通信運營商客戶投訴與故障發生的相關性分析

韓廷婷

摘 要：進行客戶投訴問題預測，采取相應措施及時解決是提高通信運營商服務質量的重要手段之一。提出一種基于相關性分析的客戶投訴預測方法。客戶投訴相關因素有多種，將軟硬件故障因素作為重要因素，根據通信運營商提供的客戶投訴數據與故障數據，利用機器學習中的相關性分析技術，建立客戶投訴與故障發生的關系模型，進而構建基于故障的投訴預測模型，對潛在的客戶投訴進行預測。分析表明，故障發生與投訴存在較強的相關關系，所以該方法可提高運營商服務質量。

關鍵詞：客戶投訴預測；軟硬件故障；相關性分析

DOI：10.11907/rjdk.172222

中圖分類號：TP391 文獻標識碼：A 文章編號：1672-7800（2017）009-0161-03

Abstract：Solveing the problems of customer complaints and taking corresponding measures to solve them in a timely manner， which is an important method to improve the service quality of communication operators. This paper proposes a prediction method of correlation analysis based on customer complaints. Customer complaints related to many factors， the hardware failure factors as an important factor， according to the customer complaint data and fault data provided by communications operators ，using the correlation analysis technique in machine learning， the relationship model of customer complaints and fault are given， and then construct the fault prediction model based on the complaint， to predict potential customers complaints. The analysis shows that there is a strong correlation between the failure and the complaint， so this method can improve the service quality of operators.

Key Words：customer complaint prediction； software and hardware fault； correlation analysis

0 引言

通信運營商客戶多，投訴問題量大。妥善處理客戶投訴問題，可提升客戶的滿意度、忠誠度，進而提升運營商效益。因此，對客戶投訴數據進行分析具有重要意義和價值。文獻[1]采用數據挖掘中的文本分析技術，對客戶投訴數據的分析方法進行了研究，提高了用戶體驗。文獻[2]利用某運營商4個月的本地投訴數據，采用情感評分、樸素貝葉斯分類算法進行投訴的傾向性識別，預測本地投訴客戶未來進行越級投訴的概率大小，為運營商提供有價值的參考。文獻[3]對投訴數據進行分類、詞頻統計分析，得到投訴熱點問題、投訴等級等信息，從而為解決投訴問題指明方向。

以上方法主要利用客戶投訴數據進行分析，而在運營過程中，除了產生大量的客戶投訴數據外，還有一類非常重要的數據就是故障產生的相關數據。由經驗可知，客戶投訴與故障發生具有較強的相關關系。關于故障數據的分析，學者也作了研究。文獻[4]和文獻[5]對故障進行了分析，常見的故障包括基站硬件故障、基站軟件故障、天饋系統故障等。文獻[6]提出了智能化診斷方法。文獻[7]和文獻[8]采用數據挖掘的方法對客戶投訴進行預測。統計相關性分析技術可根據事物特征對事物間的關聯性[9]進行分析，探討客戶投訴與故障發生之間的關聯性。本文利用相關性分析技術，給出客戶投訴與故障發生之間的相關系數，根據故障發生的信息對客戶投訴進行預測，使運營商對客戶的投訴有預判，進而提高運營商的服務質量，提升競爭力。

1 客戶投訴與故障發生數據分析

對個人客戶投訴工單數據進行預處理，得到主要數據項，對投訴進行類別劃分。對原因數據進行關鍵詞提取，得到投訴與故障的文本數據。投訴類別數據和故障數據都是文本數據，而相關性分析模型的輸入數據為數值型數據，首先要將文本數據量化為數值型數據，然后利用相關性分析模型，對投訴與故障的相互關系進行分析。

1.1 客戶投訴數據

客戶投訴數據包括工單流水號、投訴主題、投訴分類和問題原因等。工單流水號中包含投訴日期和時間信息，是投訴數據的唯一標識；主題和投訴分類數據項中體現了投訴的不同類別，包括不同層級類別；投訴問題的原因很多，包括故障引起的投訴，主要數據項的樣例數據如表1所列。例如，工單流水號為“ID-056-20140930-00433”的投訴主題為“服務類→客戶投訴→自有業務→WLAN→校園：CMCC-EDU→業務使用→有信號但無法使用”，投訴分類為“自有業務→WLAN→校園：CMCC-EDU→業務使用→有信號但無法使用”，問題原因為“網絡原因→臨時故障→自動恢復”，如表1所示。

1.2 客戶投訴原因數據分析

客戶投訴原因有很多種，以某運營商的6 083條客戶投訴數據為例，不同的客戶投訴類別、該類別的投訴數量及占總投訴量的比例如表2和表3所列。表2所列為非網絡故障導致的客戶投訴，表3所列為網絡故障導致的客戶投訴。將客戶投訴的原因總結為非網絡和網絡故障原因兩大類，本文將網絡故障引起的客戶投訴視為故障引起的投訴。endprint

從表2可以看出，非網絡故障導致的投訴問題共有845例，占總投訴數量的13.89%，所占比例不大。從表3可以看出，網絡故障導致的投訴問題共有5238例，占總投訴量的86.11%，所占比例較大。將表2和表3的數據對比可知，由非故障引起的投訴所占比例很小，大部分客戶的投訴與網絡故障有關系，本文在此基礎上分析客戶的投訴與網絡故障間的相關關系。

在網絡故障引起的投訴中，由覆蓋盲點引起的投訴占總投訴數量的1/3，所以解決基站覆蓋問題是減少投訴的辦法之一，但該辦法客觀上存在難度，應從其它方面解決客戶投訴。建立投訴數據與網絡故障之間的關系模型，進而給出投訴的預測模型，運營商據此妥善處理客戶投訴，從而實現更優服務。

1.3 數值化處理

由于客戶投訴數據和故障數據都是采用文本數據，為利用相關分析模型，需要將文本數據數值化處理。本文采用自然語言處理領域中的詞向量作為表達詞語的數值型特征[10-11]。首先將客戶投訴數據和故障數據進行分詞處理，在已有的大規模語料上對神經網絡模型進行訓練，得到詞語對應的詞向量，采用Word2Vec工具實現。

2 分析模型

客戶投訴與故障發生相關性分析指對兩個或多個具備相關性的變量元素進行分析，從而衡量兩個變量因素的相關程度，是機器學習中常用的技術。將客戶投訴數據記為x，x=（x1，…，xi，…，xn），故障數據記為y，y=（y1，…，yi，…，yn），其中n為客戶投訴的總數量，1≤i≤n，xi∈R，yi∈R。根據基礎統計學理論，設x的數學期望為μx，y的數學期望為μy，則x和y之間的相關系數如公式（1）所示。Corr（x，y）=∑ni=1（xi-μx）（yi-μy）∑ni=1（xi-μx）2∑ni=1（yi-μy）2

（1） 該相關系數也稱為皮爾遜相關系數。公式（1）中的∑ni=1（xi-μx）（yi-μy）可理解為（xi-μx）和（yi-μy）的內積。∑ni=1（xi-μx）2為（xi-μx）的2范數，∑ni=1（yi-μy）2為（yi-μy）的2范數，由公式（1）可推導出公式（2）：Corr（x，y）=∑ni=1（xi-μx）（yi-μy）∑ni=1（xi-μx）2∑ni=1（yi-μy）2=

‖x-μx‖2‖y-μy‖

（2） 從公式（2）可以看出，相關系數表達了兩個變量之間的相關程度，該值在0～1之間。當相關系數為1時，二者具有最強的相關關系，意味著當有故障發生時一定會有客戶投訴。當運營商已知網絡故障數據y時，根據相關系數，就可預測出投訴情況。

3 結語

本文以提高運營商的服務質量為目標，詳細分析并闡述了通信運營商提供的客戶投訴數據與故障數據，給出客戶投訴數據與故障數據具有較強相關性結論。利用機器學習中的相關性分析模型，給出相關系數。實際應用中，根據故障數據和相關系數，可實現對潛在的客戶投訴進行預測，提高了運營商的服務質量和競爭力。

參考文獻：

[1] 唐盛濤.基于數據挖掘的運營商客戶投訴分析方法研究[J].互聯網天地，2016（3）：53-55.

[2] 方環.文本分類在運營商客戶投訴傾向性預測中的應用研究[D].廣州：暨南大學，2016.

[3] 李鶯.運營商投訴行為的大數據分析及應用[J].通信企業管理，2016（10）：67-69.

[4] 張偉偉.VoLTE通話中的單通和斷續故障分析[J].電信網技術，2015（11）：78-83.

[5] 譚衛東.TD—SCDMA系統基站故障診斷與排除研究[J].硅谷，2013（6）：67-68.

[6] 岳丹陽.移動通信客戶投訴的智能診斷方法研究[J].中國新通信，2016（17）：1-3.

[7] 魏紅明.基于數據挖掘的移動通信客戶投訴預測模型研究[D].衡陽：南華大學，2009.

[8] 韓雪雪.基于數據挖掘的移動通信業終端營銷活動客戶拆包預測研究[D].昆明：昆明理工大學，2014.

[9] 樊嶸，孟大志，徐大舜.統計相關性分析方法研究進展[J].數學建模及其應用，2014，3（1）：123-126.

[10] MIKOLOV T， CHEN K， CORRADO G， et al. Efficient estimation of word representations in vector space[M]. Computer Science， 2013.

[11] MIKOLOV T， SUTSKEVER I， CHEN K， et al. Distributed representations of words and phrases and their compositionality[J]. Advances in Neural Information Processing Systems， 2013（26）：3111-3119.

（責任編輯：杜能鋼）endprint