移动用户感知预判与数字化运营探讨

蔡子龙，王晓刚，史文祥，陈任翔（.中讯邮电咨询设计院有限公司，北京 00048；.中国联通山西分公司，山西 太原 030006）

1 概述

随着通信业务尤其是移动通信业务的迅猛发展，使用手机等移动通信方式进行社交、娱乐、办公、出行等已经成为人们司空见惯的事情，随之而来的网络品质和用户感知之间的相辅相成、DNA 式的双螺旋上升的态势逐步形成。在语音业务为主流的时候，网络形态较为简单，使用KPI 就可以衡量网络的质量。随着智能终端和4G/5G 大带宽、低时延的上网、视频、手机游戏等应用的普及，用户体验和感知成为关注点，KPI已经无法准确评估网络质量和用户的感知需求，使用KQI能更好地评估网络质量。

用户感知的前提是主动感知用户，从被动服务到主动服务，找到并解决问题。而如何建立用户体验与网络能力之间的映射和桥梁一直是一个难题。而以KPI、KQI 等基础指标为根基，采用大数据技术构建移网用户体验指标模型，将分析结果汇聚到小区或基站并据此识别网络问题，自动定位问题类型和触发原因，闭环解决问题，持续提升用户感知。本文针对该问题，探索出一条带动网络质量和用户感知同步双向提升的方法和途径，并在具体的业务实践中取得较好的效果。

2 基于大数据的移动用户感知预判思路

移动网中每个用户的每次电话、每次点击都会产生大量的控制面信令和用户面消息。从业务类型来看，可以分为语音、上网、视频、游戏、即时消息等类别，对于每种业务，都有其不同业务实现方式，也由此产生不同的KQI 分析模型，将这些业务的不同KQI 进行归一化计算出用户体验指标CEI。

CEI 相较于传统的NPS 或客户满意度调查结果有更坚实的大数据分析基础，是基于用户产生的网络行为单据计算得出的客观指标，避免受人为因素的影响。

通过以CEI为基础构建移动网用户感知管理平台（CEM），对CEI 质差小区的无线网络问题进行详细的分类和规则判定，找到问题发生的根因和处理方向，用工单闭环管控的方式跟踪问题闭环过程。

平台构建时，依托IT+CT+DT+OT 融合的手段，采用智能化分析、可视化跟踪的方式实现大数据CEI 评估、质差小区关联定界、质差小区规则化分析定位、工单化闭环处理支撑的全过程。

3 移动用户感知预判及数字化运营实现

3.1 用户感知预判方法和模型

3.1.1 CEI体验指标评估模型

CEI 是针对用户感知到的网络质量部分，建立的用户客观体验评价模型，即通过选择用户使用的多种典型业务（Voice，Web和streaming 等）和其对应的底层指标数据，向上汇聚成单一化指标，来整体的量化用户接受的客观网络质量情况（见图1）。

图1 CEI指标计算模型

3.1.2 CEI体验指标校正

根据业务需求，选择网络主流的移动网业务作为用户体验模型的业务触点，选择对业务体验影响较大的指标。收集真实的KQI/KPI，对KQI 进行因子分析及主客观的相关性分析，然后获取每个KQI 的权重以及原始QoE 得分与分箱规则，然后将KQI 的权重以及原始QoE 得分与分箱规则应用于所有用户的建模中，计算出全网CEI指标（见图2）。

图2 CEI指标计算和校正方案

3.1.3 CEI评估结果准确性分析

3.1.3.1 CEI得分与用户满意度调研数据关联

设定60分以下为不满意用户基线，80分以上为满意用户基线，本基线分析通过关联用户调研数据验证CEI 模型基线的合理性，可以看到用户CEI 和用户调研数据基本匹配（见图3）。

图3 用户CEI和用户调研数据对比

3.1.3.2 CEI得分与投诉数据关联

通过关联用户投诉数据验证CEI模型基线的合理性。当数据场景CEI 取70 为用户投诉门限，语音场景CEI 取80 为用户投诉门限时，匹配度分别为78.40%（数据场景）和68.44%（语音场景）。可以看到用户CEI和投诉数据基本匹配（见图4）。

图4 用户CEI和投诉数据对比

3.1.3.3 CEI得分与用户实际体验关联

从现网用户中随机选取部分用户进行电话回访，调研实际体验情况，并与CEI 得分进行比对，可以看出，CEI得分与实际回访结果基本匹配。

3.2 用户感知问题定位方法与模型

3.2.1 数据源方案

定位需要的数据源获取主要包括系统自动对接、手工采集加工等方式。具体情况如表1所示。

表1 定位需要的数据源

3.2.2 定位规则

CEI 质差问题定位规则引擎包括：覆盖、质差、干扰、容量等四大方面，详细的判定规则、门限、覆盖场景、问题类型、处理建议等定位规则如图5所示。

图5 CEI质差问题定位规则

3.3 用户感知数字化运营实现

3.3.1 感知评估

CEI 的可视化界面主要是对CEI 评估结果洞察的多维度统计分析，主要包括感知洞察、CEI 得分、CS 得分、PS 得分、感知差小区数占比、感知差用户数占比等内容（见图6）。

图6 CEI的可视化界面

3.3.2 定位分析编排

判定规则会内置编排到系统中，数据结果按照问题原因、处理建议进行输出，输出结果将直接在系统上呈现，主要包括：

a）质差小区按照处理难易程度（需要维护→需优化→需扩容→需建设）分类的各个环节的统计结果。

b）各个节点中质差小区的清单列表，包括基站名称、问题原因分析结果、处理建议等。

3.3.3 工单管理

主要包括按照处理区域及时间范围的可视化筛选、工单统计、感知差小区列表等内容。

a）区域筛选：地（市）级筛选。

b）工单统计：派单数、回单数、闭环数3组指标。

c）闭环分析：包括感知差小区的问题类型统计信息、已闭环工单的处理方式统计信息、呈现已闭环工单的效果（从已闭环小区的CEI得分变化、已闭环小区的不满意用户数变化2个维度呈现）。

d）小区清单：感知差小区闭环情况清单。

4 本地实践及效果

在某市本地网，针对154 个已经处理的CEI 质差小区进行分析，试点开展针对性处理，共闭环119个小区，闭环率77.28%。

平台输出的解决措施与现场实际的处理措施进行分析，匹配度为88.24%。

4.1.1 运营流程

对CEM 平台的应用采用“运营”的思路，进行流程化运作，如图7所示。

图7 CEM平台的运营流程

4.1.2 能力评估

4.1.2.1 CEI得分准确性评估

基于CEI的用户和小区的得分情况进行验证。

a）用户的验证主要通过与投诉用户进行对比。

b）小区的验证主要通过与无线网管KPI 指标进行对比。

评估结果如表2所示。

表2 CEI得分准确性评估结果

通过CEI 模型的不断调优，最终用户级的匹配率达到70%以上；小区级的匹配率达到75%以上。

4.1.2.2 定位方案准确性评估

选取定位输出的质差小区共420个：按维护类、扩容类、优化类输出定位结果，与人工分析匹配度比对（见表3）。

表3 CEM分析原因与人工分析结果对比

结合多数据源的关联分析，定位分析问题原因的准确性接近90%。

4.1.3 问题处理

按照每月一个批次的方式进行处理和落地。处理154 个CEI 质差小区，共闭环119 个小区，闭环率77.28%。平台输出的解决措施与现场实际的处理措施进行对比，匹配度为88.24%。

4.1.4 闭环评估

根据评估结果和定位方案，已经闭环的CEI 质差小区，CEI得分均有明显的提升，质差用户占比也有明显的下降（见图8）。

图8 优化前后CEI得分和感知差用户情况对比

5 总结与展望

通过大数据技术基础平台和能力底座，充分利用已有的成熟框架和采集的业务数据源，大胆探索，对移动网用户的用网行为进行建模分析，得出归一化的客观CEI 用户体验评估指标，并汇聚得出CEI 质差小区，在此基础上综合分析告警、性能、覆盖等多种数据源进行质差小区的问题定位分析，得出质差问题原因和处理方案，并采用工单派发的方式驱动地（市）小CEO 进行闭环处理，在落地实践中总结出运营流程，并取得较好的效果。

该方案充分利用现有大数据平台，兼顾多厂家的处理能力，方案的普适性强，同时各项数据源均是成熟的方案，可推广性强。