CN111178382A - 一种基于工单数据挖掘的抢修服务预测分析方法 - Google Patents

Abstract

本发明公开了一种基于工单数据挖掘的抢修服务预测分析方法，其特征是分析方法包括以下步骤：S1：获取工单以及相关数据；S2：先建立数学模型，通过分析工单中的地址分布、影响故障的因素和投诉工单内容，然后将工单、天气、日期和道路信息导入数学模型，最后依据结果为客户提供主动服务；S21：建立故障工单预测模型，预判问题的出现，提前做出应对；S22：建立故障抢修驻点最优分布模型，确定最优的故障抢修驻点；S23：建立客户投诉挖掘分析模型，主动发现隐藏问题。本发明提供一种能预测未来的故障的数量从而提供主动服务，能设定故障抢修的最优驻点和能通过客户的反馈来完善工作的一种基于工单数据挖掘的抢修服务预测分析方法。

Description

一种基于工单数据挖掘的抢修服务预测分析方法

技术领域

本发明涉及数据分析领域，尤其是涉及一种抢修服务预测分析方法。

背景技术

目前电力公司为客户提供服务的方式仍处于被动状态，主动服务意识不够，不能及时满足客户需求且缺少多元化的服务机制，无法为客户提供优质的电力服务。 中国专利公布号CN109002924A，公开日2018年12月14日，发明创造的名称为一种配网故障抢修预测分析系统及方法，该申请案包括：依次连接的服务器、数据提取单元、存储器、处理器和应用程序服务器，处理器还同时连接数据处理单元。利用大数据挖掘技术，基于电力故障抢修历史数据，以特殊时期、天气、温度、设备老化情况、负荷率等作为扰动因数，通过“具扰动特性的滚动基值法”进行电网故障准确评估，精准预测配网抢修高危区域，提前发现电网系统薄弱环节，为电网提前采取相应措施有效降低配网故障率提供参考，事前做好抢修准备。该申请案不能针对故障抢修得出最优分布的驻点，检测出故障后不能及时到达，那会耽误救援时间，晚一分钟到都有可能发生非常严重的后果，救援行动必须是分秒必争。该申请案也不能对客户期望进行很好的把握，客户满意度得不到改善，不能通过客户的反馈对工作进行改进。

发明内容

本发明是为了克服现有技术的不能预测未来的故障的数量从而提供主动服务，不能设定故障抢修的最优驻点和不能通过客户的反馈来完善工作的问题，提供一种能预测未来的故障的数量从而提供主动服务，能设定故障抢修的最优驻点和能通过客户的反馈来完善工作的一种基于工单数据挖掘的抢修服务预测分析方法。

为了实现上述目的，本发明采用以下技术方案：

本发明解决其技术问题所采用的技术方案是：一种基于工单数据挖掘的抢修服务预测分析方法，方法包括以下步骤：

S1：获取工单以及天气、日期和道路信息；

S2：先建立数学模型，对工单的内容进行统计和分析，通过分析地址分布、影响故障的因素和投诉工单内容，得出客户的需求，然后将工单、天气、日期和道路信息导入数学模型，最后依据结果为客户提供主动服务。根据工单的数据结合相关数据，可以通过对这些数据进行分析，找出规律，根据这些规律对工作进行安排，就可以把问题先行解决，而不是等到问题已经凸显出来了才去解决，把问题消灭在萌芽之中，就可以大大提高工作效率，提高客户的满意度，降低事故发生的概率和损害程度，根据情况建立数学模型，将数据导入到模型就可以得到处理过的结果，这就使得对客户提供主动服务创造了可能性，因为没有经过处理的数据很难直观的从中读出想要的数据，所以要经过处理得到想要的信息，根据这些信息就可以准确把握实际情况，然后有针对性的拿出解决方案，使得问题在萌芽阶段就被解决，为客户提供主动服务。

作为优选，所述步骤S1中通过系统前台获取工单，从天气网站上获取天气，从日历表上获取日期，从道路信息网站上获取道路信息，并将工单、天气、日期和道路信息存储。工单记录着各种问题，分析工单就可以得出客户和维修的信息，天气的因素对用电的影响特别大，天热和天冷大家都喜欢开空调，尤其天热的时候还会用冰箱比较多，这就造成了用电载荷增加，一些问题就随之而来了所以天气对工单有较大的影响，在不同的日期，某一区域的用电载荷也是不一样的，周末和节假日居民区的用电载荷会上升，而工作日工业园区和办公楼的用电量会上升，所以说日期对用电载荷也会造成影响，相关道路信息会对规划救援路线起指导作用。

作为优选，所述获取的工单信息先进行脱敏处理，再进行存储。一些诸如人名、住址和电话号码类的个人信息等信息要进行脱敏处理，这些信息一旦泄露会对当事人造成很大影响。

作为优选，所述S2步骤包括以下步骤：

S21：根据多元回归分析建立故障工单预测模型，预判问题的出现，提前做出应对；

S22：根据系统聚类法建立故障抢修驻点最优分布模型，确定最优的故障抢修驻点；

S23：建立客户投诉挖掘分析模型，主动发现隐藏问题。建立故障工单预测模型提前预判故障的数量，便于提前调集人员物资，进行防范；建立故障抢修驻点最优分布模型，通过对已知信息进行分析处理就可以得出抢修故障的最佳驻点分布位置，在这些位置建立故障抢修点，就可以以让人员和装备以最快的速度到达故障点进行维修，使得客户得到最快的服务，降低客户的损失；建立客户投诉挖掘分析模型，通过挖掘分析客户的投诉意见，找出内在联系，分析客户需求和工作存在的问题，对这些问题进行改进。

作为优选，所述步骤S21包括以下步骤：

S211：通过皮尔森相关分析筛选出影响故障工单的因素；

S212：通过多元回归分析建立故障工单预测模型的过程为：回归模型公式为y=r₁x₁+r₂x₂+……，x₁、x₂……为自变量，y为因变量，r₁、r₂……为相关系数，自变量为通过皮尔森相关分析筛选出影响故障工单的因素，因变量未来一段时间内故障工单的数量；

S213：根据未来一段时间的故障工单的数量来提前调集人员和物资。有一些因素对故障工单没有影响或者影响微乎其微，那这些因素就要通过皮尔森相关分析去掉，不能作为多元回归分析的自变量，否则造成分析结果失准，通过多元回归分析把各个因素整合起来，找到其中的关系，就可以预测未来的故障的数量，进而提前安排人员，调集物资，对故障的发生加以防范。

作为优选，所述步骤S22包括以下步骤：

S221：通过系统聚类法建立故障抢修驻点最优分布模型的过程是：对历史故障数据中的客户地址信息进行解析，将信息定位到地图上，并应用系统聚类分析算法，距离的定义方式为欧氏距离，对区域内的工单进行聚类，每簇团的聚类中心即为故障抢修最优驻点；

S222：将客户信息导入故障抢修驻点最优分布模型，得出故障抢修驻点的最优分布点。通过系统聚类法对客户信息进行聚类，聚类中心就是故障抢修驻点的最优驻点，从一段时间上来看，人员和装备从此驻点出发到达故障点的平均时间就会缩短，降低客户的损失。

作为优选，所述步骤S23包括以下步骤：

S231：建立客户投诉挖掘分析模型过程是：通过隐马尔可夫模型对受理内容进行分词，对分词结果开展特征选取与特征降维的工作，对关键词进行重要性权重值计算，排除重要性小的关键词，留下重要性权重值大的关键词频作为客户投诉工单文本挖掘的最终结果。

S232：把客户信息导入模型，根据分析结果得知客户的需求和自身工作的短板，针对设备问题及时派出工作人员进行维修或更换，针对工作人员服务问题及时派出调查组进行调查。由于工单数量大，人员进行统计费时费力，往往还存在漏统错统的问题，统计结果会有所偏差，就会造成问题的错误估计，人员和物资的浪费，也会造成客户的质疑，这对工作的开展是不利的，所以要用算法代替人工进行统计，所得出的结果优于人工统计所得。

因此，本发明具有如下有益效果：（1）预测未来的故障的数量，提前部署人员和物资进行防备；（2）根据故障的发生地点和故障类型等相关信息确定故障抢修的最优驻点；（3）能深入挖掘客户的反馈从中读出必要信息并以此来完善工作。

具体实施方式

下面结合具体实施方式对本发明做进一步的描述。

实施例：一种基于工单数据挖掘的抢修服务预测分析方法，下面结合具体的实施例进行进一步说明，本发明包括以下步骤：

S1：采取系统前台导出的方式进行95598故障报修工单、投诉工单的数据获取，并以数据库进行存储，对人名只保留姓氏，其余用*代替，电话号码只保留前三位和后四位，其余用*代替，保障数据的安全性。从国家天气网、日历和道路信息网站获取天气、节假日和道路信息，并同样以数据库进行存储。天气的因素对用电的影响特别大，天热和天冷大家都喜欢开空调，尤其天热的时候还会用冰箱比较多，这就造成了用电载荷增加，一些问题就随之而来了所以天气对工单有较大的影响，在不同的日期，某一区域的用电载荷也是不一样的，周末和节假日居民区的用电载荷会上升，而工作日工业园区和办公楼的用电量会上升，所以说日期对用电载荷也会造成影响，相关道路信息会对规划救援路线起指导作用。

S2：先建立数学模型，对工单的内容进行统计和分析，通过分析地址分布、影响故障的因素和投诉工单内容，得出客户的需求，然后将工单、天气、日期和道路信息导入数学模型，最后依据结果为客户提供主动服务。 根据情况建立数学模型，将数据导入到模型就可以得到处理过的结果，这就使得对客户提供主动服务创造了可能性，因为没有经过处理的数据很难直观的从中读出想要的数据，所以要经过处理得到想要的信息，根据这些信息就可以准确把握实际情况，然后有针对性的拿出解决方案，使得问题在萌芽阶段就被解决。

S21：建立故障工单预测模型，预判问题的出现，提前做出应对。

S211：通过皮尔森相关分析筛选出影响故障工单的因素，皮尔森相关系数是按照积差方法进行计算，即在协方差的基础上除以两个标准差之积得到的，以两变量与各自平均值的离差作为基础，通过两个离差相乘来反映两变量之间相关程度。有一些因素对故障工单没有影响或者影响微乎其微，那这些因素就要通过皮尔森相关分析去掉，在天气、日期、设备老化程度、绿化程度、楼层高度和房屋密度都会影响工单的数量，而区域的河流分布、草坪分布和桥梁密度这些对工单影响不大的因素就不予考虑，考虑到在工单中还会有客户在描述自家位置时，用一些词语来限定所在具体的位置，比如所在房屋的颜色为红色和小区门口有三棵梧桐树，这些对工单完全没有影响，所以要不予考虑。

S212：通过多元回归分析建立故障工单预测模型，在回归分析中，如果有两个及以上的自变量，则为多元回归。多元回归模型较时间序列模型而言更容易加入较多的外部变量。自变量为通过皮尔森相关分析筛选出影响故障工单的因素，因变量是未来一段时间内故障工单的数量，x₁、x₂……为自变量，y为因变量，r₁、r₂……为相关系数，回归模型公式为y=r₁x₁+r₂x₂+……，r的取值根据所对应的自变量进行调整。

S213：根据y值来提前调集人员和物资。通过多元回归分析把各个因素整合起来，找到其中的关系，就可以预测未来的故障的数量，进而提前安排人员，调集物资，对故障的发生加以防范。若y值较大，就要先对仓库进行检查，对不足的物资进行补齐，人员也要提前做好准备，如果有太多的人员请假或者不能到位就要紧急招募临时人员或者从别处进行抽调。

S22：建立故障抢修驻点最优分布模型，确定最优的故障抢修驻点。

S221：通过系统聚类法建立故障抢修驻点最优分布模型，系统聚类法是先将聚类的样本或变量各自看成一群，然后确定类与类间的相似统计量，并选择最接近的两类或若干个类合并成一个新类，计算新类与其他各类间的相似性统计量，再选择最接近的两群或若干群合并成一个新类，直到所有的样本或变量都合并成一类为止。；

S222：将客户信息导入故障抢修驻点最优分布模型，得出故障抢修驻点的最优分布点。对历史故障数据中的客户地址信息进行解析，将信息定位到地图上，道路状况根据实际调研，将道路框分为通畅、一般、困难三个等级；距离各主要变电站距离采用最短道路距离，最小单位为米；故障频率按供电区域内的故障频率分为低、中、高三个等级；业务类别可分为需更换设备类故障、仅维修故障和不确定故障，需更换设备类故障需要工作人员带着待更换的设备上门进行更换，工作人员的数量由待更换的设备决定；仅维修故障就只需要工作人员去处理就可以，不确定故障是对设备需不需要更换不确定，所以工作人员就要带着可能需要的装备过去，先对故障进行检查，然后再决定处置方式。对这些因素应用系统聚类分析算法，距离的定义方式为欧氏距离，对区域内的工单进行聚类，每簇团的聚类中心即为故障抢修最优驻点，基于故障抢修最优驻点，电力部门在开展故障抢修工作时能够有效提高抢修效率，减少因停电带来的损失。从一段时间上来看，人员和装备从此驻点出发到达故障点的平均时间就会缩短，降低客户的损失。

S23：建立客户投诉挖掘分析模型，主动发现隐藏问题。

S231：建立客户投诉挖掘分析模型，通过隐马尔可夫模型对受理内容进行分词，对分词结果开展特征选取与特征降维的工作，对关键词进行重要性权重值计算。基于自然语言处理技术出发，对客户投诉工单的投诉受理内容进行深入文本挖掘，运用隐马尔可夫模型对受理内容进行分词，并对分词结果开展特征选取与特征降维，剔除会影响结果的无关词频如“客户”“来电”“我”“是”“由于”。运用TF-IDF算法对剩下的关键词进行重要性权重值计算，排除重要性小的关键词，留下重要性权重值大的关键词频作为客户投诉工单文本挖掘的最终结果。通过挖掘客户的投诉工单，准确把握现阶段供电抢修服务过程中存在的客户期望及短板问题，为供电部门后续工作的开展明确方向。

S232：把客户信息导入模型，根据分析结果得知客户的需求和自身工作的短板，针对设备问题及时派出工作人员进行维修或更换，针对工作人员服务问题及时派出调查组进行调查。由于工单数量大，人员进行统计费时费力，往往还存在漏统错统的问题，统计结果会有所偏差，就会造成问题的错误估计，人员和物资的浪费，也会造成客户的质疑，这对工作的开展是不利的，所以要用算法代替人工进行统计，所得出的结果优于人工统计所得。对于客户集中反应的问题进行排查，找出问题的根源，如果某一区域内的客户的关于灯具时常发生闪烁的事件较多，就要对附近的变压器和主干线路进行排查，找出问题根源，然后解决掉。客户集中反映的问题应该是存在问题源，虽然没有造成客户设备损坏，但是却存在安全隐患，比如一个变压器故障，电压不稳，还能凑合着用，但是已经是濒临损坏，这样一定会有预兆存在，通过分析客户的信息得到这个预兆，就可以展开排查，就可以实现把问题消灭在萌芽之中，而不是等到发生了较大故障再对故障进行维修，那样就是被动式的维修，本发明能够使得电力部门开展主动维修，主动出击，去寻找问题的存在。对于对某一组或者某一区域的工作人员投诉服务问题，比如额外征收费用、言语辱骂和偷盗等问题，要及时派出调查组进行调查，对于某一区域或者某一组的投诉较多时就要给予高度关注，要进行认真摸排，掌握具体情况，然后采取适当的措施。

Claims (7)

1.一种基于工单数据挖掘的抢修服务预测分析方法，其特征是分析方法包括以下步骤：

S1：获取工单以及天气、日期和道路信息；

S2：先建立数学模型，对工单的内容进行统计和分析，通过分析地址分布、影响故障的因素和投诉工单内容，得出客户的需求，然后将工单、天气、日期和道路信息导入数学模型，最后依据结果为客户提供主动服务。

2.根据权利要求1所述的一种基于工单数据挖掘的抢修服务预测分析方法，其特征是步骤S1中通过系统前台获取工单，从天气网站上获取天气，从日历表上获取日期，从道路信息网站上获取道路信息，并将工单、天气、日期和道路信息存储。

3.根据权利要求2所述的一种基于工单数据挖掘的抢修服务预测分析方法，其特征是获取的工单信息先进行脱敏处理，再进行存储。

4.根据权利要求1所述的一种基于工单数据挖掘的抢修服务预测分析方法，其特征是S2步骤包括以下步骤：

S21：根据多元回归分析建立故障工单预测模型，预判问题的出现，提前做出应对；

S22：根据系统聚类法建立故障抢修驻点最优分布模型，确定最优的故障抢修驻点；

S23：建立客户投诉挖掘分析模型，主动发现隐藏问题。

5.根据权利要求4所述的一种基于工单数据挖掘的抢修服务预测分析方法，其特征是步骤S21包括以下步骤：

S211：通过皮尔森相关分析筛选出影响故障工单的因素；

S212：通过多元回归分析建立故障工单预测模型的过程为：回归模型公式为y=r₁x₁+r₂x₂+……，x₁、x₂……为自变量，y为因变量，r₁、r₂……为相关系数，自变量为通过皮尔森相关分析筛选出影响故障工单的因素，因变量未来一段时间内故障工单的数量；

S213：根据未来一段时间的故障工单的数量来提前调集人员和物资。

6.根据权利要求4所述的一种基于工单数据挖掘的抢修服务预测分析方法，其特征是步骤S22包括以下步骤：

S221：通过系统聚类法建立故障抢修驻点最优分布模型的过程是：对历史故障数据中的客户地址信息进行解析，将信息定位到地图上，并应用系统聚类分析算法，距离的定义方式为欧氏距离，对区域内的工单进行聚类，每簇团的聚类中心即为故障抢修最优驻点；

S222：将客户信息导入故障抢修驻点最优分布模型，得出故障抢修驻点的最优分布点。

7.根据权利要求4所述的一种基于工单数据挖掘的抢修服务预测分析方法，其特征是步骤S23包括以下步骤：

S231：建立客户投诉挖掘分析模型过程是：通过隐马尔可夫模型对受理内容进行分词，对分词结果开展特征选取与特征降维的工作，对关键词进行重要性权重值计算，排除重要性小的关键词，留下重要性权重值大的关键词频作为客户投诉工单文本挖掘的最终结果；

S232：把客户信息导入模型，根据分析结果得知客户的需求和自身工作的短板，针对设备问题及时派出工作人员进行维修或更换，针对工作人员服务问题及时派出调查组进行调查。