基于大数据技术对5G不满意用户端到端感知进行分析

摘要：随着5G网络商用，网络环境变成2G/4G/NSA/SA多网络制式共存，FDD/F/E/D/A多频段共享的复杂环境，网络环境变得越来越复杂，网络质量提升难度大。从用户维度看，用户业务种类与日俱增，且对5G心理预期高，期盼良好用户体验，对网络要求日益提高;为满足用户高需求，亟须完善手段评估5G用户感知，评估网络对感知的影响，评估5G用户不满意的根因。

关键字：不满意用户;数据业务;窗口;时延

一、引言

随着信息技术的发展，大数据爆炸式增长，但隐藏在大数据深处的深刻内涵，需要渊博的专业知识和大数据挖掘技术才能揭开神秘面纱。移动用户的各种体验，积累了大量数据，但用户满意度挖掘仍是难点，传统手段只能靠回访、调研等手段进行定性分析;使用大数据手段从海量的数据中选择、识别出有效的或具有潜在效用的信息，并定量分析，形成感知打分，从而区分用户满意与不满意变得势在必行。

二、5G用户不满意大数据挖掘

用户不满意相关大数据挖掘一般具备三个要点：从终端到服务器的端到端信道信息;从终端应用APP到服务器应用数据的服务质量信息;从体验的心里期待到用户满意度的衡量的NPS信息。

根據大数据分析要点，5G用户不满意需要分析网络质量与业务质量关系、业务质量与用户体验关系、用户体验与不满意的关系;网络质量可以影响业务质量，业务质量相关KQI可以反映用户体验;所以，只要将反馈用户网络质量和业务质量的XDR信息和用户满意度结合在一起，就可以通过网络质量、业务质量来预测用户满意度。

三、5G用户感知的网络信息

不同业务类型有不同的体验因子，5G用户关注的体验根据业务类型不同包含不同的内容，如图1。

网页业务主要关注网页是否成功打开，网页响应时延大小，网页显示时延大小等内容。这主要和页面大小、业务上下行速率、信令往返时延（终端响应时延、终端处理时间、无线时延、设备传输时延、服务器响应时延、服务器处理时间）等内容相关。

视频体验主要包括点击视频连接后是否响应成功、视频响应时延、视频缓冲时延、视频是否卡顿、花屏等，主要和视频类型、视频码率、时延、速率、卡顿频次、卡顿时长等KQI相关。

其他类型业务与网页业务和视频业务类似，即时通信主要关注消息时延、文件传输及语音、视频的流畅性，这些主要和业务成功率、速率、RTT时延等相关;文件传输主要关注文件是否成功传输、传输的速率等，主要和业务成功率、速率相关;邮件业务主要关注邮件是否收发成功，收发是否快等，这些主要和业务成功率、速率相关;游戏主要关注点击后游戏服务器是否成功响应，响应是否迅速等，这主要和业务成功率、RTT时延等相关。

XDR（x Detail Record）记录了业务类型、用户流数据质量、事务处理记录等用户面和控制面的数据，包括终端与网络交互的公共信息、接口信息、RAT类型、业务类型、用户号码、业务建立信息、事务类型、业务速率、产生的事件（如位置更新、切换）、时延、卡顿、业务释放信息及失败原因等内容。网页和流媒体业务的KQI与XDR字段对应如图2，其他业务KQI与XDR对应方法与此相同。

业务速率、时延、卡顿等体验均可以使用XDR字段体现，同时这些字段的组合又能表征影响业务体验的关键环节或网元，例如，不同业务有不同的速率要求， 4k视频要求40Mbps可以满足用户感知，当速率不能满足业务需求我们可以通过传输带宽window size、各个端口的通道时延RTT，及各端口应用状态等指标来分析是哪个网元或接口出现问题。XDR字段关联分析问题示意图如图3所示。所以，通过传输带宽（窗口大小）、上下行RTT、上下行丢包/乱序、APP_STATUS、UU口事件及其他端口记录等指标，利用结构分析法、比较分析法、层次分析法、多维分析法等分析方法、可以准确定界哪个网元或哪个重点环节造成用户感知差，从而为用户感知提升提供重要参考依据。

四、大数据分析方法

根据大数据分析方法，将5G不满意用户提取目标分解到三个层次：数据层、挖掘层、服务层，从采集到海量数据中通过分类、聚类、预测与可视化等方法统计与不满意的内在规律，并精准分类每类问题，预测不满意趋势，关联不满意用户涉及服务小区（不满意小区），可视化并挖掘不满意的根因，提升不满意小区业务质量，改善用户体验。

数据层汇聚的接入网、核心网等网元及接口的控制面信令、用户面XDR数据，通过时间戳、用户在网元接口的唯一标识，将用户的信息关联起来，使得系统可以对用户行为进行细致的分析，并和调研的打分进行适配，为挖掘层形成训练样本，利用机器学习算法，对用户体验数据进行训练，形成可靠的业务模型。

挖掘层主要分析事物潜在规律，利用人工智能手段，使用数据驱动，通过AI/ML框架支持，高效提炼感知与满意度关系，并且能够迭代更新与持续提升;挖掘层的关键是业务特征的分析和算法选择，可以使用原始特征和构造特征，选择适合的算法进行训练，生成分析模型，并通过模型对现网用户数据进行预测，评估出用户满意度。

服务层将分析的不满意结果通过可视化、地理化等手段呈现给用户。

五、5G不满意用户大数据分析应用

5G不满意用户分析主要应用在两方面：不满意分布和用户体验提升;不满意分布主要应用于公司把控网络问题、体验问题、资费问题的比例，是决策布局的主要依据;体验提升主要应用于网络健壮性和服务质量提升，包括网络覆盖和感知提升、应用服务器能力提升、终端兼容性提升等。

应用一：不满意分布

不满意分布数据来源为业务感知数据和用户资费相关数据，可以挖掘的信息包括用户对套餐是否满意，用户对网络是否满意，用户对应用APP是否满意等方面，分析步骤如下：

步骤一：整合数据

数据分布在B域和O域，选取我们有用信息进行分析和提取，整合到本地数据库，这是数据分析的基础。

步骤二：数据挖掘

套餐及业务使用情况、超套及补缴资费情况、套餐分布和用户在网情况、信号覆盖和告警情况、网络质量和业务质量情况、基站容量和传输情况、应用服务器和网络直联情况等信息和相关特征的挖掘是模型训练的关键。

步骤三：信息转换为价值

挖掘出的这些关键信息可以为资费决策提供依据、可以为基站、传输、服务器直联投资提供依据、可以为网络维护投入提供依据、可以为APP应用或服务器能力提升提供依据、可以为终端兼容性提供依据。

应用二：体验提升

体验提升可以从终端兼容性、应用APP效率、信号覆盖、网络质量、业务质量、传输负荷、服务器能力等方面进行提升，主要挖掘的信息覆盖是否满格、小区是否存在异常事件、APP应用和对应服务是否异常、语音业务异常事件根因、数据业务事件根因、不满意和投诉用户分布场景等，分析框架如下：

六、结束语

大数据在运营体系中已经起到了关键性作用，基于数据的融合能够打破数据壁垒，实现更多的数据碰撞，网络运维从以网络为中心向以业务质量和用户感知为中心转型;更关注QoE/KQI，更关注客户真实体验和用户满意度;面向规划、面向网络、面向客户、面向市场的不满意分析，推动用户感知提升、网络健壮性提升、服务质量提升快速、稳步前进。

作者单位：吕程程    中国移动通信集团公司北京有限公司