客戶無線網(wǎng)絡投訴的預防措施研究

吳亞楠

（中國移動通信集團四川有限公司，四川 成都 610097）

0 引言

隨著客戶服務意識的提高，客戶對網(wǎng)絡質(zhì)量的要求也越來越嚴格。若投訴問題無法及時有效解決，會增加客戶產(chǎn)生重復投訴和升級投訴的風險，客戶滿意度也將受到嚴重影響。針對無線網(wǎng)絡類投訴問題，傳統(tǒng)的處理和修復存在以下缺陷：

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

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

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

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

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

（6）場景和社會動態(tài)差異：傳統(tǒng)投訴分析思路是由點及面，無法根據(jù)社會動態(tài)、特定場景的特定需求預測未來趨勢。

1 體系設計

在傳統(tǒng)投訴分析時，各項指標無法與客戶感知關聯(lián)分析。在此背景下，結合客戶歷史投訴點位聯(lián)合周邊小區(qū)進行虛擬小區(qū)的KPI/KQI進行相關性計算，從前期大量投訴中發(fā)現(xiàn)與KPI/KQI各種組合的相關規(guī)律，再將規(guī)律應用到原始投訴和后續(xù)投訴作為驗證，在驗證結果準確度較高的情況下，將客戶感知、投訴和現(xiàn)網(wǎng)的KPI/KQI建立聯(lián)系。結合客戶特性標簽、社會實時動態(tài)，對感知劣化的潛在投訴區(qū)域發(fā)布預警，高風險場景/區(qū)域前移處理，同時識別風險區(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KPI/KQI容忍值和權值界定解決監(jiān)控指標不確定性及客戶反映的故障現(xiàn)象及時間參差不一的難題；（3）基于客戶特性標簽、地理環(huán)境、社會實時動態(tài)的多元數(shù)據(jù)分析，彌補特定場景投訴無法預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 實現(xiàn)過程

2.1 數(shù)據(jù)收集及數(shù)據(jù)預處理

數(shù)據(jù)收集主要涉及網(wǎng)絡面和客戶面兩部分，網(wǎng)絡面包括：實時指標、實時告警、工參信息等，客戶面包括：投訴信息、客戶信息、社會動態(tài)環(huán)境信息等。需對采集的網(wǎng)絡面數(shù)據(jù)和客戶面數(shù)據(jù)進行檢查、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)分析投訴關聯(lián)小區(qū)的方式有兩種：一是關聯(lián)周邊區(qū)域小區(qū)：根據(jù)不同場景設定半徑R，關聯(lián)半徑R內(nèi)的N個基站；二是關聯(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，一個單點的網(wǎng)絡異常，就會導致客戶投訴，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)關聯(lián)和常駐小區(qū)關聯(lián)都可能會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，將投訴點位最近N個基站的最差指標集合作為一個虛擬集，用作該投訴問題分析關聯(lián)的虛擬小區(qū)。

2.3 自適應KPI/KQI容忍值和權值界定

常見的KPI/KQI感知分析，是基于經(jīng)驗值確定質(zhì)差門限。如下行PRB利用率，根據(jù)業(yè)務類型不同，一般將大包、中包、小包門限定為70%，50%，40%，高于70%，50%，40%就認為感知異常。實際上，不同群體投訴時對應的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，參與建模的指標項集合不限定個數(shù)和類別，根據(jù)后續(xù)自適應算法，分為強相關指標、弱相關指標和無相關指標，以指標權值進行區(qū)分。

（1）自適應KPI/KQI容忍值界定。

針對每個指標輸出正態(tài)分布圖，尋找平穩(wěn)區(qū)域及拐點。根據(jù)分布拐點對投訴點位的關鍵KPI/KQI指標進行等權重評分。

（2）KPI/KQI權值界定。

現(xiàn)網(wǎng)存在大量的KPI指標，若對指標無差異的全量分析，不僅工作量巨大費時費力，還可能定位不到導致投訴的關鍵問題。通過對投訴客戶和全網(wǎng)其他客戶的KPI差異分析，找到影響投訴的關鍵KPI集，再根據(jù)各項KPI/KQI與感知容忍的相關度界定權值。

均值門限界定法：分別設定每個指標權值為100%，其他指標權值為0，計算準確率60%時處理小區(qū)比例與潛在小區(qū)比例比值，得出單項KPI/KQI指標權重[3]。

個性門限界定法：對均值門限問題的收斂和精細化，以不同權重對多指標項進行分析，輸出帶不同指標權值的低分小區(qū)并評估低分小區(qū)與實際投訴點位的相關性。如某區(qū)域個性門限擬合，檢測地市在各項KPI/KQI上的權重發(fā)生差異，該區(qū)域在KPI指標上，小區(qū)下行PRB利用率和小區(qū)上行PRB利用率權重分別為18%和12%，表示該區(qū)域的高負荷問題與客戶投訴的相關度最高。通過KQI指標權重分析，該地點該時段投訴客戶對視頻始緩沖時延和Web頁面顯示成功率的容忍度較低。

2.4 模型擬合評估方法

為驗證問題收斂性，通過等權重評分方法，確定KPI/KQI不同分值段與投訴定位的匹配度。根據(jù)KPI/KQI指標門限，對所有小區(qū)指標打分，并進行等權值匯總，按照小區(qū)分值分段與投訴點位虛擬小區(qū)下邏輯小區(qū)進行匹配。對于KPI/KQI集合分數(shù)對應投訴匹配度，設定關鍵指標：

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

（3）潛在投訴擴散比（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指標體系：可處理26%的投訴點位，潛在小區(qū)占比30.54%；即1 982個投訴點位可通過處理755個差小區(qū)關聯(lián)517個投訴點位，且另外找出226個潛在投訴點位。

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

2.5 基于客戶特性標簽、地理場景、環(huán)境信息、社會活動多元分析

使用kmeans++算法聚合最差小區(qū)集，調(diào)用投訴處理平臺GIS頁面，輸出潛在投訴風險區(qū)。針對不同場景，制定歷史投訴量、邏輯小區(qū)數(shù)、業(yè)務量等閾值，并持續(xù)觀察投訴風險區(qū)。從該區(qū)域的潛在投訴擴散比在時間維度上的變化，分級輸出持續(xù)風險、加強風險區(qū)、衰退風險區(qū)、閉環(huán)風險區(qū)等4個風險區(qū)級別，可根據(jù)不同級別的風險采取相應策略。

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)務使用習慣、終端類型等特性標簽，通過特征對比和重疊特征選取，經(jīng)決策樹（Decision Tree）判斷[2]，結合社會實時動態(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，并提前安撫關懷。

3 結語

通過基于KPI和KQI及網(wǎng)絡告警信息擬合客戶特征、場景、社會動態(tài)信息、歷史投訴等多維數(shù)據(jù)挖掘，預警潛在投訴風險區(qū)域，通過前置干預，實現(xiàn)投訴量的壓降和客戶滿意度的雙提升。