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。

在线采集数据，得到。根据贝叶斯分类算法，计算投诉概率：

式中，表示用户可能进行第i类投诉的概率；m表示投诉类型数量；。考虑到各特征值的独立性，假设在不同时间点提取的特征值服从高斯分布：

式中，表示中第s维测量值。得到隶属于各类投诉下的概率后，概率最大的类型为用户最有可能的投诉。

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。

图2 投诉预判可视化呈现

3 结束语

本系统利用电信大数据优势，提出一套运营商客户投诉的解决方案。该方案根据历史数据库进行客户投诉预判，利用实时数据寻找投诉热点并实现热点区域分级渲染。该系统上线后，可以实现高效、合理、快速的全网投诉分析。

[1]Olover R L，Whiner R S，A frame work for formation and structure of consumer expectations：review and propositions[J].Journal of Economic Psychology，1987（87）：496-499.

[2]Diane Halstead，Edward A Morash，Complaining objective service failure and subjective complaints an investigation of domino and halo effect[J].Journal of Business Research，1996（36）：47-52.

[3]龙银杏.基于GIS 的移动通信网络投诉热点核查系统的分析与设计[D].武汉邮电科学研究院，2016.

[4]王雯.多维度指标分析在无线网客户投诉量评估上的实践和应用[J].无线通信技术，2018，27（03）：47-51.

[5]林溪桥.多元线性回归和聚类算法在客户投诉分析中的应用[J].广西电力，2018，41（04）：28-31.

[6]李建芬，程慧.以客户诉求为导向的多维度大数据分析体系探析[J].管理观察，2017（10）：36-39.

[7]崔小丽，贾金良，王慧慧.基于大数据的投诉关联分析及平台构建[J].通信管理与技术，2016（03）：74-77.

[8]伍国权，杨少青.基于客户投诉的大数据多维分析研究[C].广东省通信学会.2017 广东通信青年论坛优秀论文集.广东省通信学会：中国电子科技集团公司第七研究所《移动通信》杂志社，2017.

文章来源：电信科学 网址: http://dxkx.400nongye.com/lunwen/itemid-47875.shtml

上一篇： 关于电信网络诈骗犯罪的防范与打击研究
下一篇： 图书情报与数字图书馆论文_科研大数据休眠：类型划分及消解机制研究