自适应KPI/KQI容忍值和权值界定

常见的KPI/KQI感知分析，是基于经验值确定质差门限。如下行PRB利用率，根据业务类型不同，一般将大包、中包、小包门限定为70%，50%，40%，高于70%，50%，40%就认为感知异常。实际上，不同群体投诉时对应的KPI/KQI阈值可能存在差异，不同场景下客户对相同KPI/KQI阈值的容忍度也存在差异。因此需建立一套更多维度的分析模型，参与建模的指标项集合不限定个数和类别，根据后续自适应算法，分为强相关指标、弱相关指标和无相关指标，以指标权值进行区分。

（1）自适应KPI/KQI容忍值界定。

针对每个指标输出正态分布图，寻找平稳区域及拐点。根据分布拐点对投诉点位的关键KPI/KQI指标进行等权重评分。

（2）KPI/KQI权值界定。

现网存在大量的KPI指标，若对指标无差异的全量分析，不仅工作量巨大费时费力，还可能定位不到导致投诉的关键问题。通过对投诉客户和全网其他客户的KPI差异分析，找到影响投诉的关键KPI集，再根据各项KPI/KQI与感知容忍的相关度界定权值。

均值门限界定法：分别设定每个指标权值为100%，其他指标权值为0，计算准确率60%时处理小区比例与潜在小区比例比值，得出单项KPI/KQI指标权重[3]。

个性门限界定法：对均值门限问题的收敛和精细化，以不同权重对多指标项进行分析，输出带不同指标权值的低分小区并评估低分小区与实际投诉点位的相关性。如某区域个性门限拟合，检测地市在各项KPI/KQI上的权重发生差异，该区域在KPI指标上，小区下行PRB利用率和小区上行PRB利用率权重分别为18%和12%，表示该区域的高负荷问题与客户投诉的相关度最高。通过KQI指标权重分析，该地点该时段投诉客户对视频始缓冲时延和Web页面显示成功率的容忍度较低。

2.4 模型拟合评估方法

为验证问题收敛性，通过等权重评分方法，确定KPI/KQI不同分值段与投诉定位的匹配度。根据KPI/KQI指标门限，对所有小区指标打分，并进行等权值汇总，按照小区分值分段与投诉点位虚拟小区下逻辑小区进行匹配。对于KPI/KQI集合分数对应投诉匹配度，设定关键指标：

（1）已知小区投诉的投诉概率=该分段投诉数量/该分段虚拟小区内逻辑小区数量

（2）已知投诉点位数量占比=该分段投诉点位数量/整体投诉数量

（3）潜在投诉扩散比（潜藏率）=该分段非虚拟小区的逻辑小区数/该分段内差小区总数

以某地市3月为例：

通过KPI指标体系：可处理26%的投诉点位，潜在小区占比30.54%；即1 982个投诉点位可通过处理755个差小区关联517个投诉点位，且另外找出226个潜在投诉点位。

通过KQI指标体系：可处理45.21%的投诉点位，潜在小区占比12%。

2.5 基于客户特性标签、地理场景、环境信息、社会活动多元分析

使用kmeans++算法聚合最差小区集，调用投诉处理平台GIS页面，输出潜在投诉风险区。针对不同场景，制定历史投诉量、逻辑小区数、业务量等阈值，并持续观察投诉风险区。从该区域的潜在投诉扩散比在时间维度上的变化，分级输出持续风险、加强风险区、衰退风险区、闭环风险区等4个风险区级别，可根据不同级别的风险采取相应策略。

锁定虚拟小区集中worst小区下的常驻客户，遍历客户的套餐信息、历史投诉、年龄、ARPU值、业务使用习惯、终端类型等特性标签，通过特征对比和重叠特征选取，经决策树（Decision Tree）判断[2]，结合社会实时动态和场景信息（调用百度热力图、百度慧眼、新浪微博、腾讯位置大数据开放接口数据）等输出投诉倾向客户群体，并提前安抚关怀。

3 结语

通过基于KPI和KQI及网络告警信息拟合客户特征、场景、社会动态信息、历史投诉等多维数据挖掘，预警潜在投诉风险区域，通过前置干预，实现投诉量的压降和客户满意度的双提升。