CN106548357B - 客户满意度的测评方法及系统 - Google Patents
客户满意度的测评方法及系统 Download PDFInfo
- Publication number
- CN106548357B CN106548357B CN201610957871.1A CN201610957871A CN106548357B CN 106548357 B CN106548357 B CN 106548357B CN 201610957871 A CN201610957871 A CN 201610957871A CN 106548357 B CN106548357 B CN 106548357B
- Authority
- CN
- China
- Prior art keywords
- index data
- index
- customer satisfaction
- evaluation
- data
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 75
- 238000004140 cleaning Methods 0.000 claims abstract description 56
- 238000013210 evaluation model Methods 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000008447 perception Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 230000003442 weekly effect Effects 0.000 claims description 13
- 238000000611 regression analysis Methods 0.000 claims description 12
- 230000001364 causal effect Effects 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- RGCLLPNLLBQHPF-HJWRWDBZSA-N phosphamidon Chemical compound CCN(CC)C(=O)C(\Cl)=C(/C)OP(=O)(OC)OC RGCLLPNLLBQHPF-HJWRWDBZSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及客户满意度的测评方法及系统。所述方法包括：根据预设的客户满意度评价指标体系确定与客户满意度有关的评价指标，收集所述评价指标对应的指标数据，构建指标数据集；对所述指标数据集进行数据清洗；将清洗后的指标数据集输入预设的客户满意度测评模型，分别计算目标变量对应的各个原因变量的测评值；综合所有原因变量的测评值得出客户满意度的测评结果。本发明能够对电力客户满意度进行全面有效测评。
Description
技术领域
本发明涉及数据处理技术领域，特别是涉及客户满意度的测评方法及客户满意度的测评系统。
背景技术
随着信息技术的发展，电网公司在向客户提供电能产品的同时，也通过信息化技术向客户提供更便捷、更优质的服务，以赢得客户满意，从而实现电网公司的经营目标。
然而目前电力服务客户满意度的获取的方式一般为：基于调查问卷统计客户满意度，或者通过各业务系统提供的服务打分系统；然而这两种方式都是事后的分析统计，对事前的测评预防能力和手段不足，不利于电网公司全方位的调整客户服务策略。
发明内容
基于此，本发明实施例提供客户满意度的测评方法及系统，能够对电力客户满意度进行全面有效测评。
本发明一方面提供客户满意度的测评方法，包括：
根据预设的客户满意度评价指标体系确定与客户满意度有关的评价指标，收集所述评价指标对应的指标数据，构建指标数据集；
对所述指标数据集进行数据清洗；
将清洗后的指标数据集输入预设的客户满意度测评模型，分别计算目标变量对应的各原因变量的测评值；综合所有原因变量的测评值得出客户满意度的测评结果；所述客户满意度测评模型为由多个结构变量构成的因果关系模型，以客户满意度为目标变量，且目标变量至少对应两个原因变量。
本发明另一方面提供一种客户满意度的测评系统，包括：
指标数据收集模块，根据预设的客户满意度评价指标体系确定与客户满意度有关的评价指标，收集所述评价指标对应的指标数据，构建指标数据集；
数据清洗模块，用于对所述指标数据集进行数据清洗；
测评模块，用于将清洗后的指标数据集输入预设的客户满意度测评模型，分别计算目标变量对应的各原因变量的测评值；综合所有原因变量的测评值得出客户满意度的测评结果；所述客户满意度测评模型为由多个结构变量构成的因果关系模型，以客户满意度为目标变量，且目标变量至少对应两个原因变量。
上述技术方案，根据指标模型收集与客户满意度有关的指标数据，对收集的指标数据进行清洗，得到准确的测评基础；结合客户满意度测评模型，从客户体验的各个角度考虑，测评客户满意度。全面利用现有的电力服务渠道的信息，因此能够对电力客户满意度进行全面有效测评，并且有利于推动多服务渠道之间的互动。
附图说明
图1为一实施例的客户满意度的测评方法的示意性流程图；
图2为一实施例的客户满意度评价指标体系的示例图；
图3为一实施例的客户满意度测评模型的示例图；
图4为又一实施例的客户满意度测评模型的示例图；
图5为又一实施例的客户满意度评价指标体系的示例图；
图6为一实施例的客户满意度的测评系统的示意性结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为一实施例的客户满意度的测评方法的示意性流程图；如图1所示，本实施例中的客户满意度的测评方法包括步骤：
S11，根据预设的客户满意度评价指标体系确定与客户满意度有关的评价指标，收集所述评价指标对应的指标数据，构建指标数据集；
客户满意度评价指标体系指的是用于测评客户满意度的指标库，包括多项评价指标，多项评价指标可分级组织，如图2所示；还可对多项评价指标进行分类，按分类进行组织。所述收集与客户满意度有关的指标数据具体是指收集各项评价指标对应的历史指标数据，同一评价指标对应的若干历史指标数据可按照各自对应的时间点进行区分记录。
S12，对所述指标数据集进行数据清洗；
数据清洗是对数据集进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性。
本实施例中，由于所述客户满意度评价指标体系包括多项评价指标，对应的，所述指标数据集中包括至少两类指标数据，例如：包括电力系统各业务系统的指标数据，以及预设的影响客户满意度的宏观变量指标数据。对原始指标数据集进行数据清洗的过程可包括：设置所述指标数据集中各类指标数据的最小清洗粒度；根据最小清洗粒度、各类指标数据的数据量计算各类指标数据的月影响指数和周影响指数；将各类指标数据的数据量除以其对应的月影响指数和周影响指数，得到各类指标数据的原始清洗参考基数；检测所述原始清洗参考基数中的异常基数，删除所述异常基数，得到各类指标数据的待用清洗参考基数；将各类指标数据的待用清洗参考基数分别乘以其对应的月影响指数和周影响指数，得到各类指标数据的清洗范围；根据所述清洗范围确定各类指标数据中的异常数据量，删除所述异常数据量或者对所述异常数据量进行修正。
由于原始采集的指标数据没有考虑偶然因素对数据的影响，会干扰客户满意度测评的准确性。本实施例通过在数据收集过程中对收集到的各指标数据的历史数据量进行清洗，使测评结果更具参考与指导性。
S13，将清洗后的指标数据集输入预设的客户满意度测评模型，分别计算目标变量对应的各个原因变量的测评值；综合全部原因变量的测评值得出客户满意度的测评结果。
其中，预设的客户满意度测评模型为由多个结构变量构成的因果关系模型，以客户满意度为目标变量，且该目标变量至少对应两个原因变量。
在一优选实施方式中，为了对客户满意度进行分析及测评，通过对国内外经典的客户满意度指数模型进行对比研究，优选从客户感知的角度出发，结合电网公司的特点，参考美国的ACSI体系，建立了客户满意度指数模型(ACSI)。基于ACSI满意度理论，结合电网企业客户服务基本业务，提出“企业形象”、“客户对价值的感知”、“客户对质量的感知”、“客户预期”、“客户报怨”、“客户忠诚”六个原因变量，运用层次分析法和模糊商模型分析法来建立面向客户满意度的测评模型，以全面准确的测评客户满意度。
在一优选实施方式中，客户满意度测评模型参考图3所示，其结构变量包括：企业形象、客户对价值的感知、客户对质量的感知、客户预期、客户满意度、客户报怨和客户忠诚。每个结构变量都包括一个乃至多个观察变量，而观测变量主要是通过收集数据和实际调查产生。其中，客户满意度为目标变量，企业形象、客户对价值的感知、客户对质量的感知、客户预期为所述目标变量的原因变量(也就是前提变量)，客户报怨和客户忠诚为所述目标变量的结果变量。
在一优选实施方式中，在上述客户满意度测评模型的基础上，提供一种电力客户满意度指数(SCI)测评模型，参考图4所示，按照以上所述6个原因变量对应的客户满意度评价维度，将图2的客户满意度评价指标体系中的指标进行相应的划分，可得到图5所示的客户满意度评价指标体系。
在一优选实施方式中，将清洗后的指标数据集输入预设的客户满意度测评模型，还需确定在所述客户满意度测评模型中各项指标数据对应的权重；进而根据各项指标数据对应的权重得出各个原因变量的测评值。优选的，确定在所述客户满意度测评模型中各项指标数据对应的权重的方式包括：对电力客户进行分类，通过回归分析法分别计算各类客户的各项指标数据的第一权重；对电力客户进行分类，通过模糊熵值法分别计算各类客户的各项指标数据的第二权重；进而根据所述第一权重、第二权重确定各类客户的各项指标数据的综合权重。由于综合运用了回归分析法和模糊熵值法来确定指标权重，相比单一指标权重确定方法，可以有效提高准确性和科学性。
下面结合一具体示例对上述实施例的客户满意度的测评方法做进一步的说明。所述客户满意度的测评方法包括四个阶段，依次为：确定客户满意度评价指标体系、对指标数据进行数据清洗、客户满意度的测评和客户服务策略调整。下面分别对四个阶段进行具体说明。
(一)确定客户满意度评价指标体系：
历史电力业务数据和宏观变量是客户满意度测评的数据基础，因此还需预先建立客户满意度评价指标体系。在一优选实施方式中，如图2所列为客户满意度评价指标体系，包括13个一级指标和45个二级指标。其中，用电报装、用电检查、电能计量、故障抢修、呼叫中心服务、客服管理、供电质量、客户投诉率等为来源于各业务系统的业务指标；企业形象、客户期望、客户忠诚等指标数据采用问卷调查的方式确定的客户体验指标；宏观影响因素中地区政策指标，可采用专家打分和问卷调查两者结合的方式确定，天气指数指标根据天气情况确定指标值(1-10分)，经济影响指数指标可根据GDP指标判断。
(二)对指标数据进行数据清洗
指标数据集中的数据量包括业务指标数据和宏观变量指标数据。在一优选实施方式中，对业务指标数据的最小清洗粒度设置为一小时，对宏观变量指标数据的最小清洗粒度为12小时。对所述指标数据集进行数据清洗的具体过程包括：
(1)计算月指数和周指数：
1)计算业务指标数据的月指数和周指数：
以年为清洗标准参考，计算年业务数据总量为：
式(1)中，m代表1-12月，d代表每月1-30天，i代表一天24个小时，Si代表每小时的业务量，SBu-Y表示Bu年的业务数据总量。清洗业务指标数据是指具体到某个时段的业务指标数据清洗。
对应的，用SBu-M表示Bu年M月业务数据总量，计算公式为：
进一步的，计算Bu年业务数据的月均值，用ABu-M表示，为：
进一步的，计算Bu年业务数据的月影响指数，用CmBu表示，为：
CmBu＝SBu-M/ABu-M (4)
同样地，计算业务数据的周业务数据总量，用SBu-W表示，为：
式(5)中w表示周天数；
进一步的，计算业务数据的周均值，用ABu-W表示，为：
式(6)中W表示该月的周数；
进一步的，计算业务指标数据的周影响指数，用CwBu表示，为：
CwBu＝SBu-W/ABu-W (7)
2)计算宏观变量指标数据的月指数和周指数：
设置宏观变量指标数据的清洗最小粒度为12小时，以年为清洗标准参考，计算年宏观数据总量，用SMa-Y表示，为：
式(8)中，m代表1-12月，d代表每月1-30天，j代表一天的2个时段，12小时为一个时段，Sj代表一个时段的宏观变量数据量。清洗宏观变量指标数据是指具体到某个时段的数据清洗。
计算宏观变量指标数据的月总量，用SMa-M表示，为：
计算宏观变量指标数据的月均值，用AMa-M表示，为：
进一步的，计算宏观变量指标数据的月影响指数，用CmMa表示，为：
CmMa＝SMa-M/AMa-M (11)
进一步的，计算宏观变量指标数据的周总量，用SMa-W表示，为：
式(12)中w表示周天数；
进一步的，计算全月宏观变量指标数据的周均值，用AMa-W表示，为：
式(13)中W表示该月的周数；
进一步的，计算宏观变量数据的周影响指数，用CwMa表示，为：
CwMa＝SMa-W/AMa-W (14)
(2)数据量的清洗步骤：
根据计算出的月影响指数和周影响指数，将业务指标数据和宏观变量指标数据除以各自对应的月指数与周指数，得到各自对应的清洗参考值，其中业务指标数据的清洗参考值为：
宏观变量指标数据的清洗参考值为：
对于1～12月，计算每月某日的业务指标数据的清洗参考基数，分别记为Bu1～Bu12，计算每月某日的宏观变量指标数据的清洗参考基数，分别记为Ma1～Ma12。对Bu1～Bu12和Ma1～Ma12使用狄克逊准则法(Dixon)剔除异常基数，狄克逊准则采用最值入手，将Bu1～Bu12按顺序排列，例如Bu1<Bu2<…<Bu12，数为n＝12，选显著性水平α＝0.05，查临界表值D(0.05,12)＝0.583。计算与相邻基数的差，和与最小基数Bu1的差，进而得到判据γ，如从最大基数Bu12开始判定是否为异常基数：
若判据γ12＞D(0.05,12)，则Bu12为异常基数；
若判据γ12<D(0.05,12)，则Bu12为正常基数。
或者，从最小基数Bu1开始判定是否为异常基数：
若γ1＞D(0.05,12)，则Bu1为异常基数；
若γ1<D(0.05,12)，则Bu1为正常基数；
同理，对参考基数Ma1～Ma12使用同样的异常基数判定过程。
计算剔除了异常基数的Bu1～Bu12的均值，记为Bu’，计算剔除了异常基数的Ma1～Ma12的均值，记为Ma’；
将Bu’、Ma’分别加回各自对应的周指数与月指数的影响，得到：
Bu＝Bu’·CmBu·CwBu (19)
Ma＝Ma’·CmMa·CwMa (20)
设R为清洗度(R可根据实际需要自定义配置)，对指标数据集中的业务指标数据来说，若Si∈(Bu±R％)，则Si为正常数据量；若
则Si为异常数据量，需进一步修正；对指标数据集中的宏观变量指标数据来说，若Sj∈(Ma±R％)，则Sj为正常数据量；若
则Sj为异常数据量，需进一步修正；
对
和
的异常数据量，可用参考值Bu替换Si，用参考值Ma替换Sj，数据清洗完毕。
(三)客户满意度的测评
(1)测评模型的建立
引入“企业形象”作为一原因变量，有效地反映电网公司具有显著的社会公益性特点和承担较多社会责任的形象。通过对“形象”、“客户对价值的感知”、“客户对质量的感知”、“客户预期”、“客户报怨”、“客户忠诚”等六个模型变量进行深入研究，有助于实现对电网客户服务的全方位评价，从而发现电网公司服务体系中的不足，为今后的客户服务提供指导。其中，期望质量、感知质量、感知价值以及企业形象是客户满意度的原因变量，也就是前提变量；客户抱怨和客户忠诚则是满意度的自变量，也就是结果变量。原因变量和结果变量这6个结构变量每一个都包括一个乃至多个观察变量，而观测变量可通过收集数据和实际调查产生。
在ACSI模型的基础上，形成了如图4所示的电力客户满意度指数(SCI)测评模型：按照图示的6个客户满意度评价维度，将图2的客户满意度评价指标模块进行相应的划分，得到图5所示的客户满意度评价指标体系。
目前用来测评客户满意度的一种简便方法是计算客户满意率。客户满意率是指一定数量的目标客户中表示满意的客户所占的百分比。然而在用客户满意率测评电力服务的客户满意度时，难以全面反映客户对服务的需求和期望，不能给出统一的对服务质量的衡量标准。因此，在一优选实施方式中，在对客户满意度测评时针对性地进行如下任务：
找到权重大的关键期望指标：围绕电力服务的特点，收集客户的喜好和看法，通过客户的回答来分析客户对哪些指标最看重，进而获取关键的客户期望指标。
强调关键指标的重要性：确定关键指标后，突出关键指标的重要性，让客户觉得除了这些指标，别的因素都不重要。
设定关键指标：有些时候，客户弄不清哪些指标最看重，要尽可能地了解和分析客户的实际需求，帮助客户设定关键指标。
调整关键指标的权重：当若干关键指标设定好之后，要根据客户的不同特点来选定不同的权重值，根据与客户的沟通结果适当调整关键指标及对应的指标权重。
(2)确定指标数据集中各项指标的权重
确定了各项指标，还需要确定在所述客户满意度测评模型中各项指标的权重，本实施例提出了综合回归分析法和模糊熵值法来确定各项指标数据对应的权重。
回归分析法：
回归分析方法是用来确定因变量和自变量之间因果关系的一种统计分析方法，可以用SPSS(Statistical Product and Service Solutions，统计产品与服务解决方案)统计软件实现。
具体包括：将客户根据不同的类型分类，将第k类客户对电网公司服务质量的整体评价感知值作为因变量，将评价指标体系中的各级指标的评价感知值作为自变量，用SPSS对调查的数据进行分析，将得到的回归系数进行归一化，其结果作为第k类客户的各项指标的权重，类似的可以得到各类客户的各项指标的权重。由于从实际数据出发确定权重，从数据本身提取有关信息，能充分体现客户的意愿。其客观性强，不受其他主观因素的影响。
2)模糊熵值法
由于指标的复杂性和人类思维的模糊性，对指标的重要程度进行判断时，用精确数表示是很困难的，而用“大约”、“左右”等模糊概念表示更为合理，因而引入三角模糊数解决不确定性问题。此外，由于评价指标值获得的难易程度不同，或者专家对各项指标的重视程度不同，搜集到的不同的指标的信息量也不同，为了将这些差异信息反映到评价体系中去，下面采用模糊熵权法确定指标权重。
具体包括：将电网公司的客户分类，设对第k类客户来说，供电服务质量外部评价指标有m个，对应的指标集为X＝(x1,x2,…,xm)，请n位专家对指标重要程度打分，分值在[0，100]，设ahij为专家i给出的对第k类客户来说指标j的重要程度的判断值(i＝1,2,…,n；j＝1,2,…,m)；用三角模糊数akij＝(lkij,mkij,pkij)，其中lkij表示专家i给出的指标j最可能的重要程度分值，设lkij和pkij分别为模糊数的下限和上限，mkij为可能性最大的值。左右扩展lkij，当pkij-lkij越大时，判断的模糊程度越高。根据三角模糊数的计算公式，可知
因此，评价指标的初始判断矩阵可以表示为
选择适当的隶属函数μA(xi)，采用升半梯形分布
对初始矩阵(21)进行变换，得到标准状态矩阵(22)：
式(22)中
akij′＝μA(akij)∈(0,1)
令
对第k类客户来说，第j个评价指标的熵为：
并令πkij＝0时，πkijlnπkij＝0。
因此第j个评价指标的熵权为：
显然0≤wkj≤1，且
类似的，可以得到各类客户的各项指标的模糊熵权。
作为权重的熵权，有其特殊意义，它并不是在评估问题中某项指标的实际意义上的重要性系数，而是在给定被评估对象集后，各评估指标值确定的情况下，代表该指标在该问题中提供有用信息量的多寡程度。
3)综合确定指标权重
对第k类客户来说，设用回归分析方法得到的各指标的权重集合为Uk＝(δk1,δk2,…,δkm)。设熵权法得到的各指标的权重集合为Vk＝(γk1,γk2,…,γkm)，优选的，综合确定各类客户的各项指标的综合权重的方式为：
式(25)中wkj为第k类客户的指标j的综合权重；从而得到第k类客户的m项指标的综合评价权重集合Wk＝(wk1,wk2,…,wkm)。类似的，可以得到各类客户的的m项指标的综合权重。
(3)测评模型的修正
在对某一地区的电力客户满意度展开调查之前，一般是没有该地区电力客户满意度指标的历史数据，也就是样本数据，可借鉴同类地区现有的模型或者理论分析模型，运用层次分析法和模糊商模型分析法来建立一个客户满意度测评模型，针对逐渐获得的该地区电力客户满意度调查结果，检验和修正测评模型。一般将测评结果不断与实际调查结果进行对比分析，确定测评误差和可信度，通过修改系统参数减小测评误差，直至获得与实际情况比较接近的动态模型。
在一优选实施方式中，基于偏最小二乘原理，偏回归分析方法进行客户满意度测评模型检验和修正的主要过程如下：
①令u取因变量数据矩阵Y的某一列(可取具有最大方差的列)；
②定义一个计算权矩阵W，
③归一化权矩阵，
④计算客户满意度调查数据矩阵X的主元，
⑤进行Y与t的回归计算，
⑥计算Y的主元，
⑦检查Y的主元u的收敛性，如果满足收敛条件，则继续下一步，否则重新计算第②步即定义权矩阵；
⑧计算X的负荷向量，
⑨负荷向量归一化，
⑩求解内部关系变量，
考虑到客户满意度调查数据矩阵X(x(k)值)与Y(△x(k))中存在随机噪声成分，对主元分析与回归分析结果有影响，T中保留的主元数目(即偏最小二乘正交回归模型中保留的个数)必有一个最优值。该值既能保证最终的模型很好地描述X和Y的内在独立相关关系，又能充分消除随机噪声对建模结果的影响。通常可以用交叉检验技术来决定主元个数，把用以建模的数据矩阵X和Y按采样序号分为两部分，一部分用于建立模型，另一部分用来即时检验所建立的模型。在算法中通过保留不同数目的主元，交叉建立若干个正交回归模型，然后利用检验数据测试这些模型，并从中选出模型检验误差最小的模型。
(四)客户服务策略调整
结合测评结果与全方位客户服务技术体系，基于用电客户服务质量感知各因子对客户满意的影响程度，针对电网公司现状，可以着重改进对对客户满意度影响较大，但客户评价不高的指标，并针对不同类型的客户进行差异化服务，这将会有效地提升用电客户对服务质量感知的满意度指数。
基于上述实施例的客户满意度的测评方法，具有以下显著优点：
考虑偶然因素对数据的影响，对初始历史电力业务数据和宏观变量进行清洗，使历史数据更具参考与指导性；消除由偶然因素引起的突发电力业务数据和宏观变量，导致的对客户满意度测评的准确性的干扰；
上述客户满意度测评模型高效准确，常规的测评方法如Box-Jenkins法(ARIMA模型)、平滑法、回归法、随机过程分析等算法的测评准确率不高，没有积累历史数据规律与自学习特性。上述实施例通过偏回归分析方法的客户满意度测评算法，基于偏最小二乘原理，形成独特的测评模型，并且包含测评模型检验和动态修正，通过修改系统参数减小测评误差，同时具备自积累与自学习数据规律的性能，能准确测评客户满意度数据；
现有技术对电力业务的辅助，一般都是事后的分析统计，对事前的测评预防能力和手段不足。上述实施例可借用客户满意度的测评辅助进行客户全方位服务，充分发挥事前预防的能力，保证服务水平的连续性。
需要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的客户满意度的测评方法相同的思想，本发明还提供客户满意度的测评系统，该系统可用于执行上述客户满意度的测评方法。为了便于说明，客户满意度的测评系统实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
图6为本发明一实施例的客户满意度的测评系统的示意性结构图，如图6所示，本实施例的客户满意度的测评系统包括：指标数据收集模块310、数据清洗模块320以及测评模块330，各模块详述如下：
所述指标数据收集模块310，根据预设的客户满意度评价指标体系确定与客户满意度有关的评价指标，收集所述评价指标对应的指标数据，构建指标数据集；
所述数据清洗模块320，用于对所述指标数据集进行数据清洗；
所述测评模块330，用于将清洗后的指标数据集输入预设的客户满意度测评模型，分别计算目标变量对应的各个原因变量的测评值；综合所有原因变量的测评值得出客户满意度的测评结果；所述客户满意度测评模型为由多个结构变量构成的因果关系模型，以客户满意度为目标变量，且目标变量至少对应两个原因变量。
需要说明的是，上述示例的客户满意度的测评系统的实施方式中，各模块之间的信息交互、执行过程等内容，由于与本发明前述方法实施例基于同一构思，其带来的技术效果与本发明前述方法实施例相同，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
此外，上述示例的客户满意度的测评系统的实施方式中，各功能模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的功能模块完成，即将所述客户满意度的测评系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。其中各功能模既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，作为独立的产品销售或使用。所述程序在执行时，可执行如上述各方法的实施例的全部或部分步骤。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。可以理解，其中所使用的术语“第一”、“第二”等在本文中用于区分对象，但这些对象不受这些术语限制。
以上所述实施例仅表达了本发明的几种实施方式，不能理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种客户满意度的测评方法，其特征在于，包括：
从指标库中获取与客户满意度有关的评价指标，收集所述评价指标对应的历史指标数据，根据所述历史指标数据构建指标数据集；所述指标库用于测评客户满意度；
对所述指标数据集进行数据清洗；
将清洗后的指标数据集输入预设的客户满意度测评模型，分别计算与目标变量对应的各原因变量的测评值；综合所有原因变量的测评值得出客户满意度的测评结果；所述客户满意度测评模型通过层次分析法和模糊商模型分析法构建；
其中，所述客户满意度测评模型为由多个结构变量构成的因果关系模型，以客户满意度为目标变量，该目标变量至少对应两个原因变量；
所述将清洗后的指标数据集输入预设的客户满意度测评模型，得出与目标变量对应的各原因变量的测评值的步骤包括：
所述将清洗后的指标数据集输入预设的客户满意度测评模型，确定在所述客户满意度测评模型中各项指标数据对应的权重；
根据各项指标数据对应的权重得出目标变量对应的各个原因变量的测评值；
所述确定在所述客户满意度测评模型中各项指标数据对应的权重的步骤包括：
对电力客户进行分类，通过回归分析法分别计算各类客户的各项指标数据的第一权重；
对电力客户进行分类，通过模糊熵值法分别计算各类客户的各项指标数据的第二权重；
根据所述第一权重、第二权重确定各类客户的各项指标数据的综合权重；
所述与客户满意度有关的评价指标包括至少两类指标，所述指标数据集中包括至少两类指标数据；
对所述指标数据集进行数据清洗的步骤包括：
设置所述指标数据集中各类指标数据的最小清洗粒度；根据最小清洗粒度、各类指标数据的数据量计算各类指标数据的月影响指数和周影响指数；
将各类指标数据的数据量除以其对应的月影响指数和周影响指数，得到各类指标数据的原始清洗参考基数；
检测所述原始清洗参考基数中的异常基数，删除所述异常基数，得到各类指标数据的待用清洗参考基数；
将各类指标数据的待用清洗参考基数分别乘以对应的月影响指数和周影响指数，得到各类指标数据的清洗范围；
根据所述清洗范围确定各类指标数据中的异常数据量，删除所述异常数据量或者对所述异常数据量进行修正。
2.根据权利要求1所述的客户满意度的测评方法，其特征在于，
所述指标数据集的指标至少包括：影响客户满意度的宏观变量指标数据以及电力系统各业务系统的业务指标数据；
所述业务指标数据对应的最小清洗粒度小于宏观变量指标数据对应的最小清洗粒度。
3.根据权利要求2所述的客户满意度的测评方法，其特征在于，所述业务指标数据包括：用电报装数据、用电检查数据、电能计量数据、故障抢修数据、呼叫中心服务数据、客服管理数据、供电质量数据和停送电服务数据。
4.根据权利要求2所述的客户满意度的测评方法，其特征在于，所述宏观变量指标数据包括地区政策数据、天气指数信息以及经济指数信息。
5.根据权利要求1所述的客户满意度的测评方法，其特征在于，所述客户满意度测评模型的结构变量包括：企业形象、客户对价值的感知、客户对质量的感知、客户预期、客户满意度、客户报怨和客户忠诚；
其中，客户满意度为目标变量，企业形象、客户对价值的感知、客户对质量的感知、客户预期为所述目标变量的原因变量，客户报怨和客户忠诚为所述目标变量的结果变量。
6.根据权利要求1所述的客户满意度的测评方法，其特征在于，还包括步骤：
将客户满意度的测评结果与实际调查结果进行对比，得到测评误差；
检测所述测评误差是否在预设的误差范围内；若否，基于偏最小二乘原理，采用偏回归分析方法对所述客户满意度测评模型进行修正。
7.根据权利要求1所述的客户满意度的测评方法，其特征在于，还包括步骤：
根据客户满意度的测评结果确定影响客户满意度的关键指标，并根据所述关键指标调整客户服务策略以优化客户满意度的测评结果。
8.一种客户满意度的测评系统，其特征在于，包括：
指标数据收集模块，用于从指标库中获取与客户满意度有关的评价指标，收集所述评价指标对应的历史指标数据，根据所述历史指标数据构建指标数据集；所述指标库用于测评客户满意度；
数据清洗模块，用于对所述指标数据集进行数据清洗；
测评模块，用于将清洗后的指标数据集输入预设的客户满意度测评模型，分别计算目标变量对应的各原因变量的测评值；综合所有原因变量的测评值得出客户满意度的测评结果；所述客户满意度测评模型为由多个结构变量构成的因果关系模型，以客户满意度为目标变量，且目标变量至少对应两个原因变量；所述客户满意度测评模型通过层次分析法和模糊商模型分析法构建；
所述将清洗后的指标数据集输入预设的客户满意度测评模型，得出与目标变量对应的各原因变量的测评值的步骤包括：
所述将清洗后的指标数据集输入预设的客户满意度测评模型，确定在所述客户满意度测评模型中各项指标数据对应的权重；
根据各项指标数据对应的权重得出目标变量对应的各个原因变量的测评值；
所述确定在所述客户满意度测评模型中各项指标数据对应的权重的步骤包括：
对电力客户进行分类，通过回归分析法分别计算各类客户的各项指标数据的第一权重；
对电力客户进行分类，通过模糊熵值法分别计算各类客户的各项指标数据的第二权重；
根据所述第一权重、第二权重确定各类客户的各项指标数据的综合权重；
所述与客户满意度有关的评价指标包括至少两类指标，所述指标数据集中包括至少两类指标数据；
所述数据清洗模块，还用于设置所述指标数据集中各类指标数据的最小清洗粒度；根据最小清洗粒度、各类指标数据的数据量计算各类指标数据的月影响指数和周影响指数；将各类指标数据的数据量除以其对应的月影响指数和周影响指数，得到各类指标数据的原始清洗参考基数；检测所述原始清洗参考基数中的异常基数，删除所述异常基数，得到各类指标数据的待用清洗参考基数；将各类指标数据的待用清洗参考基数分别乘以对应的月影响指数和周影响指数，得到各类指标数据的清洗范围；根据所述清洗范围确定各类指标数据中的异常数据量，删除所述异常数据量或者对所述异常数据量进行修正。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610957871.1A CN106548357B (zh) | 2016-10-27 | 2016-10-27 | 客户满意度的测评方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610957871.1A CN106548357B (zh) | 2016-10-27 | 2016-10-27 | 客户满意度的测评方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106548357A CN106548357A (zh) | 2017-03-29 |
| CN106548357B true CN106548357B (zh) | 2020-11-20 |
Family
ID=58393407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610957871.1A Active CN106548357B (zh) | 2016-10-27 | 2016-10-27 | 客户满意度的测评方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106548357B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107240033B (zh) * | 2017-06-07 | 2021-02-12 | 国家电网公司客户服务中心 | 一种电力识别模型的构建方法及系统 |
| CN107909181A (zh) * | 2017-10-09 | 2018-04-13 | 何霆 | 基于大数据的家电售后服务业务流程节点分析方法 |
| CN108171524A (zh) * | 2018-01-09 | 2018-06-15 | 安徽润谷网络科技有限公司 | 一种基于小额贷款公司客户体验评价系统 |
| CN108510147B (zh) * | 2018-01-23 | 2022-01-11 | 浙江工业大学 | 一种基于残差波动模型的电能质量综合评价方法 |
| CN109242257B (zh) * | 2018-08-09 | 2021-08-20 | 广州瀚信通信科技股份有限公司 | 一种基于关键指标关联分析的4g上网用户投诉模型 |
| CN110188784A (zh) * | 2019-02-19 | 2019-08-30 | 太仓中科信息技术研究院 | 一种用于年终人物评估参考的系统 |
| CN111325475A (zh) * | 2020-03-04 | 2020-06-23 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于对数总似然算法的抢修工单评价因素分析方法 |
| CN111461446B (zh) * | 2020-04-09 | 2024-05-21 | 北京北大软件工程股份有限公司 | 基于机器学习的投诉举报案件的预测方法及装置 |
| CN111401787A (zh) * | 2020-04-09 | 2020-07-10 | 中国邮政储蓄银行股份有限公司 | 一种选址方法、装置、系统 |
| CN111695819B (zh) * | 2020-06-16 | 2023-06-02 | 中国联合网络通信集团有限公司 | 一种坐席人员排班方法和装置 |
| CN114511335A (zh) * | 2020-10-26 | 2022-05-17 | 中国移动通信有限公司研究院 | 一种数据校正方法、装置、电子设备及可读存储介质 |
| CN113379298A (zh) * | 2021-06-28 | 2021-09-10 | 中国标准化研究院 | 一种数字家庭服务质量测评方法 |
| CN117035887B (zh) * | 2023-10-08 | 2023-12-26 | 中质国优测评技术(北京)有限公司 | 一种汽车用户满意度测评方法与系统 |
| CN117952624A (zh) * | 2024-02-02 | 2024-04-30 | 南京弘竹泰信息技术有限公司 | 一种基于人工智能的呼叫中心数据分析方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140297367A1 (en) * | 2013-03-28 | 2014-10-02 | Jung-woo Lee | Smart design system providing mobile application design and simulation function, business model having the same, and operating method of smart design system |
| CN104680428B (zh) * | 2015-03-16 | 2018-03-16 | 朗新科技股份有限公司 | 一种电网客户满意度模型的构建方法 |
-
2016
- 2016-10-27 CN CN201610957871.1A patent/CN106548357B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106548357A (zh) | 2017-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106548357B (zh) | 客户满意度的测评方法及系统 | |
| Ditzen et al. | Testing and estimating structural breaks in time series and panel data in Stata | |
| CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
| CN111314173B (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
| CN107527114A (zh) | 一种基于大数据的线路台区异常分析方法 | |
| CN107451402A (zh) | 一种基于告警数据分析的设备健康度评估方法及装置 | |
| CN110417591A (zh) | 投票节点配置方法及系统 | |
| Aué et al. | Social diversity and growth levels of open source software projects on github | |
| CN109064023B (zh) | 一种人力效能管理系统的方法和装置 | |
| CN112365361A (zh) | 一种基于规则库的电力计量数据质量体检方法 | |
| CN111612371A (zh) | 一种基于层次分析法的智能电表质量评估方法 | |
| WO2022021420A1 (zh) | 一种根因定位方法及装置、电子设备 | |
| CN109389282A (zh) | 一种基于高斯混合模型的电能表生产厂商评价方法 | |
| CN106580350A (zh) | 一种疲劳状况监测方法及装置 | |
| CN111242430A (zh) | 电力设备供应商评价方法和装置 | |
| CN113537697A (zh) | 一种城市管理中监督员绩效评价的方法及系统 | |
| CN113435713B (zh) | 基于gis技术和两模型融合的风险地图编制方法及系统 | |
| CN114118669A (zh) | 一种基于蒙特卡洛的项目管理方法 | |
| CN117154703A (zh) | 低压配电网可靠性需求评价方法及其相关设备 | |
| Motogna et al. | An approach to assess maintainability change | |
| CN117035710A (zh) | 人才评估量化方法、系统、设备及介质 | |
| CN115829334A (zh) | 一种电网业务的风险评估方法及系统 | |
| Kumar et al. | A simplified approach for quality management in data warehouse | |
| CN115293609A (zh) | 人员安全责任制履职评价指标权重体系构建方法及系统 | |
| Kazibudzki et al. | On some advancements within certain multicriteria decision making support methodology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210602 Address after: 510700 3rd, 4th and 5th floors of building J1 and 3rd floor of building J3, No.11 Kexiang Road, Science City, Luogang District, Guangzhou City, Guangdong Province Patentee after: China South Power Grid International Co.,Ltd. Address before: 510080 water Donggang 8, Dongfeng East Road, Yuexiu District, Guangzhou, Guangdong. Patentee before: China South Power Grid International Co.,Ltd. Patentee before: POWER GRID TECHNOLOGY RESEARCH CENTER. CHINA SOUTHERN POWER GRID |