4G網(wǎng)絡(luò)客戶感知分析及應(yīng)用

■ 中國移動通信集團(tuán)河北有限公司 曹雷雷 李云

編者按：本文提出一種基于決策樹的4G網(wǎng)絡(luò)客戶感知預(yù)測模型，從而實(shí)現(xiàn)了4G網(wǎng)絡(luò)客戶滿意度指標(biāo)體系的構(gòu)建。

圖1 整體設(shè)計思路

對于電信運(yùn)營商及移動互聯(lián)網(wǎng)來說，以客戶為中心，關(guān)注客戶體驗，提高客戶網(wǎng)絡(luò)感知，提升客戶滿意度是重點(diǎn)工作內(nèi)容。傳統(tǒng)獲取客戶滿意度的方式包括市場調(diào)研、客戶服務(wù)，響應(yīng)周期長、服務(wù)客戶范圍局限，傳統(tǒng)的優(yōu)化方法，僅依靠網(wǎng)絡(luò)接通、掉線指標(biāo)定位質(zhì)差小區(qū)，此類的網(wǎng)絡(luò)優(yōu)化確實(shí)有效果，但方法滯后，已很難滿足當(dāng)前激烈的市場競爭需求和較高的業(yè)務(wù)時效性要求。因此，建立一套集網(wǎng)絡(luò)客戶感知預(yù)測、網(wǎng)絡(luò)問題定位、分析及應(yīng)用的基于機(jī)器學(xué)習(xí)的4G網(wǎng)絡(luò)客戶感知分析及應(yīng)用，能夠在用戶投訴之前發(fā)現(xiàn)網(wǎng)絡(luò)問題，成為4G時代提高4G網(wǎng)絡(luò)客戶感知的重要舉措。

模型設(shè)計思路

基于以上思考，本文提出了一種 “4G網(wǎng)絡(luò)感知預(yù)測模型”預(yù)測網(wǎng)絡(luò)問題的方法，“4G網(wǎng)絡(luò)客戶感知預(yù)測模型”是一種基于C5.0決策樹的客戶網(wǎng)絡(luò)感知預(yù)測模型。該方法核心思想是根據(jù)4G投訴客戶的投訴特征，構(gòu)建4G網(wǎng)絡(luò)指標(biāo)體系，使用決策樹算法，借用樣本數(shù)據(jù)開展建模。如圖1所示，通過投訴客戶特征和無線網(wǎng)指標(biāo)的采集和整理，構(gòu)建客戶影響力指標(biāo)體系；C5.0決策樹算法借用樣本和反樣本數(shù)據(jù)不斷機(jī)械訓(xùn)練構(gòu)建模型，輸出客戶網(wǎng)絡(luò)感知差小區(qū)，其后對感知差小區(qū)進(jìn)行分析和優(yōu)化處理；模型構(gòu)建是一個長期不斷訓(xùn)練樣本數(shù)據(jù)、提高準(zhǔn)確率的過程，因此每月將客戶投訴數(shù)據(jù)進(jìn)行不斷更新，以便完善模型。

4G網(wǎng)絡(luò)感知模型實(shí)現(xiàn)

1.決策樹

決 策 樹（Decision Tree），它是用樹的結(jié)構(gòu)來構(gòu)建分類模型，每個節(jié)點(diǎn)代表著一個屬性，根據(jù)這個屬性的劃分，進(jìn)入這個節(jié)點(diǎn)的兒子節(jié)點(diǎn)，直至葉子節(jié)點(diǎn)，每個葉子節(jié)點(diǎn)都表征著一定的類別，從而達(dá)到分類的目的。其重要的能力是將看似無序、離散、雜亂的已知的實(shí)例（例如已知的客戶感知差小區(qū)），通過某種技術(shù)手段將它們轉(zhuǎn)化成可以預(yù)測未知實(shí)例的樹形模型。

常用的決策樹有C4.5，C5.0，CART等。在生成樹的過程中，需要選擇用那個特征進(jìn)行剖分，選取的原則是，分開后能盡可能地提升純度，可以用信息增益，增益率，以及基尼系數(shù)等指標(biāo)來衡量。如果是一棵樹的話，為了避免過擬合，還要進(jìn)行剪枝，取消那些可能會導(dǎo)致驗證集誤差上升的節(jié)點(diǎn)。

圖2 客戶網(wǎng)絡(luò)感知指標(biāo)體系

圖3 模型構(gòu)建流程

在此處，使用了C5.0決策樹算法，在面對數(shù)據(jù)遺漏和輸入字段很多的問題時非常穩(wěn)健；比一些其他類型的模型易于理解，模型退出的規(guī)則有非常直觀的解釋；同時也提供強(qiáng)大技術(shù)以提高分類的精度。針對預(yù)測未知的客戶網(wǎng)絡(luò)感知差的小區(qū)，使用C5.0進(jìn)行分析，通過投訴用戶感知差的小區(qū)做樣本數(shù)據(jù)，提取全網(wǎng)小區(qū)做反樣本數(shù)據(jù)（樣本/反樣本指標(biāo)是由投訴客戶特征整理與無線網(wǎng)指標(biāo)的結(jié)合構(gòu)建的指標(biāo)體系）通過以“樹”的形式盡最大化進(jìn)行指標(biāo)分叉，構(gòu)建決策樹模型，為了避免過擬合，可進(jìn)行剪枝，取消那些可能會導(dǎo)致驗證集誤差上升的節(jié)點(diǎn)。

2.4G網(wǎng)絡(luò)感知預(yù)測模型構(gòu)建

（1）構(gòu)建客戶感知指標(biāo)體系

構(gòu)建客戶網(wǎng)絡(luò)感知指標(biāo)體系，要使用聚類算法，對投訴客戶特征進(jìn)行聚類分析（此處提取了兩個月投訴用戶的投訴特征進(jìn)行聚類），并結(jié)合投訴小區(qū)的網(wǎng)絡(luò)指標(biāo)，初步構(gòu)建有覆蓋類、上網(wǎng)類、通話類三類20個網(wǎng)絡(luò)感知指標(biāo)體系，如圖2所示。隨著模型算法的不斷完善以及投訴用戶樣本的不斷增加和更新，影響力指標(biāo)體系也會不斷修改、增加和調(diào)整。

（2）樣本采集

從兩個月的投訴數(shù)據(jù)中選取了樣本數(shù)據(jù)和反樣本數(shù)據(jù)（投訴樣本1000、反 樣 本5000個），并將樣本數(shù)據(jù)進(jìn)行指標(biāo)化處理。為了使模型訓(xùn)練更加準(zhǔn)確，在模型訓(xùn)練前對樣本數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、數(shù)據(jù)降噪，減少“噪音”數(shù)據(jù)的污染。

（3）模型構(gòu)建及訓(xùn)練

使用SPSS模型構(gòu)建工具進(jìn)行模型構(gòu)建，并進(jìn)行不斷迭代完善。在SPSS工具中使用C5.0決策樹進(jìn)行算法機(jī)械學(xué)習(xí)，將樣本及反樣本訓(xùn)練集導(dǎo)入到工具中，然后通過數(shù)據(jù)探索、理解，使用決策樹不斷進(jìn)行機(jī)械學(xué)習(xí)，最終構(gòu)建模型，在SPSS環(huán)境下，使用了CHAID、C5.0決策樹算法進(jìn)行算法比對，C5.0算法不需要花費(fèi)很多的訓(xùn)練次數(shù)進(jìn)行模型構(gòu)建，在訓(xùn)練7次后，模型初步形成；用此算法形成模型比一些其他類型的模型易于理解，模型推出的規(guī)則有非常直觀的解釋。通過不斷更新樣本數(shù)據(jù)，模型不斷迭代完善，從而保障數(shù)據(jù)模型的準(zhǔn)確性。如圖3模型構(gòu)建過程所示。

3.模型檢驗

依據(jù)反向驗證方法，選取樣本小區(qū)10個，將網(wǎng)絡(luò)指標(biāo)輸入到模型中進(jìn)行模型準(zhǔn)確性驗證。已訓(xùn)練出的模型算法會根據(jù)樣本指標(biāo)進(jìn)行分類判斷，定位是否感知差小區(qū)。如表1所示，樣本數(shù)據(jù)展示出的結(jié)果，包括10個樣本指標(biāo)體系和模型判斷的結(jié)果。例如樣本1，模型定性為感知差小區(qū)，其MR指標(biāo)較弱，出現(xiàn)網(wǎng)絡(luò)覆蓋問題，故投訴用戶較多，造成網(wǎng)絡(luò)感知差。

根據(jù)模型驗證結(jié)果，可了解到驗證的準(zhǔn)確率是60%，此結(jié)果只是針對于選擇的樣本，并不能代表全市以及全省。目前已經(jīng)開展此項模型的全網(wǎng)應(yīng)用。根據(jù)大數(shù)據(jù)模型機(jī)械學(xué)習(xí)的優(yōu)點(diǎn)，隨著投訴樣本的不斷增加和更新，用戶感知因素不斷完善，指標(biāo)評估體系進(jìn)一步擴(kuò)展，模型將不斷完善，準(zhǔn)確率也不斷提高。

表1 模型驗證表

表2 4G投訴情況觀察觀測

應(yīng)用效果

在模型訓(xùn)練好后，提取每個月最后一周網(wǎng)絡(luò)指標(biāo)數(shù)據(jù)導(dǎo)入模型進(jìn)行運(yùn)算，輸出全網(wǎng)各個小區(qū)的網(wǎng)絡(luò)感知情況（是否是感知差小區(qū)），篩選出100個感知差小區(qū)不采取整治措施留作觀察測試，剩余其他感知差小區(qū)進(jìn)行整治，即進(jìn)行網(wǎng)絡(luò)規(guī)劃和優(yōu)化，優(yōu)化措施等。

從三個周期的指標(biāo)來看，100個觀察測試小區(qū)中均有60多產(chǎn)生了投訴見表2，說明該模型在4G投訴預(yù)處理過程中的有效性，即通過模型輸出感知差小區(qū)并采取優(yōu)化策略可以在投訴發(fā)生前避免投訴的發(fā)生。另外經(jīng)過實(shí)際分析發(fā)現(xiàn)100個感知差的小區(qū)中有80多個小區(qū)需要進(jìn)行優(yōu)化處理見表2。

通過觀察采取整治措施小區(qū)的投訴情況來看，發(fā)現(xiàn)投訴小區(qū)量有效遞減，且投訴值明顯低于優(yōu)化前（模型使用前）的投訴量。說明該模型在4G投訴預(yù)處理提高客戶感知中的有效性。

另外，發(fā)現(xiàn)模型實(shí)施后4G質(zhì)差小區(qū)量和4G高負(fù)荷小區(qū)量都明顯下降，說明該模型在網(wǎng)絡(luò)規(guī)劃與網(wǎng)絡(luò)優(yōu)化建設(shè)中能起到很有效的作用。