CN105825403A - 一种预测客户满意度的五位一体方法 - Google Patents
一种预测客户满意度的五位一体方法 Download PDFInfo
- Publication number
- CN105825403A CN105825403A CN201610159646.3A CN201610159646A CN105825403A CN 105825403 A CN105825403 A CN 105825403A CN 201610159646 A CN201610159646 A CN 201610159646A CN 105825403 A CN105825403 A CN 105825403A
- Authority
- CN
- China
- Prior art keywords
- feature
- client
- csat
- index
- customer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000008447 perception Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008451 emotion Effects 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测客户满意度的五位一体方法,所述方法通过对客户指标进行量化,定义为时间、客户、位置、事件、感知五类特征指标,通过大数据算法,找到影响客户满意度的相关指标及影响力,构建五位一体分析模型,建立主观用户满意度的客观定义,实现对客户满意度的预测。本发明方法可形成客户满意度的五位一体模型,实现客户满意度的描述和预测,定位客户满意度的重点影响力指标,能替代现有传统的针对客户满意度的大规模市场调研,并且能通过全量样本完整描述客户满意度,能针对客户投诉,针对性解决客户的核心问题,快速解决投诉,提升客户满意度。
Description
技术领域
本发明涉及大数据分析技术领域,具体涉及一种预测客户满意度的五位一体方法。
背景技术
对于电信运营商及移动互联网来说,以客户为中心,关注客户的需求、客户的体验,提升客户满意度是重点工作内容,而对于用户来说,个性化、差异化、定制化的服务需求使得用户感知越发难以描述,包含主观性质的用户满意度难以定义。
获取客户满意度的传统方式包括市场调研、客户服务,响应周期长,服务客户范围局限,难以满足当前激烈的市场竞争需求和较高的业务时效性要求。
现有技术方式下,客户满意度难以描述及分析,一是不同指标对客户满意度的影响力存在差异,二是如何描述客户的主观情绪,三是如何建立可预测的客户满意度模型。
发明内容
本发明要解决的技术问题是:针对如何通过指标量化客户满意度,如何利用大数据算法通过量化指标构建客户满意度预测模型问题,本发明提供一种预测客户满意度的五位一体方法。
本发明所采用的技术方案为:
一种预测客户满意度的五位一体方法,所述方法通过对客户指标进行量化,定义为时间(WHEN)、客户(WHO)、位置(WHERE)、事件(WHAT)、感知(HOW)五类特征指标,通过大数据算法,找到影响客户满意度的相关指标及影响力,构建五位一体分析模型,建立主观用户满意度的客观定义,实现对客户满意度的预测。
所述客户指标进行量化过程如下:
收集面向客户的样本数据,匹配出与客户感知点、不满意因素相对应的各类指标数据,对数据进行清洗和标准化,按照客户、时间、位置、事件、感知五类特征指标进行归纳,其中:
针对客户(WHO)特征包括客户基本特征、资费敏感特征、营销喜好特征、客户投诉特征、历史满意度特征等,描述客户的基本情况和主观情绪,如在网时间长、ARPU等;
针对时间(WHEN)特征包括时间基本特征、节假日特征、时间段特征等,描述客户的时间周期;
针对位置(WHERE)特征包括位置基本特征、常驻区域特征、移动性特征等,描述客户的活动范围;
针对事件(WHAT)特征包括业务基本特征、业务喜好特征、新业务接受度特征等,描述客户的日常爱好;
针对感知(HOW)特征包括端到端感知质量特征等,描述客户的客观体验。
ARPU(ARPU-AverageRevenuePerUser)即每用户平均收入,用于衡量电信运营商业务收入的指标。
所述构建五位一体分析模型过程如下:
通过大数据算法,对五类特征指标的客户满意度影响力进行排序,构建客户满意度影响力模型;通过对特征指标重要性进行排序,得出所有特征指标的影响力;通过匹配实际业务经验,并通过模型稳定性、模型准确性、模型效率以及指标关联性步骤进行模型迭代优化,模型优化时,特征指标数及数据量越多,优化越明显。
所述客户满意度的预测过程如下:根据构建的五位一体模型,分析得出客户的满意度值,预测单个客户或客户群体的满意度情况,定位客户满意度低的关键影响力指标,实现有重点有针对性的问题解决,提升客户满意度。
本发明的有益效果为:
本发明方法可形成客户满意度的五位一体模型,实现客户满意度的描述和预测,定位客户满意度的重点影响力指标,提升客户满意度,一方面能替代现有传统的针对客户满意度的大规模市场调研,并且能通过全量样本完整描述客户满意度,能针对客户投诉,针对性解决客户的核心问题,快速解决投诉,提升客户满意度,另一方面,基于大数据算法,五位一体模型能更智能化主动地发现新的客户满意度影响力指标,相比已有的相对固化的满意度影响力模型,能快速实现智能迭代和模型优化,适应新的市场变化。
附图说明
图1为本发明五位一体方法示意图。
具体实施方式
下面结合说明书附图,通过具体实施方式对本发明进一步说明:
实施例1:
如图1所示,一种预测客户满意度的五位一体方法,所述方法通过对客户指标进行量化,定义为时间(WHEN)、客户(WHO)、位置(WHERE)、事件(WHAT)、感知(HOW)五类特征指标,通过大数据算法,找到影响客户满意度的相关指标及影响力,构建五位一体分析模型,建立主观用户满意度的客观定义,实现对客户满意度的预测。
实施例2:
在实施例1的基础上,本实施例所述客户指标进行量化过程如下:
收集面向客户的样本数据,匹配出与客户感知点、不满意因素相对应的各类指标数据,对数据进行清洗和标准化,其中,清洗规则包括空值处理、异常值处理等,标准化可统一按照标准权重进行数值标准化;
按照客户、时间、位置、事件、感知五类特征指标进行归纳,如客户基本特征、资费敏感特征、营销喜好特征、客户投诉特征、历史满意度特征、时间基本特征、节假日特征、时间段特征、位置基本特征、常驻区域特征、移动性特征、业务基本特征、业务喜好特征、新业务接受度特征、端到端感知质量特征等,其中:
针对客户(WHO)特征包括客户基本特征、资费敏感特征、营销喜好特征、客户投诉特征、历史满意度特征等,描述客户的基本情况和主观情绪,如在网时间长、ARPU等;
针对时间(WHEN)特征包括时间基本特征、节假日特征、时间段特征等,描述客户的时间周期;
针对位置(WHERE)特征包括位置基本特征、常驻区域特征、移动性特征等,描述客户的活动范围;
针对事件(WHAT)特征包括业务基本特征、业务喜好特征、新业务接受度特征等,描述客户的日常爱好;
针对感知(HOW)特征包括端到端感知质量特征等,描述客户的客观体验。
实施例3:
在实施例1或2的基础上,本实施例所述构建五位一体分析模型过程如下:
通过大数据算法,包括随机森林、LOGIT等算法,对五类特征指标的客户满意度影响力进行排序,构建客户满意度影响力模型;通过对特征指标重要性进行排序,得出所有特征指标的影响力;荣富哦匹配实际业务经验,并通过模型稳定性、模型准确性、模型效率以及指标关联性等步骤进行模型迭代优化,模型优化时,特征指标数及数据量越多,优化越明显。
得出的五位一体模型验证了在客户满意度预测模型中,客户(WHO)特征指标是影响力最高的指标,客户(WHO)特征指标中投诉特征、历史满意度特征、资费敏感特征是最重要的指标类,包括历史投诉、历史满意度、ARPU变化值、ARPU、在网时长等,而这类指标正是能一定程度描述人的主观情绪的指标。
实施例4:
在实施例3的基础上,本实施例所述客户满意度的预测过程如下:根据构建的五位一体模型,分析得出客户的满意度值,预测单个客户或客户群体的满意度情况,定位客户满意度低的关键影响力指标,实现有重点有针对性的问题解决,提升客户满意度。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (4)
1.一种预测客户满意度的五位一体方法,其特征在于:所述方法通过对客户指标进行量化,定义为时间、客户、位置、事件、感知五类特征指标,通过大数据算法,找到影响客户满意度的相关指标及影响力,构建五位一体分析模型,建立主观用户满意度的客观定义,实现对客户满意度的预测。
2.根据权利要求1所述的一种预测客户满意度的五位一体方法,其特征在于,所述客户指标进行量化过程如下:
收集面向客户的样本数据,匹配出与客户感知点、不满意因素相对应的各类指标数据,对数据进行清洗和标准化,按照客户、时间、位置、事件、感知五类特征指标进行归纳,其中:
针对客户特征包括客户基本特征、资费敏感特征、营销喜好特征、客户投诉特征、历史满意度特征,描述客户的基本情况和主观情绪;
针对时间特征包括时间基本特征、节假日特征、时间段特征,描述客户的时间周期;
针对位置特征包括位置基本特征、常驻区域特征、移动性特征,描述客户的活动范围;
针对事件特征包括业务基本特征、业务喜好特征、新业务接受度特征,描述客户的日常爱好;
针对感知特征包括端到端感知质量特征,描述客户的客观体验。
3.根据权利要求1或2所述的一种预测客户满意度的五位一体方法,其特征在于,所述构建五位一体分析模型过程如下:
通过大数据算法,对五类特征指标的客户满意度影响力进行排序,构建客户满意度影响力模型;通过对特征指标重要性进行排序,得出所有特征指标的影响力;通过匹配实际业务经验,并通过模型稳定性、模型准确性、模型效率以及指标关联性步骤进行模型迭代优化。
4.根据权利要求3所述的一种预测客户满意度的五位一体方法,其特征在于,所述客户满意度的预测过程如下:根据构建的五位一体模型,分析得出客户的满意度值,预测单个客户或客户群体的满意度情况,定位客户满意度低的关键影响力指标,实现有重点有针对性的问题解决,提升客户满意度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610159646.3A CN105825403A (zh) | 2016-03-21 | 2016-03-21 | 一种预测客户满意度的五位一体方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610159646.3A CN105825403A (zh) | 2016-03-21 | 2016-03-21 | 一种预测客户满意度的五位一体方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105825403A true CN105825403A (zh) | 2016-08-03 |
Family
ID=56523878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610159646.3A Pending CN105825403A (zh) | 2016-03-21 | 2016-03-21 | 一种预测客户满意度的五位一体方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825403A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886596A (zh) * | 2017-02-23 | 2017-06-23 | 山东浪潮云服务信息科技有限公司 | 一种应用于行政执法领域的案件趋势预测分析通用方法 |
CN107909401A (zh) * | 2017-11-14 | 2018-04-13 | 阮敬 | 一种基于大数据技术的满意度测算方法 |
CN109345263A (zh) * | 2018-08-02 | 2019-02-15 | 北京天元创新科技有限公司 | 预测客户满意度的方法和系统 |
CN109658148A (zh) * | 2018-12-14 | 2019-04-19 | 杭州东信北邮信息技术有限公司 | 一种基于自然语言处理技术的营销活动投诉风险预测方法 |
CN109963292A (zh) * | 2017-12-25 | 2019-07-02 | 中国移动通信集团广东有限公司 | 投诉预测的方法、装置、电子设备和存储介质 |
CN111324865A (zh) * | 2020-02-24 | 2020-06-23 | 浪潮天元通信信息系统有限公司 | 一种基于物联网的店面满意度智能分析方法和系统 |
CN114375003A (zh) * | 2021-12-29 | 2022-04-19 | 中国电信股份有限公司 | 用于提升5g用户满意度的方法、装置、以及存储介质 |
-
2016
- 2016-03-21 CN CN201610159646.3A patent/CN105825403A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106886596A (zh) * | 2017-02-23 | 2017-06-23 | 山东浪潮云服务信息科技有限公司 | 一种应用于行政执法领域的案件趋势预测分析通用方法 |
CN107909401A (zh) * | 2017-11-14 | 2018-04-13 | 阮敬 | 一种基于大数据技术的满意度测算方法 |
CN109963292A (zh) * | 2017-12-25 | 2019-07-02 | 中国移动通信集团广东有限公司 | 投诉预测的方法、装置、电子设备和存储介质 |
CN109963292B (zh) * | 2017-12-25 | 2022-04-01 | 中国移动通信集团广东有限公司 | 投诉预测的方法、装置、电子设备和存储介质 |
CN109345263A (zh) * | 2018-08-02 | 2019-02-15 | 北京天元创新科技有限公司 | 预测客户满意度的方法和系统 |
CN109658148A (zh) * | 2018-12-14 | 2019-04-19 | 杭州东信北邮信息技术有限公司 | 一种基于自然语言处理技术的营销活动投诉风险预测方法 |
CN111324865A (zh) * | 2020-02-24 | 2020-06-23 | 浪潮天元通信信息系统有限公司 | 一种基于物联网的店面满意度智能分析方法和系统 |
CN114375003A (zh) * | 2021-12-29 | 2022-04-19 | 中国电信股份有限公司 | 用于提升5g用户满意度的方法、装置、以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105825403A (zh) | 一种预测客户满意度的五位一体方法 | |
US10896203B2 (en) | Digital analytics system | |
Lu | Predicting customer churn in the telecommunications industry––An application of survival analysis modeling using SAS | |
Umayaparvathi et al. | A survey on customer churn prediction in telecom industry: Datasets, methods and metrics | |
CN107451861B (zh) | 一种大数据下用户上网特征识别的方法 | |
CN104348887B (zh) | 云管理平台中的资源分配方法与装置 | |
CN106227832A (zh) | 互联网大数据技术架构在企业内业务分析中的应用方法 | |
CN105007171A (zh) | 基于通信领域大数据的用户数据分析系统及方法 | |
US20170323332A1 (en) | Methods and apparatus to incorporate saturation effects into marketing mix models | |
WO2021196097A1 (zh) | 用户画像列表构建方法、装置、服务器以及存储介质 | |
CN103092699A (zh) | 一种云计算资源预分配实现方法 | |
CN113543178A (zh) | 基于用户感知的业务优化方法、装置、设备及存储介质 | |
CN109962795A (zh) | 一种基于多维组合变量的4g用户流失预警方法和系统 | |
CN105068513A (zh) | 基于社交网络行为感知的智能家庭能源管理方法 | |
CN107040863A (zh) | 实时业务推荐方法及系统 | |
CN102711162A (zh) | 一种移动互联网中网络质量监测和用户体验优化的方法 | |
CN106408325A (zh) | 基于用户支付信息的用户消费行为预测分析方法及系统 | |
Li et al. | Equilibrium joining strategies and optimal control of a make‐to‐stock queue | |
CN107093092B (zh) | 数据分析方法和装置 | |
CN114358445A (zh) | 一种业务流程剩余时间预测模型推荐方法及系统 | |
CN112101692B (zh) | 移动互联网质差用户的识别方法及装置 | |
CN111210057A (zh) | 手机上网用户投诉预测的方法 | |
CN107423315B (zh) | 一种户外媒体资源数据的挖掘处理方法及系统 | |
US10439919B2 (en) | Real time event monitoring and analysis system | |
Sharma et al. | How deep learning can help in regulating the subscription economy to ensure sustainable consumption and production patterns (12th Goal of SDGs) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160803 |