CN111612230A - 一种客户诉求趋势预警分析方法 - Google Patents
一种客户诉求趋势预警分析方法 Download PDFInfo
- Publication number
- CN111612230A CN111612230A CN202010401606.1A CN202010401606A CN111612230A CN 111612230 A CN111612230 A CN 111612230A CN 202010401606 A CN202010401606 A CN 202010401606A CN 111612230 A CN111612230 A CN 111612230A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- work order
- trend
- client
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000008859 change Effects 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 238000003058 natural language processing Methods 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 24
- 230000001932 seasonal effect Effects 0.000 claims description 17
- 230000000737 periodic effect Effects 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 9
- 230000001788 irregular Effects 0.000 claims description 9
- 241001123248 Arma Species 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 2
- 238000012300 Sequence Analysis Methods 0.000 claims 1
- 230000002996 emotional effect Effects 0.000 claims 1
- 230000008439 repair process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000008451 emotion Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种客户诉求趋势预警分析方法，通过引用客户工单数据，利用自然语言处理技术，将工单文本中的非结构化信息转换为结构化数据，然后把工单信息具体到工单类型，进而统计各类型工单的数量，以地市为单位统计近年来每个月各类型投诉工单的数量，将其作为训练数据并采用时间序列模型分别进行预测，得出各地市未来一两个月的各类型工单数量以及未来一段时间内的各类型工单的变化趋势，得出各地区未来的客户诉求数量及变化趋势，将分析结果推送至大数据交互平台或用采系统，并将筛选结果存储于用电信息大数据分析平台的数据库服务器，将结果展示给各级供电单位的监控终端。本发明解决客户的问题，提供可靠高效的方法。
Description
技术领域
本发明属于配电网领域，具体涉及一种客户诉求趋势预警分析方法。
背景技术
国网公司年度电网投资规模均超过5000亿元，今年以来公司提出要始终坚持“人民电业为人民”的企业宗旨，如何使宝贵的资金产生最大价值，更好满足4.6亿电力客户对供电质量的需求，应用客户评价信息支撑电网发展建设是关键之举。
现有电网建设项目主要根据电网速度与规模、安全与质量、效率与效益、经营与政策等四大类指标安排项目计划，难以控制客户诉求的变化情况，加之客户诉求数据分散在多个系统中，难以利用海量客户数据支撑电网工作安排。
中国发明专利CN108492033A涉及一种电网客户集中投诉智能预警方法。包括如下过程：采集针对停电事件、电费事件、计量事件中任何一类的如下运行指标：咨询事件数、故障报修事件数、意见事件数、投诉事件数、咨询事件变异程度、故障报修事件变异程度、意见事件变异程度、投诉事件变异程度、一周内超过咨询事件均值的天数、一周内超过故障报修事件均值的天数、一周内超过意见事件均值的天数、一周内超过投诉事件均值的天数；数据标准化；使用熵值法计算二级指标的权重；使用层次分析法，计算一级指标的权重；将特定区域的数据代入，得出结果。本发明可及时发现在相同地域、同一时间区格内，客户因为电网业务所带来的集中投诉现象，以达到及时发现，迅速传递的目的。
中国发明专利CN106971310A提供了一种客户投诉数量预测方法及装置,用于对预测包括当前日期的未来n天的电网客户投诉数量进行预测,方法包括：获取当前日期前的预设时间段m天内各投诉类工单每天的投诉量数据作为基础数据；对基础数据进行时差处理根据皮尔森相关系数确定各投诉类工单的时差指数；根据确定的时差指数和各投诉类工单每天的投诉量数据确定各投诉类工单的预测原始数据；对确定的预测原始数据进行主成分分析确定主成分数据；利用多层神经网络算法对确定的主成分数据进行计算确定预测值集；对确定的预测值集求平均确定最终预测值作为包括当前日期的未来n天的电网客户投诉数量。本发明可以有效的进行未来投诉数量的预测,提前预警投诉亦可提醒相关管理人员,增加客户服务人员,提升应对大范围投诉能力。
中国发明专利CN109447364A公开了一种基于标签的电力客户投诉预测方法,包括获取电力客户的历史数据并处理；采用机器学习算法训练训练数据,建立预测模型并得到预测模型的精度；建立多模型加权联合预测模型；多模型加权联合预测模型预测电力客户的投诉数据；过采样算法扩充进据；组建新的数据训练集,采用机器学习算法该训练新的训练数据,建立预测模型并得到预测模型的精度；再次建立多模型加权联合预测模型；重复上述步骤直至精度符合要求；采用得到的最终的多模型加权联合预测模型对电力客户的投诉进行预测。本发明方法能够准确和快速的对电力系统的客户投诉情况进行预测,而且方法简单可靠,科学方便。
本发明与以上发明同属于解决客户投诉预测问题的方法，均对客户投诉的趋势进行了研究，从客户投诉的基本内容信息为出发点，以解决客户的问题、更好的为电力客户服务为最终目标，提供可靠高效的方法。
发明内容
本发明的目的是提供一种客户诉求趋势预警分析方法，解决当前难以有效感知客户诉求的变化趋势及监测的问题，构建客户诉求趋势预警分析方法，实现工单数量精准把控，提前预警投诉高峰时段，辅助电网人员合理安排工作。
本发明的技术方案：
一种客户诉求趋势预警分析方法，通过引用客户工单数据，利用自然语言处理技术，将工单文本中的非结构化信息转换为结构化数据，然后把工单信息具体到工单类型，进而统计各类型工单的数量，以地市为单位统计近3-10年来每个月各类型投诉工单的数量，将其作为训练数据并采用时间序列模型分别进行预测，所述时间序列模型进行季节解构，得出各地市未来一两个月的各类型工单数量以及未来一段时间内的各类型工单的变化趋势，进行分析，得出各地区未来的客户诉求数量及变化趋势，将分析结果推送至大数据交互平台或用采系统，并将筛选结果存储于用电信息大数据分析平台的数据库服务器，将结果展示给各级供电单位的监控终端。
进一步的，所述自然语言处理技术为NLP或LDA技术；
所述时间序列模型为AR、ARIMA或MA时间序列模型；
所述各级供电单位包括省、市、县、所各级供电单位。
进一步的，所述客户工单数据对海量客户的诉求内容情感偏好以及主题内容，进行分析汇总，利用转换好的结构化数据参与计算，反映地区情况。
进一步的，所述工单的变化趋势反映各地区客户投诉的情况，与预测结果进行呼应。
进一步的，NLP技术中的情感分析，数据语料的分词结果，进行情感指数分析，给出用户工单的情感偏好得分，得出客户诉求的优先处理级别，进而辅助工单类型确定。
进一步的，LDA技术中的主题模型根据分词结果计算某些词对于文档的重要性，同时在其他文档中出现相比于本文档少，具有区分能力，将关键词合并到原数据集即可得到客户工单的主题，以便进行下一步的计算。
进一步的，所述的AR时间序列模型为自回归时间序列模型，利用前期数值与后期数值的相关关系，相关关系为自相关，建立包含前期数值和后期数值的回归方程，达到预测的目的；我们将白噪声理解成时间序列数值的随机波动，这些随机波动的总和等于0，AR是线性时间序列分析模型中较为简洁的模型,模型的最高阶大于0，随机干扰序列为零均值白噪声序列且当期的随机干扰与过去的序列值无关。
进一步的，所述MA时间序列模型为移动平均模型时间序列模型，某个时间点的指标数值等于白噪声序列的加权和，如果回归方程中，白噪声只有两项，那么该移动平均过程为2阶移动平均过程MA(2)；比较自回归过程和移动平均过程可知，移动平均过程作为自回归过程的补充，解决自回归方差中白噪声的求解问题。
进一步的，所述ARIMA时间序列模型为差分自回归移动平均模型时间序列模型，以ARMA模型为基础，结合了两个模型的特点，在ARMA模型中，自回归过程负责量化当前数据与前期数据之间的关系，移动平均过程负责解决随机变动项的求解问题。
进一步的，所述季节解构采用时间序列加法模型，时间序列加法模型是利用X-11滑动平均的方法，将原始时间序列分解为季节分量，周期循环分量，不规则分量和趋势分量；其形式包括加法模型、乘法模型、对数加法模型和伪加法模型，将时间序列的数据进行精细化分解。
与现有技术相比，本发明优点如下：
本发明整个分析过程无需人工干预，节约了大量的人力资源，同时还提高了分析结果的准确性，提升了用户体验，无需额外设备投资，使资金价值最大化，达到了降本增效的目的。
本发明首次引进PMS系统、95598客服等工单数据，开展了多系统客户诉求间的数据融合，破解专业间的数据孤岛，建立了各地区的历史客户诉求档案信息，具有较强的复用性及扩展性。
本发明在处理客户诉求工单数据时，使用了基于NLP的文本分类技术，对客户的受理内容进行了深度挖掘，相比现有工单分类体系可获取更详细的客户诉求关键词信息，准确抓住客户反映关键信息，提升了工单分类的全面性和准确性。
本发明在ARIMA时间序列模型构建时，解决了传统时间序列模型不能够用于齐次非平稳时间序列的分析的情况，即面对多样化的工单数据，使得模型泛化能力大大提升。
附图说明
图1为本发明的工作流程图；
图2为本发明的实施框架图。
具体实施方式
本发明基于台区诉求工单信息，提供了一种预测客户投诉数量及未来一段时间内的变化趋势的方法。利用ARIMA等时间序列模型，对台区下近几年来的工单数据进行统计，融合95598系统的非抢修单数据和PMS系统的抢修单数据，对未来一个月的各类型工单数量进行预测，同时预测未来几个月的各类型工单数量的变化趋势，实现工单数量精准把控，提前预警投诉高峰时段，辅助电网人员合理安排工作。
为达到上述目的，本发明的技术方案是这样实现的：
从PMS、95598系统、客服热线、网上营业厅和掌上电力等系统获取客户投诉受理工单、回访不满意工单、客户评价等诉求信息，基于上述客户诉求信息，开展数据的清洗、处理和融合，得到各地区各类型历史客户诉求变化情况，为客户诉求趋势预警分析业务提供数据支撑。
对工单等非结构化信息采用中文分词、自然语言处理等人工智能通用技术转换为结构化数据，通过地址、户号、电网等关联要素，按地区统计近年来各类型客户诉求的工单数量。
基于各地区近年来的客户诉求情况，按月份对其进行统计，最终形成的训练数据为各地区各类型的客户诉求的月度变化情况。将其作为模型输入数据，利用ARIMA等时间序列模型进行拟合，其中AR模型基本形式表现为
xt为不同时间点记录的指标数值，
为自回归系数，ut为该时间序列的白噪声，AR模型利用前期数值与后期数值的相关关系(自相关)，建立包含前期数值和后期数值的回归方程，达到预测的目的，因此成为自回归过程。这里需要解释白噪声，我们可以将白噪声理解成时间序列数值的随机波动，这些随机波动的总和会等于0，AR是线性时间序列分析模型中较为简洁的模型,模型的最高阶大于0，要求随机干扰序列为零均值白噪声序列且当期的随机干扰与过去的序列值无关。MA模型基本形式表现为xt＝ut+θ1ut-1+θ2ut-2+…+θqut-q，ut表示不同时间点的白噪声项，θq为移动回归方程系数，xt为不同时间点记录的指标数值，可以发现，某个时间点的指标数值等于白噪声序列的加权和，如果回归方程中，白噪声只有两项，那么该移动平均过程为2阶移动平均过程MA(2)，ARMIA模型形式以
为基础，结合了两个模型的特点，在ARMA模型中，自回归过程负责量化当前数据与前期数据之间的关系，移动平均过程负责解决随机变动项的求解问题，如果有一个时间序列{Xt,t＝±1,±2,…}的d次差分Wt＝ΔXt是一个平稳的ARMA过程，则称时间序列{Xt,t＝±1,±2,…}为ARIMA模型，加法模型的基本表达式为：Yt＝TCt+St+It,其中，Yt表示原始负荷序列，TCt,St,It分别表示周期趋势分量，季节分量和不规则分量，首先运用“中心化12项”(2×12)移动平均估计第一阶段的周期趋势分量
得到第一阶段的周期趋势分量之后，用原始序列减去周期趋势分量，得到第一阶段的季节和不规则分量之和
即：
其中Yt是被解释的时间序列。而后利用移动平均估计季节分量并进行季节调整，
式中的H为正整数。首先运用13项移动平均估计第二阶段的周期趋势分量，即：
然后从原始序列中分离周期趋势分量得到第二阶段的季节和不规则分量之和,对上述分量应用3×5移动平均估计最终的季节分量并进行标准化处理进而得到第二阶段季节调整后的序列2tA,初始结果如下,
其中
最后估计最终的周期趋势分量和不规则分量。对
运用2H+1项移动平均得到最终的周期趋势分量,初始结果如下，
从第二阶段季节调整后的序列中剔除最终的周期趋势分量，即得到最终的不规则分量,即：
最终经过加法模型X-11季节调整的原始序列可以表示为周期趋势分量，季节分量和不规则分量之和，即：
它的各分量序列是通过多次迭代和分解完成的，趋势项反映了时间序列的长期趋势性变动；季节项反映时间序列在不同年份相同月份季节周期变化；随机项反映时间序列非季节项的气象等其他不规律变化，输出结果为未来一个月的工单数量以及未来一段时间内的客户诉求变化趋势，依据预测结果合理安排工作，做到有备无患。
本发明工作步骤如下：
1、获取近年来各来源客户诉求工单信息，将其进行融合。
2、将工单的非结构化数据通过自然语言处理手段转换为结构化数据，支撑工单类型划分。
3、按照各地区各类型工单的数量进行月度统计，得出各地区各类型的工单的月度变化情况。
4、利用时间序列模型进行拟合，预测未来一个月各地区各类型的工单数量以及发展趋势，将结果进行共享。
算例如下：
(1)从用户工单信息中抽取部分数据
表1：95598工单样例
利用自然语言处理技术提取工单主题关键字，而后依据工单主题将工单类型划分到服务申请、供电质量、人员投诉、等，确定工单类型结果如下
表2：95598工单样例分类结果
利用工单中的地区相关字段将各地区的各类型工单按月度统计(以各地区2019年的抢修单为例)，各地区2019年的抢修单月度数量分布如下所示：
表3：部分地区2019年抢修单月度分布
依据上述数据做描述性统计分析，画出折线图，作为模型输入数据，利用时间序列模型进行拟合(以石家庄地区2019年的抢修单为例，预测2010年石家庄地区前六个月的抢修单数量)，模型输出结果如下所示：
表4：时间序列模型预测结果
| 时间 | 季节项 | 趋势项 | 随机项 | 预测 |
| 200901 | -56 | 41 | 50 | 35 |
| 200902 | -21 | 34 | 23 | 36 |
| 200903 | -10 | 28 | 6 | 24 |
| 200904 | -29 | 26 | 28 | 25 |
| 200905 | 31 | 28 | -29 | 30 |
| 200906 | -29 | 29 | 16 | 27 |
| 200907 | 56 | 31 | -52 | 35 |
| 200908 | 32 | 37 | 28 | 41 |
| 200909 | 18 | 39 | 5 | 52 |
| 200910 | -18 | 33 | 21 | 30 |
| 200911 | 12 | 28 | -15 | 25 |
| 200912 | -5 | 30 | -10 | 15 |
| 201001 | 0 | 0 | 0 | 27 |
| 201002 | 0 | 0 | 0 | 31 |
| 201003 | 0 | 0 | 0 | 29 |
| 201004 | 0 | 0 | 0 | 27 |
| 201005 | 0 | 0 | 0 | 30 |
| 201006 | 0 | 0 | 0 | 29 |
通过该输出结果可以看出石家庄地区在2019年的抢修单月度分布情况以及在2010年的前几个月的抢修单数量预测以及发展趋势，以便电网工作人员合理安排工作。
本发明可作为用电信息大数据分析平台的一个功能模块，按照本发明的原理及流程图编制计算机程序，然后将计算机程序部署于用电信息大数据分析平台的运算服务器上。用电信息大数据分析平台的运算服务器从用电信息采集系统的统一接口服务平台获取待分析客户诉求以及用户电网运行状态的相关数据，然后由编制好的计算机程序进行分析，预测出各地市的各类型工单的数量及发展趋势，将分析结果推送至大数据交互平台或用采系统，并将筛选结果存储于用电信息大数据分析平台的数据库服务器，然后由用电信息大数据分析平台的WEB服务器响应省、市、县、所各级供电单位的请求，将筛选结果展示给省、市、县、所各级供电单位的监控终端。
Claims (10)
1.一种客户诉求趋势预警分析方法，其特征在于，通过引用客户工单数据，利用自然语言处理技术，将工单文本中的非结构化信息转换为结构化数据，然后把工单信息具体到工单类型，进而统计各类型工单的数量，以地市为单位统计近3-10年来每个月各类型投诉工单的数量，将其作为训练数据并采用时间序列模型分别进行预测，所述时间序列模型进行季节解构，得出各地市未来一两个月的各类型工单数量以及未来一段时间内的各类型工单的变化趋势，进行分析，得出各地区未来的客户诉求数量及变化趋势，将分析结果推送至大数据交互平台或用采系统，并将筛选结果存储于用电信息大数据分析平台的数据库服务器，将结果展示给各级供电单位的监控终端。
2.根据权利要求1所述的一种客户诉求趋势预警分析方法，其特征在于，所述自然语言处理技术为NLP或LDA技术；
所述时间序列模型为AR、ARIMA或MA时间序列模型；
所述各级供电单位包括省、市、县、所各级供电单位。
3.根据权利要求1所述的一种客户诉求趋势预警分析方法，其特征在于，所述客户工单数据对海量客户的诉求内容情感偏好以及主题内容，进行分析汇总，利用转换好的结构化数据参与计算，反映地区情况。
4.根据权利要求1所述的一种客户诉求趋势预警分析方法，其特征在于，所述工单的变化趋势反映各地区客户投诉的情况，与预测结果进行呼应。
5.根据权利要求2所述的一种客户诉求趋势预警分析方法，其特征在于，NLP技术中的情感分析，数据语料的分词结果，进行情感指数分析，给出用户工单的情感偏好得分，得出客户诉求的优先处理级别，进而辅助工单类型确定。
6.根据权利要求2所述的一种客户诉求趋势预警分析方法，其特征在于，LDA技术中的主题模型根据分词结果计算某些词对于文档的重要性，同时在其他文档中出现相比于本文档少，具有区分能力，将关键词合并到原数据集即可得到客户工单的主题，以便进行下一步的计算。
7.根据权利要求2所述的一种客户诉求趋势预警分析方法，其特征在于，所述的AR时间序列模型为自回归时间序列模型，利用前期数值与后期数值的相关关系，相关关系为自相关，建立包含前期数值和后期数值的回归方程，达到预测的目的；白噪声为时间序列数值的随机波动，这些随机波动的总和等于0，AR是线性时间序列分析模型中较为简洁的模型,模型的最高阶大于0，随机干扰序列为零均值白噪声序列且当期的随机干扰与过去的序列值无关。
8.根据权利要求1所述的一种客户诉求趋势预警分析方法，其特征在于，所述MA时间序列模型为移动平均模型时间序列模型，某个时间点的指标数值等于白噪声序列的加权和，如果回归方程中，白噪声只有两项，那么该移动平均过程为2阶移动平均过程MA(2)；比较自回归过程和移动平均过程可知，移动平均过程作为自回归过程的补充，解决自回归方差中白噪声的求解问题。
9.根据权利要求2所述的一种客户诉求趋势预警分析方法，其特征在于，所述ARIMA时间序列模型为差分自回归移动平均模型时间序列模型，以ARMA模型为基础，结合了两个模型的特点，在ARMA模型中，自回归过程负责量化当前数据与前期数据之间的关系，移动平均过程负责解决随机变动项的求解问题。
10.根据权利要求1-9任一项所述的一种客户诉求趋势预警分析方法，其特征在于，所述季节解构采用时间序列加法模型，时间序列加法模型是利用X-11滑动平均的方法，将原始时间序列分解为季节分量，周期循环分量，不规则分量和趋势分量；其形式包括加法模型、乘法模型、对数加法模型和伪加法模型，将时间序列的数据进行精细化分解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401606.1A CN111612230A (zh) | 2020-05-13 | 2020-05-13 | 一种客户诉求趋势预警分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010401606.1A CN111612230A (zh) | 2020-05-13 | 2020-05-13 | 一种客户诉求趋势预警分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111612230A true CN111612230A (zh) | 2020-09-01 |
Family
ID=72204458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010401606.1A Pending CN111612230A (zh) | 2020-05-13 | 2020-05-13 | 一种客户诉求趋势预警分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111612230A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112053007A (zh) * | 2020-09-18 | 2020-12-08 | 国网浙江兰溪市供电有限公司 | 一种配网故障抢修预测分析系统和方法 |
| CN112927091A (zh) * | 2021-04-08 | 2021-06-08 | 泰康保险集团股份有限公司 | 用于年金险的投诉预警方法、装置、计算机设备及介质 |
| CN113076302A (zh) * | 2021-04-08 | 2021-07-06 | 广东电网有限责任公司 | 电网数据的管理方法、装置、设备和介质 |
| CN114065533A (zh) * | 2021-11-22 | 2022-02-18 | 国家电网有限公司客户服务中心 | 电力客服系统波动监测方法 |
| WO2023039977A1 (zh) * | 2021-09-17 | 2023-03-23 | 深圳技术大学 | 执法人员调度方法、系统、计算机装置及存储介质 |
| CN117670378A (zh) * | 2024-02-02 | 2024-03-08 | 烟台市食品药品检验检测中心(烟台市药品不良反应监测中心、烟台市粮油质量检测中心) | 一种基于大数据的食品安全监控方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971310A (zh) * | 2017-03-16 | 2017-07-21 | 国家电网公司 | 一种客户投诉数量预测方法及装置 |
| CN110309932A (zh) * | 2018-03-21 | 2019-10-08 | 国网浙江省电力公司湖州供电公司 | 一种基于tem的电力客户资源精细化管理方法 |
| CN110728537A (zh) * | 2019-09-24 | 2020-01-24 | 国网河北省电力有限公司信息通信分公司 | 一种基于电力用户行为标签的预测缴费方法 |
| CN110765268A (zh) * | 2019-10-31 | 2020-02-07 | 国网河北省电力有限公司电力科学研究院 | 一种基于客户诉求的配网精准投资策略方法 |
| CN110968676A (zh) * | 2019-12-05 | 2020-04-07 | 天津大学 | 基于lda模型与lstm网络的文本数据语义时空模式探索方法 |
-
2020
- 2020-05-13 CN CN202010401606.1A patent/CN111612230A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971310A (zh) * | 2017-03-16 | 2017-07-21 | 国家电网公司 | 一种客户投诉数量预测方法及装置 |
| CN110309932A (zh) * | 2018-03-21 | 2019-10-08 | 国网浙江省电力公司湖州供电公司 | 一种基于tem的电力客户资源精细化管理方法 |
| CN110728537A (zh) * | 2019-09-24 | 2020-01-24 | 国网河北省电力有限公司信息通信分公司 | 一种基于电力用户行为标签的预测缴费方法 |
| CN110765268A (zh) * | 2019-10-31 | 2020-02-07 | 国网河北省电力有限公司电力科学研究院 | 一种基于客户诉求的配网精准投资策略方法 |
| CN110968676A (zh) * | 2019-12-05 | 2020-04-07 | 天津大学 | 基于lda模型与lstm网络的文本数据语义时空模式探索方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112053007A (zh) * | 2020-09-18 | 2020-12-08 | 国网浙江兰溪市供电有限公司 | 一种配网故障抢修预测分析系统和方法 |
| CN112053007B (zh) * | 2020-09-18 | 2022-07-26 | 国网浙江兰溪市供电有限公司 | 一种配网故障抢修预测分析系统和方法 |
| CN112927091A (zh) * | 2021-04-08 | 2021-06-08 | 泰康保险集团股份有限公司 | 用于年金险的投诉预警方法、装置、计算机设备及介质 |
| CN113076302A (zh) * | 2021-04-08 | 2021-07-06 | 广东电网有限责任公司 | 电网数据的管理方法、装置、设备和介质 |
| CN112927091B (zh) * | 2021-04-08 | 2023-11-10 | 泰康保险集团股份有限公司 | 用于年金险的投诉预警方法、装置、计算机设备及介质 |
| WO2023039977A1 (zh) * | 2021-09-17 | 2023-03-23 | 深圳技术大学 | 执法人员调度方法、系统、计算机装置及存储介质 |
| CN114065533A (zh) * | 2021-11-22 | 2022-02-18 | 国家电网有限公司客户服务中心 | 电力客服系统波动监测方法 |
| CN117670378A (zh) * | 2024-02-02 | 2024-03-08 | 烟台市食品药品检验检测中心(烟台市药品不良反应监测中心、烟台市粮油质量检测中心) | 一种基于大数据的食品安全监控方法及系统 |
| CN117670378B (zh) * | 2024-02-02 | 2024-04-30 | 烟台市食品药品检验检测中心(烟台市药品不良反应监测中心、烟台市粮油质量检测中心) | 一种基于大数据的食品安全监控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111612230A (zh) | 一种客户诉求趋势预警分析方法 | |
| CA2756198C (en) | Digital analytics system | |
| CN101394311A (zh) | 一种基于时间序列的网络舆情预测方法 | |
| Shi et al. | Predicting US primary elections with Twitter | |
| CN107992609A (zh) | 一种基于文本分类技术和决策树的投诉倾向判断方法 | |
| CN111738549A (zh) | 食品安全风险评估方法、装置、设备及存储介质 | |
| Vajgel et al. | Development of intelligent robotic process automation: A utility case study in Brazil | |
| CN110009208B (zh) | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 | |
| CN107766484A (zh) | 一种学习目标导向的知识链推荐方法 | |
| Chen et al. | Discordance between subjective and objective social status in contemporary China | |
| US20130246463A1 (en) | Prediction and isolation of patterns across datasets | |
| CN110880124A (zh) | 转化率评估方法及装置 | |
| Liu | FDI and employment by industry: A co-integration study | |
| Cao et al. | Topics and trends of the on-line public concerns based on Tianya forum | |
| Napitu et al. | Twitter opinion mining predicts broadband internet's customer churn rate | |
| Su | Chinese online unemployment-related searches and macroeconomic indicators | |
| Strauss et al. | Reciprocal influence? Investigating implicit frames in press releases and financial newspaper coverage during the German banking crisis | |
| CN108898248B (zh) | 电力负荷影响因素量化分析方法、装置、设备及介质 | |
| CN114628007A (zh) | 一种情绪信息处理系统和方法 | |
| Cortez et al. | Measuring user influence in financial microblogs: experiments using stocktwits data | |
| CN115099680B (zh) | 风险管理方法、装置、设备及存储介质 | |
| CN111127186A (zh) | 一种基于大数据技术的客户信用等级评价体系的使用方法 | |
| CN111291029B (zh) | 数据清洗方法及装置 | |
| CN114154842A (zh) | 一种基于电厂实时数据分析的运行指导系统与方法 | |
| Xu et al. | Improved Statistical Analysis Method Based on Big Data Technology |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211229 Address after: 050021 No. 238 South Sports street, Hebei, Shijiazhuang Applicant after: STATE GRID HEBEI ELECTRIC POWER Research Institute Applicant after: Marketing service center of State Grid Hebei Electric Power Co.,Ltd. Applicant after: STATE GRID HEBEI ENERGY TECHNOLOGY SERVICE Co.,Ltd. Applicant after: STATE GRID CORPORATION OF CHINA Address before: 050021 No. 238 South Sports street, Hebei, Shijiazhuang Applicant before: STATE GRID HEBEI ELECTRIC POWER Research Institute Applicant before: STATE GRID HEBEI ENERGY TECHNOLOGY SERVICE Co.,Ltd. Applicant before: STATE GRID CORPORATION OF CHINA |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |
|
| RJ01 | Rejection of invention patent application after publication |