CN101110699B - 具有网络满意度预测预警功能的系统及其实现方法 - Google Patents

Abstract

本发明公开了一种具有网络满意度预测预警功能的系统，其具有输入端、输出端、数据输入模块、数据处理模块、数据拆分模块、预测模型生成模块和预测模型输出模块，所述的数据输入模块、数据处理模块、数据拆分模块、预测模型生成模块和预测模型输出模块依次相连。该系统还可以进一步包括预测模型评估模块和数据分析模块。通过该系统可以筛选不满意客户，寻找导致客户不满意的网络设备，从而实现网络满意度的预测功能，并且可进一步实现网络满意度的预警功能，分析可能导致客户不满意的原因，从而实现网络满意度的预警功能。本发明同时还公开了上述系统的实现方法。

Description

具有网络满意度预测预警功能的系统及其实现方法

技术领域

本发明涉及具有网络满意度预测预警功能的系统及其实现方法，通过该系统可以实现客户网络满意度的预测预警功能。

背景技术

通常，客户网络满意度管理是基于常规第三方定期或不定期的市场调研结果，现有的满意度提升工作只能在调研之后才能进行，相对滞后，效果不佳；多次的市场调研，会影响客户的感知，对满意度调研结果的真实和可靠性有影响；现有的满意度调研仅关注客户的评价和感受，无法真正落实到网络优化和营销建议的具体方案上，无法和实际工作相对应，营销干预和网络优化均缺乏针对性、预见性、有效性。

传统的满意度分析研究从客户角度出发，可以测量出满意度的高低，可以测量满意度工作的短板，可以确定改进工作方向。

但是，传统的满意度分析相对滞后，客户不满意甚至发生投诉行为之后才能采取挽救和弥补措施，效果不理想，不能针对具体的网络设备，无法提供网络优化的针对性建议，无法找到不满意的客户，提升工作缺乏针对性，不能找到客户不满意的真正原因，提升工作具有一定的盲目性。

发明内容

本发明的第一个目的是提供一种网络满意度预测预警功能的系统及其实现方法，通过该系统和方法可以筛选不满意客户，寻找导致客户不满意的网络设备，从而实现网络满意度的预测功能。

本发明的第二个目的在于提供一种在前述技术方案的基础上进一步能够实现对预测模型准确性进行进一步评估的一种网络满意度预测预警功能的系统及其实现方法。

本发明的第三个目的在于提供一种进一步能够对不满意客户和导致客户不满意的网络设备进行进一步分析的一种网络满意度预测预警功能的系统及其实现方法，分析可能导致客户不满意的原因，从而实现网络满意度的预警功能。

本发明的第一个目的是通过以下技术方案来实现的：

具有网络满意度预测预警功能的系统，其具有输入端和输出端，其特征在于该系统还包括数据输入模块、数据处理模块、数据拆分模块、预测模型生成模块和预测模型输出模块，所述的数据输入模块、数据处理模块、数据拆分模块、预测模型生成模块和预测模型输出模块依次相连，其中，

所述的数据输入模块用于采集输入端输入的系统常态数据和客户网络满意度数据；

所述的数据处理模块用于接收数据输入模块传输来的数据，并且对接收的数据进行合并、清洗和处理；

所述的数据拆分模块用于接收数据处理模块处理的数据，并且将接收到的数据随机拆分成用于构建初始模型的训练集、用于调整初始模型的验证集和用于测试模型有效性的测试集；

所述的预测模型生成模块用于接收训练集和验证集的数据，构建客户网络满意度决策树，根据决策树对客户未来网络满意度做出分类，筛选不满意客户，寻找导致客户不满意的网络设施，并且将上述结果以数据库的形式输送给预测模型输出模块；

所述的预测模型输出模块用于接收预测模型生成模块传送来的数据，并将其输送给输出端。

所述的系统常态化数据至少包括客户基本属性数据、客户通话行为数据、客户消费行为数据、客户投诉行为数据和网络设施技术参数数据等，数据表来源于客户服务系统、经营分析系统、客户投诉处理系统和网络运营管理系统。

所述的客户网络满意度数据来源于常规调研结果。

本发明同时提供一种具有网络满意度预测预警功能的系统的实现方法，该方法的原理是：首先，获得用于预测客户未来网络满意度分类的决策树，其次，基于系统常态化数据和满意度调研数据，根据决策树对客户未来网络满意度做出分类，再次，筛选不满意客户，寻找导致客户不满意的网络设施，对不满意客户群和导致客户不满意的网络设施群特征进行深入分析，对相应原因进行深入分析，该方法包括如下步骤：

1)数据输入步骤：通过数据输入模块采集输入端输入的系统常态数据和客户网络满意度数据；

2)数据处理步骤：通过数据处理模块接收数据输入模块传输来的数据，并且对接收的数据进行合并、清洗和处理；

3)数据拆分步骤：通过数据拆分模块接收数据处理模块处理的数据，并且将接收到的数据随机拆分成用于构建初始模型的训练集、用于调整初始模型的验证集和用于测试模型有效性的测试集；

4)预测模型生成步骤：通过预测模型生成模块接收训练集和验证集的数据，构建客户网络满意度决策树，根据决策树对客户未来网络满意度做出分类，筛选不满意客户，寻找导致客户不满意的网络设施，并且将上述结果以数据库的形式输送给预测模型输出模块；

5)预测模型输出步骤：通过预测模型输出模块接收预测模型生成模块传送来的数据，并将其输送给输出端。

在根据本发明的客户网络满意度预测预警模型中，网络设施技术参数数据通过客户享用网络服务资源时间加权平均，建立从网络设施到客户的映射关系。

所述的数据处理步骤包括缺失值处理、噪声数据处理、数据一致性检查、数据冗余检查、数据平滑、聚集、概化、归约和构造等数据清理和处理技术。

本发明的第二个目的是在本发明的第一个目的的技术实施方案的基础上加以实现的，即具有网络满意度预测预警功能的系统，该系统还包括预测模型评估模块，该预测模型评估模块与所述的数据拆分模块相连，接收所述的测试集的数据，用于将预测模型生成模块的预测结果与建模同期获取的实际客户网络满意度实际数据进行比较，以验证模型的真实性和可靠性。

所述的预测模型评估模块用于监控、评估和反馈预测预警的运行过程和结果，不断优化模型和结果。

本发明的第二个目的同时还提供一种具有网络满意度预测预警功能的系统的实现方法，该方法在实现第一个发明目的的方法的基础上，还包括模型评估步骤：通过预测模型评估模块接收所述的测试集的数据，用于将预测模型生成模块的预测结果与建模同期获取的实际客户网络满意度实际数据进行比较，以验证模型的真实性和可靠性。

所述的数据评估步骤将预测结果重新输入预测模型，对模型进行优化，还包括对实际运行效果的监测，不断分析预测失败的原因。

本发明的第三个目的是在本发明的第一个或第二个目的的技术实施方案的基础上加以实现的，即具有网络满意度预测预警功能的系统，该系统还包括数据分析模块，该数据分析模块与所述的输出端相连，用于接收输出端输出的数据，并且对该数据进行分析。

所述的数据分析模块用于对不满意客户群和导致客户不满意的网络设施群特征进行深入分析，对相应原因进行深入分析，并且可以帮助运营商实现网络满意度的预测型管理。

本发明的第三个目的同时还提供一种具有网络满意度预测预警功能的系统的实现方法，该方法在实现第一个或第二个发明目的的方法的基础上，还包括数据分析步骤：通过数据分析模块接收输出端输出的数据，并且对该数据进行分析。

本发明具有网络满意度预测预警功能的系统及其实现方法，可以实现对可能导致客户发生网络不满意的网络设施的预测预警，可以建立预测预警的规则集和知识库，实现业务知识的提取、积累和标准化。

附图说明

下面结合附图和具体实施方式对本发明做进一步的详细说明。

图1是本发明实施例一具有网络满意度预测预警功能的系统的整体结构框图；

图2是本发明实施例一具有网络满意度预测预警功能的系统的实现方法的流程图；

图3是本发明实施例二具有网络满意度预测预警功能的系统的整体结构框图；

图4是本发明实施例二具有网络满意度预测预警功能的系统的实现方法的流程图；

图5是本发明实施例三具有网络满意度预测预警功能的系统的整体结构框图；

图6是本发明实施例三具有网络满意度预测预警功能的系统的实现方法的流程图。

具体实施方式

实施例一

如图1所示的具有网络满意度预测预警功能的系统，其具有输入端和输出端，输入端和输出端均采用现有技术，该系统还包括数据输入模块101、数据处理模块102、数据拆分模块103、预测模型生成模块104和预测模型输出模块105，所述的数据输入模块101、数据处理模块102、数据拆分模块103、预测模型生成模块104和预测模型输出模块105依次相连，其中，

所述的数据输入模块101用于采集输入端输入的系统常态数据和客户网络满意度数据；

所述的数据处理模块102用于接收数据输入模块101传输来的数据，并且对接收的数据进行合并、清洗和处理；

所述的数据拆分模块103用于接收数据处理模块102处理的数据，并且将接收到的数据随机拆分成用于构建初始模型的训练集、用于调整初始模型的验证集和用于测试模型有效性的测试集；

所述的预测模型生成模块104用于接收训练集和验证集的数据，构建客户网络满意度决策树，根据决策树对客户未来网络满意度做出分类，筛选不满意客户，寻找导致客户不满意的网络设施，并且将上述结果以数据库的形式输送给预测模型输出模块105；

所述的预测模型输出模块105用于接收预测模型生成模块104传送来的数据，并将其输送给输出端。

当采集系统常态化数据和客户网络满意度数据时，客户基本属性数据来源于客户服务系统，客户通话行为数据、客户消费行为数据来源于经营分析系统，客户投诉行为数据来源于客户投诉处理系统，网络设施技术参数数据来源于网络运营管理系统，数据文件格式为文本文件，数据表单格式为各系统预设。

所述的系统常态化数据至少包括客户基本属性数据、客户通话行为数据、客户消费行为数据、客户投诉行为数据和网络设施技术参数数据等，数据表来源于客户服务系统、经营分析系统、客户投诉处理系统和网络运营管理系统。

客户基本属性数据：客户基本属性数据主要反映个人统计学特征信息(一般包括年龄、性别、收入水平、教育程度、所在行业等)和反映客户与移动运营商之间相互关系的数据(诸如入网时间、成为大客户时间、使用品牌、使用移动何种服务等方面的信息)。

客户通话行为特征数据：主要反映客户通话特征的数据，主要通过次数和时长两类指标反映。反映客户通话行为特征数据可以从平均水平和变动情况两个方面来反映。

客户消费行为特征数据：主要反映客户通话特征的数据，主要通过每月的分类费用指标反映。反映客户消费特征数据可以从平均水平和变动情况两个方面来反映。

客户投诉网络质量数据：涉及网络质量方面的投诉信息，包括投诉类型，客户号码，投诉时间，紧急程度，处理情况等。

网络设施技术参数数据：对应到客户端的网络技术参数数据，映射方法考虑以基站或小区网络设施技术参数服务时长做为权重平均映射的方法。

其他附属信息数据：其他未涵盖在客户个人信息和客户通话行为特征信息数据中的数据。

根据网络设施与客户间的映射方法，建立从网络设施技术参数数据到客户的映射，如下所述：

根据客户享用和占有网络资源的时长，对网络设施的技术参数数据进行加权平均，从而实现网络技术参数到客户的映射。如果用“t”表示客户基于某业务使用某网络设施的时长，用“p”表示某网络设施的某项技术参数，用“i”表是不同的网络设施，则利用下式计算该客户对应的平均网络设施技术参数p：

$\stackrel{\‾}{p}=\frac{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{t}_i{p}_i}{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{t}_i}$

输入的数据，将通过数据输入模块101输送给数据处理模块102进行处理。

首先，按照用户号码对系统常态化数据和客户网络满意度调研数据进行合并整理，形成原始的宽表数据文件；其次，对原始宽表文件进行数据清洗，本发明涉及的数据清洗技术包括缺失值处理、噪声数据处理、数据一致性检查、数据冗余检查等；再次，对宽表文件进行数据处理，本发明涉及的数据处理技术包括数据平滑、聚集、概化、归约和构造等，同时，按照建模的要求还需要创建模型集、平衡样本、时间帧和创建预言性模型集等处理；最后，将准备好的数据宽表写回数据库，进入下一阶段工作，并且将数据库内的数据输送给数据拆分模块103。

数据拆分模块103将数据文件随机拆分成三部分，即训练集、验证集和测试集，其中，训练集用于构建初始的模型，验证集，用于调整初始的模型，使其更加通用，测试集，用于测试模型的有效性。

所述的预测模型生成模块104用于接收训练集和验证集的数据，建立客户网络满意度预测决策树模型和相应的规则集，并生成相应的预测结果，包括不满意客户名单(不满意预测的概率值)，导致客户不满意设备清单，不满意客户和设备聚类和特征分析，不同品牌客户不满意客户的比重描述/差异比较，不同业务产品不满意客户的比重描述/差异比较，不同物理区域不满意客户的比重描述/差异比较，不满意客户/网络设备的原因分析等。

如图2所示，上述具有网络满意度预测预警功能的系统的实现方法包括如下步骤：

1)数据输入步骤201：通过数据输入模块采集输入端输入的系统常态数据和客户网络满意度数据；

2)数据处理步骤202：通过数据处理模块接收数据输入模块传输来的数据，并且对接收的数据进行合并、清洗和处理；

3)数据拆分步骤203：通过数据拆分模块接收数据处理模块处理的数据，并且将接收到的数据随机拆分成用于构建初始模型的训练集、用于调整初始模型的验证集和用于测试模型有效性的测试集；

4)预测模型生成步骤204：通过预测模型生成模块接收训练集和验证集的数据，构建客户网络满意度决策树，根据决策树对客户未来网络满意度做出分类，筛选不满意客户，寻找导致客户不满意的网络设施，并且将上述结果以数据库的形式输送给预测模型输出模块；

5)预测模型输出步骤205：通过预测模型输出模块接收预测模型生成模块传送来的数据，并将其输送给输出端。

实施例二

如图3所示的具有网络满意度预测预警功能的系统，和实施例一不同的是，该实施例的系统还包括预测模型评估模块106，该预测模型评估模块106与所述的数据拆分模块103相连，接收所述的测试集的数据，用于将预测模型生成模块104的预测结果与建模同期获取的实际客户网络满意度实际数据进行比较，以验证模型的真实性和可靠性。

通过先前未使用的测试数据集来评估预测模型的准确性，主要根据差错率和提升度来测量。差错率是指被误分类的记录的百分比，常用错判矩阵来区分错误肯定和错误否定。提升度，是指当模型用于从总体中选择一个群组时，这个指定群组集中度的变化量，常用提升度图来评估模型的效果。

同时，还需要对模型进行业务角度评估，主要评估模型的科学性和合理性。

最终，提出模型优化或者完善的建议。

在考虑成本的前提下，可以将错判和差错成本相关联，将差错成本和提升度相关联，最终结合业务知识确定预警的标准。

通过预测模型评估模块106以验证模型的真实性和可靠性，并根据工作方向、难度和效益预算，确定预警标准，实现客户网络满意度预警功能。

如图4所示，本实施例的实现方法，和实施例一相比，还包括模型评估步骤206：通过预测模型评估模块接收所述的测试集的数据，用于将预测模型生成模块的预测结果与建模同期获取的实际客户网络满意度实际数据进行比较，以验证模型的真实性和可靠性。

实施例三

如图5所示的具有网络满意度预测预警功能的系统，和实施例二不同的是，该系统还包括数据分析模块107，该数据分析模块107与所述的输出端相连，用于接收输出端输出的数据，并且对该数据进行分析。

对输出端输出的数据深入分析的内容包括，按照客户的价值和未来对网络不满意的可能性排序并生成不满意客户名单，对不满意的客户进行分群和特征描述，利用客户到网络设施的映射关系将未来不满意客户对应到可能导致客户不满意的设施，输出需要关注的网络设施清单，并对网络设施进行基于位置的聚类和特征分析，分析可能导致客户不满意的原因。

如图6所示，本实施例的实现方法，和实施例二相比，还包括数据分析步骤207：通过数据分析模块接收输出端输出的数据，并且对该数据进行分析。

Claims (6)

1.具有网络满意度预测预警功能的系统，其具有输入端和输出端，其特征在于：该系统还包括数据输入模块、数据处理模块、数据拆分模块、预测模型生成模块和预测模型输出模块，所述的数据输入模块、数据处理模块、数据拆分模块、预测模型生成模块和预测模型输出模块依次相连，其中，

所述的数据输入模块用于采集输入端输入的系统常态数据和客户网络满意度数据；

所述的数据处理模块用于接收数据输入模块传输来的数据，并且对接收的数据进行合并、清洗和处理；

所述的数据拆分模块用于接收数据处理模块处理的数据，并且将接收到的数据随机拆分成用于构建初始模型的训练集、用于调整初始模型的验证集和用于测试模型有效性的测试集；

所述的预测模型生成模块用于接收训练集和验证集的数据，构建客户网络满意度决策树，根据决策树对客户未来网络满意度做出分类，筛选不满意客户，寻找导致客户不满意的网络设施，并且将上述结果以数据库的形式输送给预测模型输出模块；

所述的预测模型输出模块用于接收预测模型生成模块传送来的数据，并将其输送给输出端。

2.根据权利要求1所述的具有网络满意度预测预警功能的系统，其特征在于：该系统还包括预测模型评估模块，该预测模型评估模块与所述的数据拆分模块相连，接收所述的测试集的数据，用于将预测模型生成模块的预测结果与建模同期获取的实际客户网络满意度实际数据进行比较，以验证模型的真实性和可靠性。

3.根据权利要求1或2所述的具有网络满意度预测预警功能的系统，其特征在于：该系统还包括数据分析模块，该数据分析模块与所述的输出端相连，用于接收输出端输出的数据，并且对该数据进行分析。

4.实现权利要求1所述的具有网络满意度预测预警功能的系统的方法，该方法包括如下步骤：

1)数据输入步骤：通过数据输入模块采集输入端输入的系统常态数据和客户网络满意度数据；

2)数据处理步骤：通过数据处理模块接收数据输入模块传输来的数据，并且对接收的数据进行合并、清洗和处理；

3)数据拆分步骤：通过数据拆分模块接收数据处理模块处理的数据，并且将接收到的数据随机拆分成用于构建初始模型的训练集、用于调整初始模型的验证集和用于测试模型有效性的测试集；

4)预测模型生成步骤：通过预测模型生成模块接收训练集和验证集的数据，构建客户网络满意度决策树，根据决策树对客户未来网络满意度做出分类，筛选不满意客户，寻找导致客户不满意的网络设施，并且将上述结果以数据库的形式输送给预测模型输出模块；

5)预测模型输出步骤：通过预测模型输出模块接收预测模型生成模块传送来的数据，并将其输送给输出端。

5.根据权利要求4所述的方法，其特征在于：该方法还包括模型评估步骤：通过预测模型评估模块接收所述的测试集的数据，用于将预测模型生成模块的预测结果与建模同期获取的实际客户网络满意度实际数据进行比较，以验证模型的真实性和可靠性。

6.根据权利要求4或5所述的方法，其特征在于：该方法还包括数据分析步骤：通过数据分析模块接收输出端输出的数据，并且对该数据进行分析。

Images