CN109377252A - 一种基于大数据框架的客户满意度预测方法 - Google Patents
一种基于大数据框架的客户满意度预测方法 Download PDFInfo
- Publication number
- CN109377252A CN109377252A CN201811002983.7A CN201811002983A CN109377252A CN 109377252 A CN109377252 A CN 109377252A CN 201811002983 A CN201811002983 A CN 201811002983A CN 109377252 A CN109377252 A CN 109377252A
- Authority
- CN
- China
- Prior art keywords
- satisfaction
- user
- model
- index
- analysis
- 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 43
- 230000008447 perception Effects 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000002547 anomalous effect Effects 0.000 claims abstract description 5
- 238000011835 investigation Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000007418 data mining Methods 0.000 claims description 6
- 238000000528 statistical test Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 5
- 238000010998 test method Methods 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract 1
- 230000008569 process Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- SBNFWQZLDJGRLK-UHFFFAOYSA-N phenothrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=CC=CC(OC=2C=CC=CC=2)=C1 SBNFWQZLDJGRLK-UHFFFAOYSA-N 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000013024 troubleshooting 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
-
- 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
- G06Q30/0203—Market surveys; Market polls
-
- 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
- G06Q30/0282—Rating or review of business operators or products
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (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
本发明公开一种基于大数据框架的客户满意度预测方法，包括：明确感知点，获取影响用户满意度表现的感知点和不满意因素；匹配感知指标，获取的指标数据匹配出与用户感知点、不满意因素相对应的感知指标；构建影响力模型，通过随机森林模型挖掘各类指标对满意度的影响力；基于影响力模型，给参与满意度打分的用户进行画像分析，指出短板指标；结合基于异常事件和基于统计值的问题定界场景输出用户不满意的问题点及质差明细；构建满意度倾向预测算法。本发明通过建立影响用户网络满意度的感知指标模型将感知指标与用户满意度关联聚合，以满意度预测算法进行提取和挖掘，将被动收集客户满意度信息变为主动预测用户满意度，提高用户满意度。
Description
技术领域
本发明涉及大数据领域，尤其涉及一种基于大数据框架的客户满意度预测方法。
背景技术
客户满意度调查又被称为CSR(Consumer Satisfaction Research)。它通过研究客户满意度指数、影响客户满意度因素及客户消费行为三者间的关系，进而达到帮助企业实现成本最小化、提升顾客满意度和企业盈利能力的目的，是近年来新兴的一种调查技术。通过顾客满意度调查，可以挖掘出影响顾客满意度的关键因素，并有针对性的对改善企业服务质量，对于提升顾客重复购买力，企业竞争能力及盈利能力具有很大的正面促进作用。
传统的客户满意度调查包括向客户发放调查表、调查信、客服电话调查和网上满意度调查等手段，这些方法通常以不同数量的问答题来给每一个客户打分，以得分的高低来定义客户对产品和服务的认可水平。由此可见，客户满意度调查表的内容往往决定这是不是一次成功的调查，而要真正测出客户的完整想法与感觉，需要将测定内容不断改进，后续工作更要采取具体措施有针对性整改客户痛点。而且现有技术耗费人力和时间较多，随机的调查问卷和电话问询不能覆盖所有的用户，与网络真实数据存在误差，营销精度和推荐匹配度不准。
发明内容
本发明针对现有技术中存在的问题，提供一种基于大数据框架的客户满意度预测方法，实现基于全量用户满意度倾向监测评估，低满意度用户影响因素分析，低满意度用户网络质差问题定界的分析概览；有效监控预测满意度的关键指标，实现指标预警，进行问题精确定界；根据历史用户特征，分析产品的潜在用户和用户的潜在需求，针对特定群体，实施精准营销；根据用户的属性、行为特征对用户进行分类后，统计不同特征下的用户数量、分布；分析不同用户画像群体的分布特征；以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，提升服务精准度。
为实现上述目的，本发明提供的技术方案如下：
一种基于大数据框架的客户满意度预测方法，包括：
S1，明确感知点，通过深度调查及座谈交流会方式，结合大数据分析，获取影响用户满意度表现的感知点和不满意因素；
S2，匹配感知指标，获取的指标数据匹配出与用户感知点、不满意因素相对应的感知指标；
S3，构建影响力模型，结合实际满意度调查情况和各类指标数据，通过随机森林模型挖掘各类指标对满意度的影响力；
S4，基于影响力模型，给参与满意度打分的用户进行画像分析，指出短板指标；
S5，基于影响力模型，针对单用户进行画像分析、定位短板指标，结合基于异常事件和基于统计值的问题定界场景输出用户不满意的问题点及质差明细；
S6，基于影响力模型，构建满意度倾向预测算法，预测地市全量用户满意度倾向，预警短板区县。
进一步地，所述步骤S3具体包括：
S31，数据探索与清洗，通过分析，对样本缺失指标数据根据同得分、同类型样本的平均数、众数、中位数进行插值替换，使数据满足模型建立要求；
S32，采用随机森林进行建模，构建影响力模型；
S33，模型验证与优化，随机选取测试样本数据进行模型验证，并通过检验方法，挖掘出最优模型。
进一步地，所述步骤S1中深度调查方式可以通过电话或者互联网。
进一步地，所述步骤S31中的分析方法包括变量分析和相关性分析。
进一步地，所述步骤S33中的检验方法包括统计学检验、业务检验和计量经济学检验方法。
一种基于大数据框架的客户满意度预测方法，包括：
S1，明确感知点，通过深度调查及座谈交流会方式，结合大数据分析，获取影响用户满意度表现的感知点和不满意因素；
S2，匹配感知指标，获取的指标数据匹配出与用户感知点、不满意因素相对应的感知指标；
S3，构建影响力模型，结合实际满意度调查情况和各类指标数据，通过随机森林模型挖掘各类指标对满意度的影响力；
S4，基于影响力模型，给参与满意度打分的用户进行画像分析，指出短板指标；
S5，基于影响力模型，针对单用户进行画像分析、定位短板指标，结合基于异常事件和基于统计值的问题定界场景输出用户不满意的问题点及质差明细；
S6，基于影响力模型，构建满意度倾向预测算法，预测地市全量用户满意度倾向，预警短板区县；
所述步骤S3具体包括：
S31，数据探索与清洗，通过分析，对样本缺失指标数据根据同得分、同类型样本的平均数、众数、中位数进行插值替换，使数据满足模型建立要求；
S32，采用随机森林进行建模，构建影响力模型；
S33，模型验证与优化，随机选取测试样本数据进行模型验证，并通过检验方法，挖掘出最优模型；
所述步骤S1中深度调查方式可以通过电话或者互联网；
所述步骤S31中的分析方法包括变量分析和相关性分析；
所述步骤S33中的检验方法包括统计学检验、业务检验和计量经济学检验方法。
与现有技术相比，本发明方法通过建立影响用户网络满意度的感知指标模型，将影响用户满意度的覆盖治理、上网感知、服务质量、经分特性和行为偏好5个维度的100多个感知指标与用户满意度关联聚合，该模型以用户满意度预测算法对信令数据、经分数据、网优数据和客服数据进行提取和挖掘，将被动收集客户满意度信息变为主动预测用户满意度，具有很高的推广价值；利用用户画像技术定位质差原因，结合修复方案将工单闭环处理，有助于先于客户投诉负面问题，提高用户满意度。
附图说明
图1：为本发明方法的具体步骤流程图；
图2：为本发明方法步骤S3的具体流程图；
图3：为本发明方法实施例中步骤S1的示意图；
图4：为本发明方法实施例中步骤S2的示意图；
图5：为本发明方法实施例中的低满意度用户区县分布和影响因素分析图；
图6：为本发明方法实施例中的低满意度用户小区分布图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参照图1，为本发明一种基于大数据框架的客户满意度预测方法，包括：S1，明确感知点，通过电话或者互联网深度调查及座谈交流会方式，结合大数据分析，获取影响用户满意度表现的感知点和不满意因素；S2，匹配感知指标，获取的指标数据匹配出与用户感知点、不满意因素相对应的感知指标；S3，构建影响力模型，结合实际满意度调查情况和各类指标数据，通过随机森林模型挖掘各类指标对满意度的影响力；S4，基于影响力模型，给参与满意度打分的用户进行画像分析，指出短板指标；S5，基于影响力模型，针对单用户进行画像分析、定位短板指标，结合基于异常事件和基于统计值的问题定界场景输出用户不满意的问题点及质差明细；S6，基于影响力模型，构建满意度倾向预测算法，预测地市全量用户满意度倾向，预警短板区县。
参照图2，为本发明步骤S3的具体内容，包括：S31，数据探索与清洗，通过变量分析分析、相关性分析，对样本缺失指标数据根据同得分、同类型样本的平均数、众数、中位数进行插值替换，使数据满足模型建立要求；S32，采用随机森林进行建模，构建影响力模型；S33，模型验证与优化，随机选取测试样本数据进行模型验证，并通过统计学检验、业务检验及计量经济学检验，挖掘出最优模型。
在实施例中，以预测用户进行4G手机上网的用户满意度为优先实施例。
参照图3，第一步：明确感知点。通过电话/互联网深度调查及座谈交流会等方式，结合大数据分析，获取影响用户4G手机上网满意度表现的5个感知点、10类不满意因素。
参照图4，第二步：匹配感知指标。基于集中性能平台可获取的指标数据，匹配出与用户感知点、不满意因素相对应的110个感知指标。如下表：
第三步：构建影响力模型。结合实际满意度调查情况和各类指标数据，借助R软件、通过随机森林模型挖掘各类指标对满意度的影响力。数据探索与清洗：通过变量分析分析、相关性分析，对样本缺失指标数据根据同得分、同类型样本的平均数、众数、中位数进行插值替换，使数据满足模型建立要求；构建影响力模型：因满意度相关的自变量具有指标多、指标复杂，对模型有准确性高、运算速度快、抗噪声能力强等要求，适应采用随机森林进行建模；模型验证与优化：随机选取测试样本数据进行模型验证，并通过统计学检验、业务检验及计量经济学检验，挖掘出最优模型。
关键指标筛选方案：针对匹配出的110个感知指标，从单指标影响力差异、指标间关联性、模型稳定性、模型准确性四方面进行人工甄别和指标选择，构建最优影响力模型。
关键指标筛选过程：将用户4G手机上网质量满意度打分分成高(9-10)/中(7-8)/低(1-6)，分别选择110个指标、65个指标、50个指标、40个指标分析建模(详细迭代过程如下)。
1)、110个指标影响力
2)65个指标影响力
3)50个指标影响力
4)40个指标影响力
在兼顾模型稳定性和模型预测效果基础上，选择包含40个关键指标的最优影响力模型，以此作为4G手机上网质量满意度提升工作的“指标抓手”。包含13个经分特性指标、10个上网感知指标、9个行为偏好指标、8个常驻小区覆盖质量指标。满意度影响力模型如下：
基于影响力模型，给参与满意度打分的用户可从网络覆盖、上网感知、服务质量、用户偏好等维度对用户进行画像分析，指出短板指标；针对短板指标，结合已开发的的客户感知定界工具准确定位用户不满意的问题点，输出质差明细。
该定界基于信令层面问题查询，较以往传统投诉排障方式准确可靠，有助于提升客户满意度；客服可提前处理并结办终端、用户、第三方网站等原因的投诉，避免针对此类工单派发，降低无效派单，减少网络侧的工单派发数量，降低网络处理压力。
依据影响力和归一化权重，将影响用户满意度的指标加权计算，最终得出每个用户的满意度得分情况，以10分为满意度满分。
指标基准值、挑战值和权重如下：
指标得分算法：
维度得分算法：＝指标1得分*权重+指标2得分*权重
满意度评分：＝各维度得分之和
某用户指标得分和满意度评分情况，如下表：
满意度得分和用户类型匹配参考如下：
| 满意度得分 | 用户类型 |
| 1-6(对应0-60分) | 低满意度 |
| 7-8(对应61-79分) | 中满意度 |
| 9-10(对应80-100分) | 高满意度 |
在系统输入时间、地市和用户号码，查看低满意度指标如下：
基于影响力模型，针对单用户进行画像分析、定位短板指标，结合基于异常事件和基于统计值的问题定界场景输出用户不满意的问题点及质差明细。
以具体客户满意度低案例进行问题定界过程说明：客户上网页面打开较慢定界案例。
①STEP1：画像分析定位短板指标(HTTP响应成功率低)；
②STEP2：针对短板指标，通过端到端定界找到具体问题(质差小区、质差SP_IP)；
③STEP3：STEP3-1：下钻查看质差小区原因明细(位置、原因)；
④STEP4：下钻查看质差SP_IP原因明细。
基于影响力模型、构建满意度倾向预测算法。在未开展用户满意度调查打分前，基于模型预测地市全量用户满意度倾向、预警短板区县。
参照图5，为满意度用户区县分布和影响因素分析图。画像分析算法可得出地市、区县以及小区下各用户的满意度得分，当低满意度用户聚集在某小区后，可定界问题，处理故障，提前短信告知用户。
各问题评级的影响用户数阈值参考如下：
上表以低满意度用户数量分布对各小区划分问题评级，级别越高，低满意度用户越多。低满意度用户小区分布参考图6。
本发明提供一种基于大数据框架的客户满意度预测方法，具有以下优点：通过建立影响用户网络满意度的感知指标模型，将影响用户满意度的覆盖治理、上网感知、服务质量、经分特性和行为偏好5个维度的100多个感知指标与用户满意度关联聚合，该模型以用户满意度预测算法对信令数据、经分数据、网优数据和客服数据进行提取和挖掘，将被动收集客户满意度信息变为主动预测用户满意度，具有很高的推广价值；利用用户画像技术定位质差原因，结合修复方案将工单闭环处理，有助于先于客户投诉负面问题，提高用户满意度。
以上所述仅为本发明的较佳实施例，并不用于限制本发明，凡在本发明的精神和原则内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于大数据框架的客户满意度预测方法，其特征在于，包括：
S1，明确感知点，通过深度调查及座谈交流会方式，结合大数据分析，获取影响用户满意度表现的感知点和不满意因素；
S2，匹配感知指标，获取的指标数据匹配出与用户感知点、不满意因素相对应的感知指标；
S3，构建影响力模型，结合实际满意度调查情况和各类指标数据，通过随机森林模型挖掘各类指标对满意度的影响力；
S4，基于影响力模型，给参与满意度打分的用户进行画像分析，指出短板指标；
S5，基于影响力模型，针对单用户进行画像分析、定位短板指标，结合基于异常事件和基于统计值的问题定界场景输出用户不满意的问题点及质差明细；
S6，基于影响力模型，构建满意度倾向预测算法，预测地市全量用户满意度倾向，预警短板区县。
2.根据权利要求1所述的客户满意度预测方法，其特征在于，所述步骤S3具体包括：
S31，数据探索与清洗，通过分析，对样本缺失指标数据根据同得分、同类型样本的平均数、众数、中位数进行插值替换，使数据满足模型建立要求；
S32，采用随机森林进行建模，构建影响力模型；
S33，模型验证与优化，随机选取测试样本数据进行模型验证，并通过检验方法，挖掘出最优模型。
3.根据权利要求1所述的客户满意度预测方法，其特征在于，所述步骤S1中深度调查方式可以通过电话或者互联网。
4.根据权利要求2所述的客户满意度预测方法，其特征在于，所述步骤S31中的分析方法包括变量分析和相关性分析。
5.根据权利要求2所述的客户满意度预测方法，其特征在于，所述步骤S33中的检验方法包括统计学检验、业务检验和计量经济学检验方法。
6.一种基于大数据框架的客户满意度预测方法，其特征在于，包括：
S1，明确感知点，通过深度调查及座谈交流会方式，结合大数据分析，获取影响用户满意度表现的感知点和不满意因素；
S2，匹配感知指标，获取的指标数据匹配出与用户感知点、不满意因素相对应的感知指标；
S3，构建影响力模型，结合实际满意度调查情况和各类指标数据，通过随机森林模型挖掘各类指标对满意度的影响力；
S4，基于影响力模型，给参与满意度打分的用户进行画像分析，指出短板指标；
S5，基于影响力模型，针对单用户进行画像分析、定位短板指标，结合基于异常事件和基于统计值的问题定界场景输出用户不满意的问题点及质差明细；
S6，基于影响力模型，构建满意度倾向预测算法，预测地市全量用户满意度倾向，预警短板区县；
所述步骤S3具体包括：
S31，数据探索与清洗，通过分析，对样本缺失指标数据根据同得分、同类型样本的平均数、众数、中位数进行插值替换，使数据满足模型建立要求；
S32，采用随机森林进行建模，构建影响力模型；
S33，模型验证与优化，随机选取测试样本数据进行模型验证，并通过检验方法，挖掘出最优模型；
所述步骤S1中深度调查方式可以通过电话或者互联网；
所述步骤S31中的分析方法包括变量分析和相关性分析；
所述步骤S33中的检验方法包括统计学检验、业务检验和计量经济学检验方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811002983.7A CN109377252A (zh) | 2018-08-30 | 2018-08-30 | 一种基于大数据框架的客户满意度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811002983.7A CN109377252A (zh) | 2018-08-30 | 2018-08-30 | 一种基于大数据框架的客户满意度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109377252A true CN109377252A (zh) | 2019-02-22 |
Family
ID=65404907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811002983.7A Pending CN109377252A (zh) | 2018-08-30 | 2018-08-30 | 一种基于大数据框架的客户满意度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109377252A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264248A (zh) * | 2019-05-30 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 用户体验信息的预测方法及装置 |
| CN111553816A (zh) * | 2020-04-20 | 2020-08-18 | 北京北大软件工程股份有限公司 | 行政复议影响因素分析方法及装置 |
| CN112016940A (zh) * | 2019-05-29 | 2020-12-01 | 中国移动通信集团福建有限公司 | 模型建立方法及设备、网络满意度评估方法及设备 |
| CN112163008A (zh) * | 2020-09-28 | 2021-01-01 | 邓燕平 | 基于大数据分析的用户行为数据处理方法及云计算平台 |
| CN112506907A (zh) * | 2020-12-10 | 2021-03-16 | 北谷电子有限公司 | 基于大数据的工程机械营销策略推送方法、系统及装置 |
| CN112511324A (zh) * | 2019-09-16 | 2021-03-16 | 中国移动通信集团河北有限公司 | 基于大数据的用户满意度评估方法及装置 |
| CN112749841A (zh) * | 2020-12-30 | 2021-05-04 | 科大国创云网科技有限公司 | 一种基于自训练学习的用户口碑预测方法及系统 |
| CN113132136A (zh) * | 2019-12-31 | 2021-07-16 | 中国移动通信集团四川有限公司 | 满意度预测模型建立及预测满意度的方法、装置及电子设备 |
| CN113517990A (zh) * | 2020-04-09 | 2021-10-19 | 中国移动通信集团广东有限公司 | 一种网络净推荐值nps的预测方法及装置 |
| WO2021213849A1 (en) | 2020-04-22 | 2021-10-28 | Basf Se | Method for monitoring and/or controlling a production plant |
| CN113837514A (zh) * | 2020-06-24 | 2021-12-24 | 中国移动通信集团重庆有限公司 | 用户满意度的评估方法、装置、计算设备及存储介质 |
| CN113919710A (zh) * | 2021-10-15 | 2022-01-11 | 国网四川省电力公司成都供电公司 | 一种基于回归预测分析的派单方法及派单系统 |
| CN114363941A (zh) * | 2020-09-27 | 2022-04-15 | 中国移动通信集团广东有限公司 | 基于分段分析和质差识别的业务满意度分析方法、装置及终端 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105933920A (zh) * | 2016-03-31 | 2016-09-07 | 浪潮通信信息系统有限公司 | 一种预测用户满意度的方法及装置 |
| CN107124321A (zh) * | 2017-07-10 | 2017-09-01 | 山东浪潮商用系统有限公司 | 一种基于大数据的网络运行状况预测模型 |
-
2018
- 2018-08-30 CN CN201811002983.7A patent/CN109377252A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105933920A (zh) * | 2016-03-31 | 2016-09-07 | 浪潮通信信息系统有限公司 | 一种预测用户满意度的方法及装置 |
| CN107124321A (zh) * | 2017-07-10 | 2017-09-01 | 山东浪潮商用系统有限公司 | 一种基于大数据的网络运行状况预测模型 |
Non-Patent Citations (1)
| Title |
|---|
| 谭晖: "基于感知模型的客户满意度研究", 《信息通信》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016940A (zh) * | 2019-05-29 | 2020-12-01 | 中国移动通信集团福建有限公司 | 模型建立方法及设备、网络满意度评估方法及设备 |
| CN110264248A (zh) * | 2019-05-30 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 用户体验信息的预测方法及装置 |
| CN112511324B (zh) * | 2019-09-16 | 2023-03-31 | 中国移动通信集团河北有限公司 | 基于大数据的用户满意度评估方法及装置 |
| CN112511324A (zh) * | 2019-09-16 | 2021-03-16 | 中国移动通信集团河北有限公司 | 基于大数据的用户满意度评估方法及装置 |
| CN113132136A (zh) * | 2019-12-31 | 2021-07-16 | 中国移动通信集团四川有限公司 | 满意度预测模型建立及预测满意度的方法、装置及电子设备 |
| CN113132136B (zh) * | 2019-12-31 | 2022-11-29 | 中国移动通信集团四川有限公司 | 满意度预测模型建立及预测满意度的方法、装置及电子设备 |
| CN113517990A (zh) * | 2020-04-09 | 2021-10-19 | 中国移动通信集团广东有限公司 | 一种网络净推荐值nps的预测方法及装置 |
| CN113517990B (zh) * | 2020-04-09 | 2023-02-17 | 中国移动通信集团广东有限公司 | 一种网络净推荐值nps的预测方法及装置 |
| CN111553816B (zh) * | 2020-04-20 | 2023-11-03 | 北京北大软件工程股份有限公司 | 行政复议影响因素分析方法及装置 |
| CN111553816A (zh) * | 2020-04-20 | 2020-08-18 | 北京北大软件工程股份有限公司 | 行政复议影响因素分析方法及装置 |
| WO2021213849A1 (en) | 2020-04-22 | 2021-10-28 | Basf Se | Method for monitoring and/or controlling a production plant |
| CN113837514A (zh) * | 2020-06-24 | 2021-12-24 | 中国移动通信集团重庆有限公司 | 用户满意度的评估方法、装置、计算设备及存储介质 |
| CN114363941B (zh) * | 2020-09-27 | 2023-07-04 | 中国移动通信集团广东有限公司 | 基于分段分析和质差识别的业务满意度分析方法、装置及终端 |
| CN114363941A (zh) * | 2020-09-27 | 2022-04-15 | 中国移动通信集团广东有限公司 | 基于分段分析和质差识别的业务满意度分析方法、装置及终端 |
| CN112163008A (zh) * | 2020-09-28 | 2021-01-01 | 邓燕平 | 基于大数据分析的用户行为数据处理方法及云计算平台 |
| CN112163008B (zh) * | 2020-09-28 | 2021-11-30 | 深圳薪汇科技有限公司 | 基于大数据分析的用户行为数据处理方法及云计算平台 |
| CN112506907A (zh) * | 2020-12-10 | 2021-03-16 | 北谷电子有限公司 | 基于大数据的工程机械营销策略推送方法、系统及装置 |
| CN112749841A (zh) * | 2020-12-30 | 2021-05-04 | 科大国创云网科技有限公司 | 一种基于自训练学习的用户口碑预测方法及系统 |
| CN113919710A (zh) * | 2021-10-15 | 2022-01-11 | 国网四川省电力公司成都供电公司 | 一种基于回归预测分析的派单方法及派单系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109377252A (zh) | 一种基于大数据框架的客户满意度预测方法 | |
| CN105357691B (zh) | Lte无线网络用户感知监测方法和系统 | |
| Shah et al. | Evaluation of prioritization methods for effective pavement maintenance of urban roads | |
| CN106548343B (zh) | 一种非法交易检测方法及装置 | |
| Srinivasan et al. | Estimation of calibration functions for predicting crashes on rural two-lane roads in Arizona | |
| EP2680633A1 (en) | Data processing method and device for essential factor lost score | |
| CN108023768B (zh) | 网络事件链确立方法和网络事件链确立系统 | |
| CN108596678A (zh) | 一种航空公司旅客价值计算方法 | |
| CN105653671A (zh) | 相似信息推荐方法及系统 | |
| CN109558962A (zh) | 预测电信用户流失的装置、方法和存储介质 | |
| CN110222959B (zh) | 一种基于大数据的城市就业可达性测算方法及系统 | |
| CN101957845B (zh) | 一种在线应用系统及其实现方法 | |
| CN107038503A (zh) | 一种共享设备的需求量预测方法及系统 | |
| CN103209422A (zh) | 一种wlan网络精确选点的方法 | |
| CN104331502A (zh) | 针对快递员周边人群营销中快递员数据的识别方法 | |
| KR20140017489A (ko) | 국가별 요금을 계산하기 위한 컴퓨터 시스템 | |
| CN104348651A (zh) | 一种基于用户行为的互联网用户感知网络指标综合评定方法 | |
| CN109995549B (zh) | 一种评估流量价值的方法及装置 | |
| Salleh et al. | The escalating of numbers of foreign workers in construction site | |
| CN107147520B (zh) | 一种恐怖组织网络挖掘方法 | |
| CN104298751A (zh) | 互联网虚拟身份特征信息的获取方法及装置 | |
| CN110400160B (zh) | 识别竞品用户的方法、装置、电子设备和存储介质 | |
| CN103714075B (zh) | 一种确定网站目录页的方法及装置 | |
| CN110108609A (zh) | 一种基于卫星多通道的pm2.5浓度值分布情况获取方法及系统 | |
| CN104360998A (zh) | 一种基于协作频度聚类的Web服务信任度评估方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |
|
| RJ01 | Rejection of invention patent application after publication |