电信大数据在投诉管理中的应用

2021-05-07

数字通信世界 2021年4期

（中国移动通信集团海南有限公司，海南海口 570100）

0 引言

随着移动互联网技术快速普及，基于用户个性化服务迅速发展，用户对于运营商的服务能力、网络质量等有了更高要求。然而，面临如此庞大的客户群体，当运营商提供的服务质量只能满足部分需求时，必然导致客户投诉。目前投诉主要分为两个方面：一是基于客户主观因素的投诉，主要由于客户过于挑剔或情感不满造成的投诉，资料显示该类投诉比例只有大约15%左右[1]；二是基于网络故障的投诉，由于网络固有缺陷造成的使用困难、体验差等投诉，该类投诉比例大约在85%左右[2]。

为了提升投诉处理效率，国内外许多学者提出了基于大数据的投诉处理方案。文献[3]提出对投诉信息进行挖掘，研究出日益增长的投诉数量与低效率投诉处理之间的关系，利用大数据挖掘技术找出投诉热点。文献[4-6]中提出利用电信大数据的特点，用户数据、信令数据、路测数据等进行投诉原因、投诉热点、变化趋势等多维度分析。文献[7]通过对信令数据、DPI 数据等建立语音业务质量评估模型，提前预判客户投诉行为。文献[8]通过引入多维报表概念，建立大数据用户投诉预警、投诉信息图层呈现、投诉闭环管理。基于此，结合电信大数据的特点，重点研究客户投诉中投诉预判、投诉处理以及投诉诊断，建立一套完整的投诉处理流程。

1 基于电信大数据的投诉管理方案

本文以中国移动海南分公司搭建的大数据公共服务平台为依托，主要包括三个部分：投诉预判、投诉处理、投诉诊断，如图1所示。

1.1 事前：投诉预判

1.1.1 数据采集

本方案利用电信运营商的大数据平台，接入各类数据指标来建立历史数据库，主要包括5大类数据：网络资源数据、投诉数据、网管数据、信令数据以及用户位置数据。上述数据主来自网管平台、BOSS 系统，营业厅、APP、电话录音等，所有投诉信息以文本形式存入信息系统数据库。

图1 基于电信大数据的投诉管理方案

1.1.2 数据清洗

由于大数据平台的数据来自于不同的数据接口机，具有不同的格式、粒度、特征、来源、采集时间等，首先需要对数据进行清洗和整理，主要需要删除错误数据、无效数据以及补全缺失字段的数据。

1.1.3 聚类分析

经过数据采集和清洗后的数据细分为各个维度的基础数据，然而上述数据在某些层面上反映的是同一问题，例如RSSI 和RSRP 均可以反映覆盖方面的问题。因此，为了提高该算法效率，需要对数据库中各类数据进行相关性分析，保证各类数据的正交性。本文使用皮尔逊相关系数计算指标相关性。

1.1.4 问题分解

通过对用户投诉信息的分析，定位用户的投诉问题，从而找到与用户投诉相对应的五类后端数据：业务数据、质量数据、容量数据、感知数据以及场景分类数据。业务数据包括话务量、流量数据等；质量数据包括RSRQ、CINR 等；容量类数据包括可用信道数、服务小区能力数据等；感知数据包括上网速率、下载速率等；场景分类数据包括学校、医院、景点等。

1.1.5 指标选择

由于运营商庞大的客户群体和复杂的网络，目前存在的数学模型均不能解决所有问题。根据帕累托法则，常常80%的投诉来自于20%的指标异常，因此本系统对各类指标进行选择。利用鱼骨图对各类投诉原因进行分析，寻找出引起各类投诉的重要指标；其次，利用帕累托图对投诉原因进行排序，寻找出引起客户投诉的主要原因；最后，根据帕累托图的结果，对各类指标进行选择。

1.1.6 贝叶斯分类

经过数据整理，得到n条样本信息的集合S：

式中，IBi表示第i条投诉对应的业务类数据；IQi表示第i 条投诉对应的质量类数据；IPi表示第i条投诉对应的感知类数据；ICi表示第i条投诉对应的容量类数据；Li表示第i条投诉对应的场景类数据。Typei表示第i条投诉对应的投诉类型。

1.2 事中：投诉处理

经过投诉预判模块可以一定程度上减少用户可能的投诉，但投诉不可避免。当实际发生用户投诉时，本系统在线收集用户相关数据，使用历史数据库对投诉类型进行分析，基于贝叶斯分类算法对问题进行初步定位。根据用户投诉类型、投诉原因、投诉位置进行投诉热点分析，并在此基础上实现地理分级可视化呈现。

1.3 事后：投诉诊断

为了进一步完善电信客户的投诉管理流程，需要进行事后的投诉诊断。首先，通过大数据平台的数据整理，结合用户的回访数据，对用户特征进行画像，为的投诉预判打基础。然后，将预测失败的数据经修正后加入数据库，不断丰富历史数据库，加强贝叶斯算法自我学习能力，持续进行网络优化。

2 基于电信大数据的投诉管理系统应用

中国移动海南公司在大数据运营服务平台的基础上，搭建了电信大数据的投诉管理系统，并于2020年6月中旬投入使用。通过对历史数据库反复不断的学习，实时采集用户数据，对用户的投诉进行预判。利用贝叶斯分类算法计算单位面积下的倾向投诉量，在文中定义概率高于70%以上的投诉为客户的倾向投诉。利用历史数据库中的投诉分类和重要程度排序，对用户的倾向投诉的重要程度进行分析，并利用不同的配色进行级别渲染和地理可视化呈现，在本文中主要采用四种颜色表示其投诉的重要程度，其重要程度排序为红色＞黄色＞浅绿＞深绿。其部分结果如图2所示。