CN109685372A - 一种基于rater指数的大数据电力客户优质服务质量评价方法 - Google Patents

Abstract

本发明公开了一种基于RATER指数的大数据电力客户优质服务质量评价方法，采用层次化评价体系：将评价指标体系划分为三层，即业务细类层、服务质量大类层和目标层；将服务质量划分为5类：社会形象、专业水平、保障设施、服务能力、响应速度；按权重逐层折算叠加，从业务细类映射到反映服务质量的5个大类，再通过服务质量大类的折算归并为目标层的单一指标，从而量化反映客户服务质量。本发明可以更全面客观地评估业务过程的执行质量并实现定量输出，相比其他评价方法得分敏感度更高；能综合地反映系统多种因素对优质服务质量的影响，更直接地发现客户服务中的不足与瓶颈，对提升客户服务品质和资源的优质配置具有非常重要的意义。

Description

一种基于RATER指数的大数据电力客户优质服务质量评价 方法

【技术领域】

本发明属于大数据及海量数据处理技术领域，涉及一种基于RATER指数的大数据电力客户优质服务质量评价方法。

【背景技术】

客户优质服务质量是客户对企业产品和服务的可感知的效果与其期望值相比较后形成的感觉状态，是客户的一种主观感受，而这种主观感受的定量衡量和判定具有一定困难。

在电力客户服务过程中，客服中心积累了海量的工单数据，基于这些客户服务工单中所包含的服务内容、客户意见和建议，可以对电力客户优质服务质量进行评价。然而，这些工单隶属于众多业务细类，反映出来的客户需求繁杂多样，工单处理结果的影响程度也各不相同，如何从中提取客户需求再按科学合理的指标反映到客户服务质量是非常困难的。

在传统的服务评价研究中，优质服务质量评价或者采用分级制，或者采用问卷调查法进行定量分析。前者存在对优质服务质量评价颗粒度较粗的问题，后者则是数据量较小，主观性较强，不能很客观反映实际的评价。在95598服务中，已积累了海量业务数据，如何利用这些海量数据进行客户优质服务质量的评价的研究方法基本还是空白。

【发明内容】

本发明的目的在于克服上述现有技术的缺点，提供一种基于RATER指数的大数据电力客户优质服务质量评价方法。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于RATER指数的大数据电力客户优质服务质量评价方法，包括以下步骤：

采用层次化评价体系：将评价指标体系划分为三层，即业务细类层、服务质量大类层和目标层；

将服务质量划分为5类：社会形象、专业水平、保障设施、服务能力、响应速度；

按权重逐层折算叠加，从业务细类映射到反映服务质量的5个大类，再通过服务质量大类的折算归并为目标层的单一指标，从而量化反映客户服务质量。

本发明进一步的改进在于：

具体包括以下步骤：

步骤1：建立电力客户优质服务质量评价模型；

步骤2：计算服务质量层与业务细类层权重；

步骤3：综合法优质服务质量得分判定。

步骤1中，将电力客户优质服务质量评价模型设置为三层模型，每层元素的权重分别确定。

构建的三层优质服务质量评价体为：

第一层为目标层，即决策问题的预定目标，由第二层服务质量层中各要素得分与权重合成得到；

第二层为服务质量监测层，包括五个要素，分别为社会形象、专业水平、保障设施、服务能力和反应速度；五个要素的权重计算在专家打分法的基础上计算得到，五个要素的得分由第三层业务细类层得分合成；

第三层业务细类层指的是影响服务质量的具体业务；结合影响服务质量的关键因素、特点以及电力公司客户服务业务的实际情况，构建业务细类层结构内容；业务细类层结构含义确定后，将现有的客户服务业务划到业务细类层中，即实现具体业务数据与优质服务质量建模的联系；

模型的最终目的是输出电力客户优质服务质量得分，具体计算过程中，首先要计算出第三层业务细类层每个小类的优质服务质量得分，然后按照权重合成为第二层服务质量得分，再次按照权重合成即得到目标层的顾客优质服务质量得分。

第一层、第二层和第三层得分计算过程如下：

设模型因素集为P，P_i表示模型服务质量层，P_ij表示模型业务细类层，相应的，设影响优质服务质量的五个要素权重为ω，ω_i表示模型服务质量层权重，ω_ij表示服务细类层权重，F_i表示模型服务质量层得分，F_ij表示模型业务细类层得分，i表示服务质量层第i个指数，j表示服务细类层第j个指数；

优质服务质量得分的计算从第三层业务细类层开始，首先得到每一因素的优质服务质量得分，然后逐级合成；

以F₁₁企业形象得分计算为例，设社会形象业务数量为m，在这m次业务中顾客的优质服务质量评价得分别为f_m＝{f_m1,f_m2…,f_mi…f_mm}，则：

以此类推能够计算得到需要的所有因素的优质服务质量得分F_ij，接着用F₁＝{ω₁₁,ω₁₂}·{F₁₁,F₁₂}＝ω₁·{F₁₁,F₁₂}以此类推，得到F₂,F₃,F₄,F₅，则F＝{ω₁,ω₂,ω₃,ω₄,ω₅}·{F₁,F₂,F₃,F₄,F₅}＝ω·{F₁,F₂,F₃,F₄,F₅}＝∑ω_iF_i。

步骤2中，计算服务质量层与业务细类层权重的具体方法如下：

设计调查问卷进行不同人群关于服务质量影响因素重要性的认定，得到判断矩阵，为量化各两两判断矩阵，采用Satty提出的1-9标度法来进行标度和比较；

然后，根据已经确定的模型构架来进行软件建模；在超级决策软件程序中根据模型中各个因素的相互联系，形成网状结构；

通过该软件，输入上述调查问卷的结果，输出结果为模型第二层、第三层各因素的权重，将每份问卷得到的权重结果求取平均值，得到最终的第二层和第三层各因素权重结果。

步骤3综合法优质服务质量得分判定方法如下：

步骤3-1：业务细类映射

首先根据工单中受理业务类型将工单归到八种业务类型，再根据各类详细说明进行业务划分；

步骤3-2：顾客评语得分赋值

在将具体业务映射到服务质量大类后，根据客户对工单处理的意见进行优质服务质量得分判定；结合大数据分析技术，确定适用于本模型的顾客评语集赋值情况；将工单中客户意见的内容匹配相关评语，得到该工单的优质服务质量评分。

八种业务类型包括咨询、意见、投诉、举报、建议、故障报修、服务申请和表扬。

与现有技术相比，本发明具有以下有益效果：

本发明基于大数据建立了电力客户优质服务质量评价模型，输入电力公司客户服务工单，通过识别工单中有效字段，如客户意见、受理业务类型、业务子类型等，可以定量地输出优质服务质量得分。本发明决策过程简单实用，可以更全面客观地评估业务过程的执行质量并实现定量输出，相比其他评价方法得分敏感度更高；能综合地反映系统多种因素对优质服务质量的影响，更直接地发现客户服务中的不足与瓶颈，对提升客户服务品质和资源的优质配置具有非常重要的意义。

【具体实施方式】

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本发明公开的概念。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明公开的上下文中，当将一层/元件称作位于另一层/元件“上”时，该层/元件可以直接位于该另一层/元件上，或者它们之间可以存在居中层/元件。另外，如果在一种朝向中一层/元件位于另一层/元件“上”，那么当调转朝向时，该层/元件可以位于该另一层/元件“下”。

需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面对本发明做进一步详细描述：

本发明一种基于RATER指数的大数据电力客户优质服务质量评价方法，采用三个步骤实现服务水平的量化：

步骤一：采用层次化评价体系：

本发明将评价指标体系划分为三层，即业务细类层、服务质量大类层以及目标层；具体方法如下：

建立电力客户优质服务质量评价模型的：

根据研究的目的和需要，将电力客户优质服务质量评价模型设置为对应上述业务细类、服务质量大类以及目标的三层模型，每层元素的权重分别确定。

具体构建三层优质服务质量评价体系的具体方法如下：

第一层为目标层，即决策问题的预定目标，由第二层服务质量层中各要素得分与权重合成得到。

第二层为服务质量监测层，如表1所示，指的是影响目标实现的准则，描述顾客优质服务质量的主要影响因子，包括社会形象、专业水平、保障设施、服务能力以及反应速度五个要素。五个要素的权重计算在专家打分法的基础上计算得到，五个要素的得分由第三层业务细类层得分合成。

表1服务质量划分

服务质量分类	含义
		社会形象	客户对企业的信赖程度
专业水平	客服人员的专业水准
		保障设施	服务设施及保障能力
服务能力	客服人员的需求理解能力
		响应速度	需求响应的积极性和主动性

第三层业务细类层指的是影响服务质量的具体业务，它描述的是顾客优质服务质量变化的影响因素。结合影响服务质量的关键因素、特点以及电力公司客户服务业务的实际情况，构建业务细类层结构内容如表2所示。业务细类层结构含义确定后，将现有的客户服务业务划到业务细类层中，即可实现具体业务数据与优质服务质量建模的联系。

表2电力客户优质服务质量评价模型构架

模型的最终目的是输出电力客户优质服务质量得分，具体计算过程如下：

首先要计算出第三层业务细类层每个小类的优质服务质量得分，然后按照权重合成为第二层服务质量得分，再次按照权重合成即可得到目标层的顾客优质服务质量得分。

其各层得分计算过程如下：

设模型因素集为P，P_i表示模型服务质量层，P_ij表示模型业务细类层，相应的，设影响优质服务质量的五个要素权重为ω，ω_i表示模型服务质量层权重，ω_ij表示服务细类层权重，F_i表示模型服务质量层得分，F_ij表示模型业务细类层得分(i表示服务质量层第i个指数，j表示服务细类层第j个指数)。

优质服务质量得分的计算从第三层业务细类层开始，首先得到每一因素的优质服务质量得分，然后逐级合成。以F₁₁企业形象得分计算为例，设社会形象业务数量为m，在这m次业务中顾客的优质服务质量评价得分别为f_m＝{f_m1,f_m2…,f_mi…f_mm}，则：

以此类推能够计算得到需要的所有因素的优质服务质量得分F_ij，接着用F₁＝{ω₁₁,ω₁₂}·{F₁₁,F₁₂}＝ω₁·{F₁₁,F₁₂}以此类推，得到F₂,F₃,F₄,F₅，则F＝{ω₁,ω₂,ω₃,ω₄,ω₅}·{F₁,F₂,F₃,F₄,F₅}＝ω·{F₁,F₂,F₃,F₄,F₅}＝∑ω_iF_i。

步骤二：将服务质量划分为5类：

社会形象、专业水平、保障设施、服务能力以及响应速度；

服务质量层与业务细类层权重计算；

进行问卷调查，调查结果反映他们对两两元素相对重要性的看法，能够作为判断矩阵的输入数据。由判断矩阵计算各权重大小。

权重计算过程如下：

设计调查问卷进行不同人群关于服务质量影响因素重要性的认定(判断矩阵)，为量化各两两判断矩阵，采用Satty提出的1-9标度法来进行标度和比较，1-9标度法评价标注如表3所示。

表3标度值含义

		评价	含义
1	表示两个因素相比，具有同样的重要性
		3	表示两个因素相比，一个因素比另一个因素稍微重要
5	表示两个因素相比，一个因素比另一个因素明显重要
		7	表示两个因素相比，一个因素比另一个因素强烈重要
9	表示两个因素相比，一个因素比另一个因素极端重要
		2,4,6,8	表示其重要程度介于上述相邻判断尺度之间

然后，根据已经确定的模型构架来进行软件建模。在超级决策软件程序中选择相应的按键，根据模型中各个因素的相互联系，形成网状结构。

通过该软件，输入上述调查问卷的结果，输出结果为模型第二层、第三层各因素的权重，将每份问卷得到的权重结果求取平均值，可得到最终的第二层和第三层各因素权重结果，如表4所示。

表4综合法优质服务质量权重结果统计表

步骤三：量化反映客户服务质量，具体步骤如下：

电力公司业务主要包含投诉、举报、建议、故障报修、意见、服务申请、咨询和表扬八类，每一类业务都有自身特征，在进行优质服务质量得分计算中，充分考虑了每一种业务本身的特点，将业务细类映射到反映服务质量的5个大类，并根据业务特点和顾客优质服务质量评价情况，对每一个工单的优质服务质量打分。以下将对优质服务质量得分判定方法进行详细介绍。

(3-1)业务细类映射

首先根据工单中受理业务类型(BUSI_TYPE_CODE)字段将工单归到八种业务类型业务咨询、意见、投诉、举报、建议、故障报修、服务申请和表扬，再根据以下各类详细说明进行业务划分。具体划分如表5，6，7，8，9，10，11，12所示。

表5业务咨询类归类结果

表6意见类归类结果

表7投诉类归类结果

表8举报类归类结果

表9建议类归类结果

表10故障报修类归类结果

表11服务申请类归类结果

表12表扬类归类结果

(3-2)顾客评语得分赋值

在将具体业务映射到服务质量大类后，根据客户对工单处理的意见进行优质服务质量得分判定。结合大数据分析技术，确定适用于本模型的顾客评语集赋值情况如表13所示。将工单中客户意见(CONS_OPINION)字段内容匹配表13中相关评语，得到该工单的优质服务质量评分。

表13适用于本模型的评语集赋值

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (8)

1.一种基于RATER指数的大数据电力客户优质服务质量评价方法，其特征在于，包括以下步骤：

采用层次化评价体系：将评价指标体系划分为三层，即业务细类层、服务质量大类层和目标层；

将服务质量划分为5类：社会形象、专业水平、保障设施、服务能力、响应速度；

按权重逐层折算叠加，从业务细类映射到反映服务质量的5个大类，再通过服务质量大类的折算归并为目标层的单一指标，从而量化反映客户服务质量。

2.根据权利要求1所述的基于RATER指数的大数据电力客户优质服务质量评价方法，其特征在于，具体包括以下步骤：

步骤1：建立电力客户优质服务质量评价模型；

步骤2：计算服务质量层与业务细类层权重；

步骤3：综合法优质服务质量得分判定。

3.根据权利要求2所述的基于RATER指数的大数据电力客户优质服务质量评价方法，其特征在于，步骤1中，将电力客户优质服务质量评价模型设置为三层模型，每层元素的权重分别确定。

4.根据权利要求3所述的基于RATER指数的大数据电力客户优质服务质量评价方法，其特征在于，构建的三层优质服务质量评价体为：

第一层为目标层，即决策问题的预定目标，由第二层服务质量层中各要素得分与权重合成得到；

第二层为服务质量监测层，包括五个要素，分别为社会形象、专业水平、保障设施、服务能力和反应速度；五个要素的权重计算在专家打分法的基础上计算得到，五个要素的得分由第三层业务细类层得分合成；

第三层业务细类层指的是影响服务质量的具体业务；结合影响服务质量的关键因素、特点以及电力公司客户服务业务的实际情况，构建业务细类层结构内容；业务细类层结构含义确定后，将现有的客户服务业务划到业务细类层中，即实现具体业务数据与优质服务质量建模的联系；

模型的最终目的是输出电力客户优质服务质量得分，具体计算过程中，首先要计算出第三层业务细类层每个小类的优质服务质量得分，然后按照权重合成为第二层服务质量得分，再次按照权重合成即得到目标层的顾客优质服务质量得分。

5.根据权利要求4所述的基于RATER指数的大数据电力客户优质服务质量评价方法，其特征在于，第一层、第二层和第三层得分计算过程如下：

设模型因素集为P，P_i表示模型服务质量层，P_ij表示模型业务细类层，相应的，设影响优质服务质量的五个要素权重为ω，ω_i表示模型服务质量层权重，ω_ij表示服务细类层权重，F_i表示模型服务质量层得分，F_ij表示模型业务细类层得分，i表示服务质量层第i个指数，j表示服务细类层第j个指数；

优质服务质量得分的计算从第三层业务细类层开始，首先得到每一因素的优质服务质量得分，然后逐级合成；

以F₁₁企业形象得分计算为例，设社会形象业务数量为m，在这m次业务中顾客的优质服务质量评价得分别为f_m＝{f_m1,f_m2…,f_mi…f_mm}，则：

以此类推能够计算得到需要的所有因素的优质服务质量得分F_ij，接着用F₁＝{ω₁₁,ω₁₂}·{F₁₁,F₁₂}＝ω₁·{F₁₁,F₁₂}以此类推，得到F₂,F₃,F₄,F₅，则F＝{ω₁,ω₂,ω₃,ω₄,ω₅}·{F₁,F₂,F₃,F₄,F₅}＝ω·{F₁,F₂,F₃,F₄,F₅}＝∑ω_iF_i。

6.根据权利要求2所述的基于RATER指数的大数据电力客户优质服务质量评价方法，其特征在于，步骤2中，计算服务质量层与业务细类层权重的具体方法如下：

设计调查问卷进行不同人群关于服务质量影响因素重要性的认定，得到判断矩阵，为量化各两两判断矩阵，采用Satty提出的1-9标度法来进行标度和比较；

然后，根据已经确定的模型构架来进行软件建模；在超级决策软件程序中根据模型中各个因素的相互联系，形成网状结构；

通过该软件，输入上述调查问卷的结果，输出结果为模型第二层、第三层各因素的权重，将每份问卷得到的权重结果求取平均值，得到最终的第二层和第三层各因素权重结果。

7.根据权利要求2所述的基于RATER指数的大数据电力客户优质服务质量评价方法，其特征在于，步骤3综合法优质服务质量得分判定方法如下：

步骤3-1：业务细类映射

首先根据工单中受理业务类型将工单归到八种业务类型，再根据各类详细说明进行业务划分；

步骤3-2：顾客评语得分赋值

在将具体业务映射到服务质量大类后，根据客户对工单处理的意见进行优质服务质量得分判定；结合大数据分析技术，确定适用于本模型的顾客评语集赋值情况；将工单中客户意见的内容匹配相关评语，得到该工单的优质服务质量评分。

8.根据权利要求7所述的基于RATER指数的大数据电力客户优质服务质量评价方法，其特征在于，八种业务类型包括咨询、意见、投诉、举报、建议、故障报修、服务申请和表扬。