基于客户诉求的业务波动监测模型大数据应用

陈雪嵩 王思杰 刘 静

（国家电网有限公司客户服务中心南方分中心，江苏 南京 210000）

0 前言

电话客户服务企业在向用户提供通信服务的过程中经常会面对服务需求不均衡、业务波动差异大的问题，给现场人员排班、业务宣传及客户感知等方面带来具大的压力。

业务波动监测是根据业务类型实时对电话客户诉求进行识别和数据统计，设置对应波动区间值，预警监测业务量的异常升高或降低并分析其产生的原因，从而对现场资源进行调整和优化。目前业务波动监测在很多呼叫行业还处于事后追踪分析的阶段，部分波动幅度较小却持续时间长的业务的人工监测敏感性较差，追踪分析较为滞后；部分波动较大的业务需要多方位查询才能获得峰涌原因，反应灵敏度较差，干预手段更为滞后。依赖大数据平台形成的自动化预警工具可以在该领域发挥巨大的作用，该工具旨在当业务出现峰涌时，将当前实时数据与基准值进行对比，及时触发预警，提醒对应人员关注该情况，调整业务流程和话术，安抚客户情绪；同时定位峰涌涉及的事件类型、问题区域等信息，并结合图表工具直观地对模型结果进行展示，大大提升了现场效能；在长期监测方面，可作为策略调整、资源配置及规划布局的参考，运用科技手段协助现场分析和运用。

1 业务波动监测模型建立

参照近3a历史业务数据，根据算法得到各监测指标的基准值；通过大数据平台获取实时业务数据，采用Hive、SQL等大数据组件计算实时监测值并与基准值进行比对，根据差异发出对应预警等级的警告。

可根据区域性的特点，从省、市和区县3个维度按小时分别对各个场景下的业务总量进行汇总，计算每小时的基准值、当天时间累计占比均值，通过时间序列模型对第二天业务量的基准值进行测算；以停电问题数据为例建立数据模型，其过程如下。

第一步：导入数据。对数据进行可视化处理并对其平稳性进行检验。主要是针对前期的数据来分解话务量的影响趋势、季节以及随机效应，数据规律性的分析结果如图1所示。

图1 业务数据规律分析图

业务量数据具有季节性规律，其异常值较少，提取趋势和季节效应后的残差基本稳定。再通过绘制移动平均值和标准差、ADF检验2种方法进行检验，其结果为“序列是平稳的”，检验验证可以采用该模型。

第二步：序列平稳化。消除趋势和季节性后再进行白噪声检验。分析结果如下：当1阶12步差分后的序列延迟1~12期时，样本统计量的P值(判定假设检结果的一个参数)均小于0.01（表明可使用时间序列模型进行预测）。

第三步：SARIMA模型。黄文杰等人查阅上海1952—1975年逐月温度资料，分别用288个样本和324个样本对月气温进行长期预报，得到的SARIMA模型的参数相同，说明求得的模型具有稳定性，季节性的数据变化可采用SARIMA模型的方法进行搭建，SARIMA较为精准[1]。利用Python绘制业务量的时间序列图，绘制差分后序列的自相关和偏自相关图，通过观察自相关和偏自相关图找出模型的最优参数，建立SARIMA模型，并对模型进行诊断。

对原序列建立SARIMAX（1，1，1）x（0，1，1，12）模型，P>|z|列（显著性水平）是对每个变量系数的检验。每个变量的P值均小于0.01，因此在0.01的显著性水平下，模型中每个变量的系数均通过显著性检验，可以认为拟合的模型中所包括的这些变量是合理的。

由表1的模型诊断结果可知，残差的时序图基本稳定，残差随着时间的波动并没有出现很大的波动。

表1 对残差的z检验

第四步：模型预测。从静态预测和动态预测2个方面分别对拟合的模型进行预测验证，得出具体预测值。

每小时业务量的基准值：根据每小时占比（按各个业务场景，对前两周的业务总量占比平均值进行计算）计算每小时业务量的基准值，超过基准值的10%即为触发。

业务子类基准值：以前两周的业务子类数据为样本，计算出特定子类的每日占比，进而测算占比的平均值，根据平均占比和日业务量预测值产生业务子类的基准值。

通过数据中台实时计算监测值，并与基准值进行比对，根据差异发出对应预警等级的警告，并标记记录，做好数据的展示和定位。用模型对6月上旬数据的标准值进行预测，具体数据如下。

#模型预测

2 业务波动监测大数据应用技术架构

该项目在实现技术的过程中遵循了公司统一的技术规范，具体技术架构共分为数据资源层、数据访问层、数据集成层、技术支撑层、应用服务层、界面集成层以及展现层。基于公司数据中心和大数据平台进行部署，应用部署在公司内网，采用一级集中部署方式。程序打包部署在2个应用服务器节，Nginx服务器提供反向代理功能和负载均衡，主要从前端框架、后端框架、系统架构、负载均衡、服务器、数据库及操作系统等方面对技术路线进行设计。

业务波动监测工具项目按照数据流程分为数据中台、设备终端和Hive计算，数据流向由数据中台的业务波动采集和标准代码通过Hive计算后，统计出对应的数据结果，并流向设备终端的Oracle数据库，最终存入Oracle数据库的结果表中。

参照近3a的历史业务数据，根据算法得到各监测指标的基准值；通过大数据平台获取实时业务数据，采用Hive、SQL等大数据组件计算实时监测值并与基准值进行比对，根据差异发出对应预警等级的警告。从数据中台申请接入内部业务支持系统S_95598_WKST、ARC_S_95598_WKST、SP_STANDARD_CODE以及O_ORG等表；获取数据后，首先应对数据质量进行检验，包括数据的准确性、完整性、一致性与规范性等情况；获取系统中当前以及去年同期1a的日数据样本，根据场景类型的不同，对数据进行不同的处理，在不同业务场景中还需要区分对应场景的服务升级数据。其次，业务波动检测主要是基于历史工单、实时工单等数据，从省、市和区县等多个维度出发，构建全业务波动模型，结合客户行为特征、业务子类特点将所有业务三级子类划分为3个主题场景，并对每个场景进行实时监控。最后，通过后台监控对前五名的省、市和区县单位进行排名，展示排名较前的单位名称以及其对应的环比增长率。模型中关于取数期的训练集可以用于数据建模，观察期的数据集用于对模型进行观察和调整，还可以通过观察期数据对模型结果进行验证，不断完善数据，提升模型自学习的准确率。

3 业务波动监测大数据工具应用特点

业务波动监测大数据工具主要是在出现业务波动的情况时，用柱状图展现以省为维度统计的当前时间节点的业务量，以红色色块突显波动异常时段，及时触发预警，提醒对应人员关注异常情况并定位峰涌涉及的事件类型、问题区域等信息，及时做好策略调整，其主要有以下4个特点。

3.1 实时协同性

该大数据工具的刷新频次为1 h，及时对同一地区、同一业务话务突增以及业务异常等情况进行分析判断和预警，可根据不同的预警场景，落实各方工作职责与处置措施，提升各基层公司的应急能力，同时减轻客服中心话务压力。

7月19日陕西连续10 d处于高温天气，预警工具显示自晚19：00开始，该省份话务一直超出预警值，经查询其集中在西安地区的停电业务。现场人员第一时间定位到大话务原因和区域，现场人员立即采用大话务情况下报修类的应急规范；同时，联系西安地市工作人员，核实故障原因和修复情况，编制应急的话术，及时安抚来电客户，因为当天反映及时，所以在话务量提升68.20%的情况下，接通率指标未下滑，及时解决了客户的诉求。

3.2 数据可视化

通过界面展示，人眼通过视觉和图像比通过文本和数字更容易吸收和掌握信息，加强信息传递效率并快速反应；对分析的业务数据和线索关联进行可视化展现，非常直观且易于理解，可以帮助分析人员从不同的角度对信息进行关联、扩展和分析[2]。

出现预警情况时，该省份的柱状图明显高于同比柱状图，且通过红色填充直观地让工作人员立即定位业务集中的类型、区域和原因，缩短了数据量的处理时间，降低了专业化难度。例如2021年7月10日停电业务的场景波动正常，电费回收场景的柱状图突现异常，工作人员可立即与地市人员核实原因，及时发现缴费复电系统异常，并联系技术人员及时对问题进行修复。

3.3 科学预测性

客服中心的业务受天气、星期、账期及新业务上线等多因素的影响较大，该工具除考虑传统同比或环比的波动情况外，还通过时间序列模型中的季节性自回归移动平均模型精准地测算出当日（每小时）的标准值。与标准值进行对比，可以对实际值存在差异波动的业务、区域进行预警；随着大量数据的积累与模型算法的进一步完善，标准值将更具备科学性，目前测算标准值准确率可高达90%，后面将优化模型，进一步提升其准确率。

3.4 投诉预警性

业务量的波动与后期投诉工单的产生存在一定关联，因此通过提前关注异常波动的业务类型、涉及范围和业务波动量，提前对异常类业务进行干预，以免后期收到客户投诉，在日常工作发现同一地区的同一业务咨询的事件达到阀值时，主动进行预警，如果未进行提前性干预，产生后期投诉率就会高于12%。例如2021年7月16日客户来电反映某小区停电问题，工具监测到同小区已有4张工单，获取该信息后，首先及时与该小区处理人员进行沟通，加快处理进度并实时反馈处理情况，做好客户问题的相关答复；其次，第一时间告知现场客服人员，后期再有客户反映相同小区的停电问题时，告知已有人员反映且在处理中，获得其他客户的理解，减少下派投诉工单2张。

4 业务波动监测大数据工具体运用领域

大数据是指无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合。大数据技术是指从各种各样类型的数据中，快速获得有价值信息的能力。适用于大数据的技术包括大规模并行处理（MPP）数据库、数据挖掘电网、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。

4.1 追踪业务异常波动防控服务风险

各话务波动行业均可使用该工具，通过对业务波动预警模型数据实时监测做好与各级单位业务的联动，包括业务波动提醒、业务波动原因联合调查、话务与工单峰涌时共同应对和各级单位信息及时维护等，实时沟通应急话术和联动应急操作，以达到减少投诉工单的诉求的目的。

4.2 定期对地市公司开展业务波动问题总结

业务波动监测大数据工具，能在实时关注业务波动的同时，及时与各级公司人员进行沟通，对当前数据采集的问题进行留痕处理，帮助各层级单位对问题进行分析、总结，并及时定位原因，降低人工分析成本；同时参考业务波动情况，后期可通过大数据工具编制“定制化”数据分析专题报告，形成自动化分析报告，客观地体现各级单位的工作能力。

4.3 常用数据看板直观展示优化区域资源配置

运用大数据工具，直观、便捷地展示各级公司所需要的数据，减少各级单位间的数据分析成本，优化人员配置，从而提升能效；可通过大屏展示实时数据，预警数据用红色突显，从而直观地展现数据，方便负责人员了解实时情况。对波动性较大的业务要及时开展业务答复话术跟踪研究，优化知识库系统信息录入，便于客服理解；定位波动性较大、预警次数高的区域，根据业务类型和客户诉求，进一步合理配置资源，从根本上解决客户需求。

5 结论

创造大数据价值的关键在于大数据的应用，随着大数据技术的飞速发展，大数据应用已经融入各行各业。业务波动监测模型是大数据产品在电力客服中心运用中的探索，充分发挥了大数据应用的直观性和实用性，推动现场人员能效提升，指导现场运营排班和人员调度，提升现场调控人员的调控能力高，用科技化的手段助力于客服中心此类传统型的行业发展。在全球经济数字化浪潮的带动下，我国大数据与实体经济的融合应用也将不断拓展。