主流客戶投訴預(yù)測模型的對比與研究

穆曉瑪

Abstract： Time series， multiple linear regression and BP neural network are current mainstream forecast algorithms. In this paper， the application of these three algorithms in the field of customer complaint forecasting is studied and compared， and SPSS is used as a tool to predict one week customer complaints， which is taken as the target. Through contrast and analysis， the result of the actual prediction shows that BP neural network algorithm is the most appropriate customer complaints prediction algorithm.

引言

客戶投訴是客戶對于企業(yè)服務(wù)的反饋批評與合理陳情，如何更好地預(yù)防、處理投訴一直以來都是以客戶為中心的各家企業(yè)重點(diǎn)關(guān)注的工作內(nèi)容。在投訴發(fā)生后，再花費(fèi)大量人力物力去彌補(bǔ)前愆，也并不可取，消弭投訴于未然無疑是目前堪稱理想的應(yīng)對措施[1]。如何在大量投訴到來之前實(shí)現(xiàn)預(yù)知，即是此次研究的核心與關(guān)鍵。

時(shí)下，客戶投訴預(yù)測模型往往以ARIMA （Autoregressive Integrated Moving Average Model）時(shí)間序列[2]、多元線性回歸[3]、BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)[4]為基礎(chǔ)的算法設(shè)計(jì)構(gòu)建而成。這3種算法也各具一定的優(yōu)、劣勢，而當(dāng)實(shí)際分析確定投訴預(yù)測模型時(shí)，優(yōu)選合適的研發(fā)算法將從根本上決定了投訴預(yù)測模型的成功與否。

基于此，本文將以客戶一周投訴數(shù)量為預(yù)測目標(biāo)，進(jìn)行3種算法預(yù)測的對比研究，從而探討得出適用于客戶投訴預(yù)測模型的有效算法。

1算法原理

1.1ARIMA時(shí)間序列算法

時(shí)間序列是指以時(shí)間先后順序依次排列的一組統(tǒng)計(jì)數(shù)據(jù)。ARIMA時(shí)間序列算法包括了自回歸過程AR、移動(dòng)平均過程MA、以及差分過程DX=diff（y，i）。這里，將此算法可解析分述為如下3步：

（1）時(shí)間序列差分/平穩(wěn)處理。通過散點(diǎn)圖、自相關(guān)（Auto-Correlation Function）、偏自相關(guān)（Partial Auto-Correlation Function）查證序列的平穩(wěn)性，根據(jù)平穩(wěn)性特點(diǎn)確定差分階數(shù)，以及是否需要進(jìn)行差分處理。

（2）模型參數(shù)階數(shù)識(shí)別。ARIMA（p，d，q）模型中，參數(shù)p為自回歸項(xiàng)，參數(shù)q為移動(dòng)平均項(xiàng)數(shù)，參數(shù)d為時(shí)間序列趨于平穩(wěn)時(shí)需調(diào)用的差分次數(shù)[5]。研究中，可參照數(shù)據(jù)序列的自相關(guān)函數(shù)與偏相關(guān)函數(shù)的截尾、拖尾特性來設(shè)定ARIMA（p，d，q）模型中的各特征參數(shù)。

（3）模型檢驗(yàn)。通過構(gòu)造box-pierce的修正統(tǒng)計(jì)量Q來進(jìn)行殘差序列白噪聲檢驗(yàn)。研究推得公式表述如下：Q=（N-D-max（p，q））∑mk=1p2k（a^）（1）1.2多元線性回歸

回歸可用于研究因變量與自變量之間的關(guān)系，就是通過回歸方程來刻畫表達(dá)自變量與因變量之間的依存關(guān)系。多元線性回歸模型則是特別表征了某一因變量與多個(gè)自變量之間的相互關(guān)系[6]。對此設(shè)計(jì)過程可解析分述為如下3步。

（1）自變量選擇。在建模時(shí)，首先將選擇自變量。自變量篩選方法主要有逐步回歸法與灰色關(guān)聯(lián)度方法。

1.3BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋式神經(jīng)網(wǎng)絡(luò)，基礎(chǔ)原理是通過使用誤差逆?zhèn)鞑ニ惴ㄟM(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，這也是目前得到廣泛使用的神經(jīng)網(wǎng)絡(luò)算法之一。BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)元主要具備了3個(gè)基本功能，即修改權(quán)值、求和及轉(zhuǎn)移[7]。設(shè)計(jì)流程步驟可詳見如下。

（1）神經(jīng)網(wǎng)絡(luò)初始化。為各個(gè)神經(jīng)元連接權(quán)值（Wji）與閾值（Bj）賦予（-1，1）的隨機(jī)數(shù)。

（2）計(jì)算輸入層輸出。隨機(jī)選取一個(gè)輸入向量Xp=（x1x2...xn），計(jì)算期望輸出向量Yp=（y1y2...yn）。

2測試過程

2.1數(shù)據(jù)說明

本文以用戶投訴工單一周總量為預(yù)測目標(biāo)，選取的數(shù)據(jù)時(shí)段的范圍區(qū)間為2015年7月至2016年9月。其中，ARIMA時(shí)間序列預(yù)測方法僅需要投訴大類的統(tǒng)計(jì)數(shù)據(jù)。

多元線性回歸與BP神經(jīng)網(wǎng)絡(luò)則將使用一周投訴總量為因變量，經(jīng)過數(shù)據(jù)篩選，從信息查詢、業(yè)務(wù)咨詢、故障報(bào)修、舉報(bào)、意見、建議、表揚(yáng)、服務(wù)申請中篩選25個(gè)一級工單作為預(yù)測模型自變量。時(shí)間區(qū)間同樣設(shè)定為2015年7月至2016年9月，可截選數(shù)據(jù)約為1 444 248條。

2.2ARIMA時(shí)間序列算法

考慮到預(yù)測目標(biāo)為一周的投訴事件總量，故而本研究需要將原始數(shù)據(jù)按照周期為7進(jìn)行劃分，得到7組時(shí)間序列。繼而重復(fù)7次ARIMA時(shí)間序列預(yù)測得到所有預(yù)測值，這就將原始時(shí)間序列拆分為7組不同的時(shí)間序列，并以此建立時(shí)間序列預(yù)測模型。模型參數(shù)及模型評價(jià)的綜合運(yùn)行結(jié)果可見表1。

2.3多元線性回歸

多元線性回歸采用投訴量/周作為因變量。當(dāng)要預(yù)測t天的投訴量/周時(shí)，可采用除投訴工單外的t-1天其它一級工單作為自變量，并且采用stepwise逐步回歸法進(jìn)行因變量篩選。

2.4神經(jīng)網(wǎng)絡(luò)算法

由于數(shù)據(jù)量較小，訓(xùn)練量及計(jì)算量不大，故采用較低的學(xué)習(xí)率來提高模型的匹配度。使用IBM SPSS Statistics為工具進(jìn)行擬用于預(yù)測的神經(jīng)網(wǎng)絡(luò)模型構(gòu)建，相關(guān)配置信息可見表3。

3結(jié)束語

綜合以上結(jié)論，對各種算法的運(yùn)行集結(jié)歸類，由此得到設(shè)計(jì)處理后的最終呈現(xiàn)具體可見表4。從表4中可以得出，神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的預(yù)測模型在準(zhǔn)確度上遠(yuǎn)高于其它2種算法。從算法的本質(zhì)及預(yù)測結(jié)果分析可得，時(shí)間序列的原理是通過自回歸與移動(dòng)平均的過程，進(jìn)行未來值的預(yù)測。此類預(yù)測是建立在對于長期趨勢、季節(jié)變動(dòng)、循環(huán)變動(dòng)的識(shí)別基礎(chǔ)上，而對于不規(guī)則變動(dòng)預(yù)測性很差。多元線性回歸應(yīng)用在現(xiàn)實(shí)情況中會(huì)遭遇投訴與其它客戶訴求之間本就不是線性關(guān)系的困擾，回歸擬合的方式并不能真正體現(xiàn)自變量與因變量的映射關(guān)系。同樣，在實(shí)際構(gòu)筑模型的過程中，自變量的選擇也是一個(gè)難題，眾多自變量中的灰色相關(guān)度彼此之間相差不大。大量選擇自變量將無法確保有效擬合，少量選擇自變量則無法進(jìn)行準(zhǔn)確預(yù)測。而神經(jīng)網(wǎng)絡(luò)算法則是基于非線性的特點(diǎn)來尋求自變量與因變量之間聯(lián)系的模型，通過多層的網(wǎng)絡(luò)結(jié)構(gòu)反映數(shù)目可觀、且更為復(fù)雜的自變量與因變量的映射關(guān)系[8]。同時(shí)，BP神經(jīng)網(wǎng)絡(luò)的誤差逆?zhèn)鞑ニ惴ㄒ彩蛊浍@得了強(qiáng)大的學(xué)習(xí)訓(xùn)練能力。

至此，可得如下研究結(jié)論：BP神經(jīng)網(wǎng)絡(luò)從算例預(yù)測的準(zhǔn)確性、自變量與因變量之間關(guān)系的擬合程度來看，都是構(gòu)筑客戶投訴預(yù)測模型的最優(yōu)算法。

參考文獻(xiàn)

[1] 劉瑩瑩， 田雪， 姚佳，等. 電子商務(wù)的客戶抱怨管理[J]. 電子商務(wù)， 2015（1）：54，62.

[2] 顏偉， 程超， 薛斌，等. 結(jié)合X12乘法模型和ARIMA模型的月售電量預(yù)測方法[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)， 2016， 28（5）：74-80.

[3] 付倩嬈. 基于多元線性回歸的霧霾預(yù)測方法研究[J]. 計(jì)算機(jī)科學(xué)， 2016， 43（6A）：526-528.

[4] 陳昕昀， 蔣永康， 李牧原，等. 基于BP神經(jīng)網(wǎng)絡(luò)的公共自行車單站點(diǎn)調(diào)度需求量研究[J]. 交通運(yùn)輸研究， 2016， 2（3）：30-35.

[5] 韓超， 宋蘇， 王成紅. 基于ARIMA模型的短時(shí)交通流實(shí)時(shí)自適應(yīng)預(yù)測[J]. 系統(tǒng)仿真學(xué)報(bào)， 2004， 16（7）：1530-1532，1535.

[6] 陳永勝， 宋立新. 多元線性回歸建模以及SPSS軟件求解[J]. 通化師范學(xué)院學(xué)報(bào)， 2007， 28（12）：8-9，12.

[7] 柳小桐. BP神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)歸一化研究[J]. 機(jī)械工程與自動(dòng)化， 2010（3）：122-123，126.

[8] 張景陽， 潘光友. 多元線性回歸與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對比與運(yùn)用研究[J]. 昆明理工大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2013，38（6）：61-67.