（2020 年江苏省通信学会“华苏杯”论文征集三等奖）基于AI 画像的家宽用户多维健康体系研究

王铖岑 何均均 王江舟

中国移动通信集团江苏有限公司南通分公司

0 引言

近年来，移动家庭宽带业务飞速发展，面对宽带业务同质化严重的形势，如何在日趋激烈的市场竞争中赢得客户，并提升客户粘性，网络质量、服务质量和用户满意度成为了关键因素。

目前，宽带质量和服务存在五个急需改善的问题（见图1）：

图1 宽带质量和服务存在的问题

（1）网络质量定性定量困难。网络质量零散、相关数据关联困难，无法统一呈现，依靠人工分析，各个层面分析依靠自有专业团队，导致问题无法彻底暴露和解决。

（2）网络问题定位准确率低。目前利用各类网管辅助定障，准确度只有40%，无法支撑大数据分析和应用。

（3）服务前后综合质量量化困难。目前对不满意用户的维护，基本依靠上门处置优化，但根据对用户回访分析，50%以上的用户答复无明显改善，只是对上门表示认可满意。

（4）评价维度较少。目前较好的评价体系主要基于家庭宽带一户一线的特性，健康度评测以个性评价为主，依托于故障投诉、网络性能、套餐资费等显性直观的指标进行整体评价。与手机业务相比，流程业务长，用户侧环境复杂，质差界面不清晰。

（5）评价体系科学性有待提高。目前家客业务维度广，评价主体多，缺乏对用户行为及个体主观感受的深度挖掘，使得用户个体的服务体验评价差异未能有效体现。

1 技术研究

1.1 总体方案

总体方案如下：

（1）基础数据获取及预处理：初选感知点、匹配指标，对用户行为、故障、性能、业务感知、反馈评价、装维记录等抽取、标签化及预处理。

（2）指标筛选收敛：对连续指标变量进行分箱处理、数据无量纲化处理；选择算法构建模型，进行关联指标筛选。

（3）模型优化：选取样本数据进行模型验证和迭代优化；得到各变量权重系数，计算各宽带用户满意度得分。

（4）满意度短板分析：对全网用户进行画像分析，指出短板指标，并通过聚类输出个体及共性不满意问题点。

（5）满意度提升：问题点派单到责任单元主动整治；满意度低用户提升服务响应优先级。

1.2 技术实现方案

技术实现方案如图2 所示。

图2 基于AI 画像的家宽用户多维健康体系技术实现方案

1.2.1 特征抽取与数据预处理

基于DPI 系统、PON 业务支撑平台、IP 数据网管、HGU软探针等实时性指标，抽取家宽满意度相关数据，包括服务质量、业务质量、家庭网络质量、承载网络质量、用户行为等，并完成满意度数据探索分析、满意度特征清洗等模型训练前的特征处理过程。

1.2.2 满意度模型迭代训练

对NPS 等满意度调研样本和基于经验值估样本，进行过采样处理，构建不满意标签用户训练数据。通过基于强化学习的三阶段机器学习自动化设计、基于自适应连续筛选的模型选择、基于多保真度和贝叶斯优化的超参优化，实现匹配AI计算12 种差异化模型。如图3 所示。

图3 基于自适应连续筛选的模型选择流程

1.2.3 模型应用与画像输出

基于优化后的模型，周期性对全网用户进行满意度评价，为每用户输出满意度得分和影响满意度的短板因素。同时提供区县、小区维度的满意度对比、趋势、共性因素等专题分析等功能。

2 关键技术与创新点

基于AI 画像的家宽用户多维健康体系是基于DPI 系统、PON 业务支撑平台、IP 数据网管、HGU 软探针等实时性指标，并同步整合用户上网行为、投诉反馈等信息，进行系统开发及大数据处理，为全网宽带建立满意度评价体系。输出低满意度用户短板清单，针对低满意度用户问题点闭环整治，同时支持差异化服务响应，实现感知修复。

2.1 多系统融合开发

该体系基于DPI 系统、PON 业务支撑平台、IP 数据网管、HGU 软探针等实时性指标，并同步整合用户上网行为、投诉反馈等信息，进行系统开发及大数据处理。

2.2 基于AI 的机器学习

通过选取3 种算法对满意度模型进行训练效果对比分析和交叉验证，同时在训练样本的调查和经验抽取阶段，细分用户不同场景（如：城市小区、农村等），实现不同场景的差异化评价训练，经过模型测试评价，最终选择确定偏向真实的满意度模型。

2.3 多维度呈现

经机器学习后，生成全网家宽用户质量的定制画像，并可从区县、网格、小区维度输出满意度短板。同时，可从营销维度呈现质差路由器，从服务维度呈现质差TOP 小区，从而多手段齐头并进，提升客户感知。

2.4 端到端智能画像

通过端到端的42 个属性综合分析，实现云管端三个维度的画像，从宏观上体现满意度现状和痛点，从微观上实现弱项深钻，并专项提升。如表1 所示。

表1 端到端智能画像属性表

?

3 应用效果

3.1 整体应用情况

家宽用户多维健康体系于2020 年1 月初步搭建完成，自运行以来，累计发现端到端问题1738 起，其中云端问题162 起、管道端问题381 起、户端1195 起。

针对第一批846 名质差家宽用户训练输出，呈现数据如图4 所示（数据未全量呈现）。

图4 第一批质差家宽用户训练输出数据

通过对用户回访发现，846 名用户中成功回访用户251 名，其中188 名质量问题点与平台输出一致，47 名用户反馈宽带使用无问题，16 名用户因不在家，对使用情况不清楚。该体系应用成功率超80%，成功率约为原辅助定障系统的2 倍。

根据AI 构建的模型为每位用户进行满意度打分，得分区间采用归一算法进行分布区间的调整。如下分值统计是基于80-100 的区间分布规则，通过对各区县低于85 分用户占比及95 分以上用户占比分析，针对性地对通州、开发、启东进行弱项提升工作部署。如图5 所示。

图5 各区县低于85 分用户占比及95 分以上用户占比分析

3.2 实际应用效果

3.2.1 在运维上产生的效果

（1）网络问题分段准确。在端到端的定界上，根据TCP的特征把控，成功将问题分为云端、管道端、户端。发现并解决OTT、Cache、IDC 等质差内容源7 起，指导内容源提升服务质量和HTTP 成功率。指导管道端误码、光功率问题闭环23 起，处理户端问题1000 余个。如图6 所示。

图6 网络问题分段定位

（2）问题定位准确度提升。根据训练和验证情况，目前准确度接近80%。用户满意度可量化，根据各维度综合答复，可真实体现网络质量满意度情况。增加了8 大评价维度，通过模型算法得出综合满意度情况，结合用户行为及个体主观感受的深度挖掘，给用户提供温暖的家庭宽带。

（3）创新带来的效率提升。在本研究成果完成前，运营商对用户的实际感知情况处于离散、不完整呈现状态，需通过多个平台进行数据采集，人工汇总进行分析。本研究成果完成后将各平台数据集中于一体，数据高度整合，且通过AI 进行自动分析，输出检测报告。更快的训练效率、低内存使用、更高的准确率、支持并行化学习等创新优势将工作效率提升

85%。

3.2.2 在满意度上产生的效果

（1）提升维护效率：基于满意度画像，可快速、准确获取多维度（场景、区域、类型、业务等）用户感知情况，提前优化感知变差的用户或区域，使网络优化由解决用户投诉的被动模式变为提前优化的主动模式，故障重复投诉率降低2.5pp，故障投诉减少350 次/月。

（2）提升网络质量：从基于AI 构建的模型，多维度分析满意度的短板因素，分析影响特征中的可整治要素，通过工单驱动提前实施整治，促进短板改善，2020 年4 月到2020 年5 月宽带网络质量满意度从78.17 提升到80.64。

（3）重点用户保障：通过重点监控和优化高优先级用户，使运维工作由基本的网络维护优化提升为重点客户用户满意度保障和提升。

（4）经济效益提升：随着网络质量的提升，满意度不断提高，口碑效应愈发明显。新用户及携转用户数大幅增长，同比2019 年新用户数增长了99%，收益同比增长1.5 亿。

（5）社会效应：本研究成果在通信互联网行业内起到示范带头作用，多家互联网公司学习效仿。全国4 个省26 个地市直接或间接采用了本次研究成果，并取得突出成绩。

4 结束语

基于AI 的家宽用户多维健康体系，是基于用户服务质量、业务质量、家庭网络质量、承载网络质量等信息的融合，通过数据清洗筛选、模型建立并训练数据等，最终为全网宽带建立满意度评分体系，输出满意度低用户短板清单、质差小区清单等，并针对低满意度问题点闭环整治，同时差异化服务响应，从而实现感知修复。该体系从主动优化维护的角度，不仅可解决投诉用户的问题诉求，而且可提升潜在投诉用户的宽带使用感知，从而带来家庭宽带质量口碑的转变。