吳亞楠

（中國移動(dòng)通信集團(tuán)四川有限公司，四川 成都 610097）

0 引言

隨著客戶服務(wù)意識(shí)的提高，客戶對網(wǎng)絡(luò)質(zhì)量的要求也越來越嚴(yán)格。若投訴問題無法及時(shí)有效解決，會(huì)增加客戶產(chǎn)生重復(fù)投訴和升級投訴的風(fēng)險(xiǎn)，客戶滿意度也將受到嚴(yán)重影響。針對無線網(wǎng)絡(luò)類投訴問題，傳統(tǒng)的處理和修復(fù)存在以下缺陷：

（1）故障網(wǎng)元定位難：由于無線傳播特性，在某點(diǎn)位存在多個(gè)小區(qū)同時(shí)覆蓋的情況，無法及時(shí)定位故障網(wǎng)元。

（2）投訴排查范圍大：同一投訴地點(diǎn)，不同客戶描述的故障現(xiàn)象不同，故障時(shí)間不同，時(shí)間跨度大，投訴分析時(shí)無法有效縮小排查范圍。

（3）指標(biāo)映射不精準(zhǔn)：常見的KPI/KQI感知分析，基于經(jīng)驗(yàn)值確定質(zhì)差門限去判斷客戶感知影響，與實(shí)際感知影響不匹配。

（4）投訴修復(fù)滯后性：傳統(tǒng)修復(fù)手段是“先著火，后救火”，從“著火”到“成功滅火”耗費(fèi)時(shí)長與客戶感知修復(fù)的痊愈度息息相關(guān)。

（5）網(wǎng)絡(luò)感知敏感差異性：不同年齡、ARPU值、使用習(xí)慣的客戶群體對網(wǎng)絡(luò)感知下滑的敏感度不一樣。

（6）場景和社會(huì)動(dòng)態(tài)差異：傳統(tǒng)投訴分析思路是由點(diǎn)及面，無法根據(jù)社會(huì)動(dòng)態(tài)、特定場景的特定需求預(yù)測未來趨勢。

1 體系設(shè)計(jì)

在傳統(tǒng)投訴分析時(shí)，各項(xiàng)指標(biāo)無法與客戶感知關(guān)聯(lián)分析。在此背景下，結(jié)合客戶歷史投訴點(diǎn)位聯(lián)合周邊小區(qū)進(jìn)行虛擬小區(qū)的KPI/KQI進(jìn)行相關(guān)性計(jì)算，從前期大量投訴中發(fā)現(xiàn)與KPI/KQI各種組合的相關(guān)規(guī)律，再將規(guī)律應(yīng)用到原始投訴和后續(xù)投訴作為驗(yàn)證，在驗(yàn)證結(jié)果準(zhǔn)確度較高的情況下，將客戶感知、投訴和現(xiàn)網(wǎng)的KPI/KQI建立聯(lián)系。結(jié)合客戶特性標(biāo)簽、社會(huì)實(shí)時(shí)動(dòng)態(tài)，對感知劣化的潛在投訴區(qū)域發(fā)布預(yù)警，高風(fēng)險(xiǎn)場景/區(qū)域前移處理，同時(shí)識(shí)別風(fēng)險(xiǎn)區(qū)的潛在投訴客戶群，提前安撫，將傳統(tǒng)投訴處理“救火式”前置為“防火式”。

針對傳統(tǒng)投訴處理和修復(fù)存在的問題：（1）建立小區(qū)集解決故障網(wǎng)元定位難的問題；（2）自適應(yīng)KPI/KQI容忍值和權(quán)值界定解決監(jiān)控指標(biāo)不確定性及客戶反映的故障現(xiàn)象及時(shí)間參差不一的難題；（3）基于客戶特性標(biāo)簽、地理環(huán)境、社會(huì)實(shí)時(shí)動(dòng)態(tài)的多元數(shù)據(jù)分析，彌補(bǔ)特定場景投訴無法預(yù)警及敏感客戶前置安撫的缺陷。

圖1 投訴數(shù)據(jù)匯聚處理示意

2 實(shí)現(xiàn)過程

2.1 數(shù)據(jù)收集及數(shù)據(jù)預(yù)處理

數(shù)據(jù)收集主要涉及網(wǎng)絡(luò)面和客戶面兩部分，網(wǎng)絡(luò)面包括：實(shí)時(shí)指標(biāo)、實(shí)時(shí)告警、工參信息等，客戶面包括：投訴信息、客戶信息、社會(huì)動(dòng)態(tài)環(huán)境信息等。需對采集的網(wǎng)絡(luò)面數(shù)據(jù)和客戶面數(shù)據(jù)進(jìn)行檢查、清洗和規(guī)整，剔除異常信息，使數(shù)據(jù)在合理范圍以內(nèi)[1]。

2.2 小區(qū)集的建立

常規(guī)分析投訴關(guān)聯(lián)小區(qū)的方式有兩種：一是關(guān)聯(lián)周邊區(qū)域小區(qū)：根據(jù)不同場景設(shè)定半徑R，關(guān)聯(lián)半徑R內(nèi)的N個(gè)基站；二是關(guān)聯(lián)常駐小區(qū)：根據(jù)投訴客戶的常駐小區(qū)，找到駐留時(shí)長TOP N的小區(qū)。這兩種方式均有一定的局限性，通常情況下，一個(gè)單點(diǎn)的網(wǎng)絡(luò)異常，就會(huì)導(dǎo)致客戶投訴，而不是該區(qū)域或常駐小區(qū)的覆蓋區(qū)域存在問題。因此采用區(qū)域小區(qū)關(guān)聯(lián)和常駐小區(qū)關(guān)聯(lián)都可能會(huì)對投訴問題挖掘精度造成誤判。針對該問題，可以在沒有定位數(shù)據(jù)或投訴客戶小區(qū)數(shù)據(jù)下引入虛擬小區(qū)概念，將投訴點(diǎn)位最近N個(gè)基站的最差指標(biāo)集合作為一個(gè)虛擬集，用作該投訴問題分析關(guān)聯(lián)的虛擬小區(qū)。

2.3 自適應(yīng)KPI/KQI容忍值和權(quán)值界定

常見的KPI/KQI感知分析，是基于經(jīng)驗(yàn)值確定質(zhì)差門限。如下行PRB利用率，根據(jù)業(yè)務(wù)類型不同，一般將大包、中包、小包門限定為70%，50%，40%，高于70%，50%，40%就認(rèn)為感知異常。實(shí)際上，不同群體投訴時(shí)對應(yīng)的KPI/KQI閾值可能存在差異，不同場景下客戶對相同KPI/KQI閾值的容忍度也存在差異。因此需建立一套更多維度的分析模型，參與建模的指標(biāo)項(xiàng)集合不限定個(gè)數(shù)和類別，根據(jù)后續(xù)自適應(yīng)算法，分為強(qiáng)相關(guān)指標(biāo)、弱相關(guān)指標(biāo)和無相關(guān)指標(biāo)，以指標(biāo)權(quán)值進(jìn)行區(qū)分。

（1）自適應(yīng)KPI/KQI容忍值界定。

針對每個(gè)指標(biāo)輸出正態(tài)分布圖，尋找平穩(wěn)區(qū)域及拐點(diǎn)。根據(jù)分布拐點(diǎn)對投訴點(diǎn)位的關(guān)鍵KPI/KQI指標(biāo)進(jìn)行等權(quán)重評分。

（2）KPI/KQI權(quán)值界定。

現(xiàn)網(wǎng)存在大量的KPI指標(biāo)，若對指標(biāo)無差異的全量分析，不僅工作量巨大費(fèi)時(shí)費(fèi)力，還可能定位不到導(dǎo)致投訴的關(guān)鍵問題。通過對投訴客戶和全網(wǎng)其他客戶的KPI差異分析，找到影響投訴的關(guān)鍵KPI集，再根據(jù)各項(xiàng)KPI/KQI與感知容忍的相關(guān)度界定權(quán)值。

均值門限界定法：分別設(shè)定每個(gè)指標(biāo)權(quán)值為100%，其他指標(biāo)權(quán)值為0，計(jì)算準(zhǔn)確率60%時(shí)處理小區(qū)比例與潛在小區(qū)比例比值，得出單項(xiàng)KPI/KQI指標(biāo)權(quán)重[3]。

個(gè)性門限界定法：對均值門限問題的收斂和精細(xì)化，以不同權(quán)重對多指標(biāo)項(xiàng)進(jìn)行分析，輸出帶不同指標(biāo)權(quán)值的低分小區(qū)并評估低分小區(qū)與實(shí)際投訴點(diǎn)位的相關(guān)性。如某區(qū)域個(gè)性門限擬合，檢測地市在各項(xiàng)KPI/KQI上的權(quán)重發(fā)生差異，該區(qū)域在KPI指標(biāo)上，小區(qū)下行PRB利用率和小區(qū)上行PRB利用率權(quán)重分別為18%和12%，表示該區(qū)域的高負(fù)荷問題與客戶投訴的相關(guān)度最高。通過KQI指標(biāo)權(quán)重分析，該地點(diǎn)該時(shí)段投訴客戶對視頻始緩沖時(shí)延和Web頁面顯示成功率的容忍度較低。

2.4 模型擬合評估方法

為驗(yàn)證問題收斂性，通過等權(quán)重評分方法，確定KPI/KQI不同分值段與投訴定位的匹配度。根據(jù)KPI/KQI指標(biāo)門限，對所有小區(qū)指標(biāo)打分，并進(jìn)行等權(quán)值匯總，按照小區(qū)分值分段與投訴點(diǎn)位虛擬小區(qū)下邏輯小區(qū)進(jìn)行匹配。對于KPI/KQI集合分?jǐn)?shù)對應(yīng)投訴匹配度，設(shè)定關(guān)鍵指標(biāo)：

（1）已知小區(qū)投訴的投訴概率=該分段投訴數(shù)量/該分段虛擬小區(qū)內(nèi)邏輯小區(qū)數(shù)量

（2）已知投訴點(diǎn)位數(shù)量占比=該分段投訴點(diǎn)位數(shù)量/整體投訴數(shù)量

（3）潛在投訴擴(kuò)散比（潛藏率）=該分段非虛擬小區(qū)的邏輯小區(qū)數(shù)/該分段內(nèi)差小區(qū)總數(shù)

以某地市3月為例：

通過KPI指標(biāo)體系：可處理26%的投訴點(diǎn)位，潛在小區(qū)占比30.54%；即1 982個(gè)投訴點(diǎn)位可通過處理755個(gè)差小區(qū)關(guān)聯(lián)517個(gè)投訴點(diǎn)位，且另外找出226個(gè)潛在投訴點(diǎn)位。

通過KQI指標(biāo)體系：可處理45.21%的投訴點(diǎn)位，潛在小區(qū)占比12%。

2.5 基于客戶特性標(biāo)簽、地理場景、環(huán)境信息、社會(huì)活動(dòng)多元分析

使用kmeans++算法聚合最差小區(qū)集，調(diào)用投訴處理平臺(tái)GIS頁面，輸出潛在投訴風(fēng)險(xiǎn)區(qū)。針對不同場景，制定歷史投訴量、邏輯小區(qū)數(shù)、業(yè)務(wù)量等閾值，并持續(xù)觀察投訴風(fēng)險(xiǎn)區(qū)。從該區(qū)域的潛在投訴擴(kuò)散比在時(shí)間維度上的變化，分級輸出持續(xù)風(fēng)險(xiǎn)、加強(qiáng)風(fēng)險(xiǎn)區(qū)、衰退風(fēng)險(xiǎn)區(qū)、閉環(huán)風(fēng)險(xiǎn)區(qū)等4個(gè)風(fēng)險(xiǎn)區(qū)級別，可根據(jù)不同級別的風(fēng)險(xiǎn)采取相應(yīng)策略。

鎖定虛擬小區(qū)集中worst小區(qū)下的常駐客戶，遍歷客戶的套餐信息、歷史投訴、年齡、ARPU值、業(yè)務(wù)使用習(xí)慣、終端類型等特性標(biāo)簽，通過特征對比和重疊特征選取，經(jīng)決策樹（Decision Tree）判斷[2]，結(jié)合社會(huì)實(shí)時(shí)動(dòng)態(tài)和場景信息（調(diào)用百度熱力圖、百度慧眼、新浪微博、騰訊位置大數(shù)據(jù)開放接口數(shù)據(jù)）等輸出投訴傾向客戶群體，并提前安撫關(guān)懷。

3 結(jié)語

通過基于KPI和KQI及網(wǎng)絡(luò)告警信息擬合客戶特征、場景、社會(huì)動(dòng)態(tài)信息、歷史投訴等多維數(shù)據(jù)挖掘，預(yù)警潛在投訴風(fēng)險(xiǎn)區(qū)域，通過前置干預(yù)，實(shí)現(xiàn)投訴量的壓降和客戶滿意度的雙提升。