CN112183068A - 一种客户投诉事件差异化处理方法及系统 - Google Patents
一种客户投诉事件差异化处理方法及系统 Download PDFInfo
- Publication number
- CN112183068A CN112183068A CN202011060847.0A CN202011060847A CN112183068A CN 112183068 A CN112183068 A CN 112183068A CN 202011060847 A CN202011060847 A CN 202011060847A CN 112183068 A CN112183068 A CN 112183068A
- Authority
- CN
- China
- Prior art keywords
- complaint
- user
- event
- keyword
- content information
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000004069 differentiation Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 11
- 238000011160 research Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种客户投诉事件差异化处理方法及系统,包括,步骤S1,获取用户的投诉事件数据,根据预设的规则对所述用户的投诉事件数据进行分析,调取所述用户的投诉内容信息;步骤S2,根据用户投诉内容信息确定用户投诉事件的分类等级以及所述用户投诉事件的时间影响等级;步骤S3,结合用户投诉事件的分类等级和时间影响等级确定投诉事件关键特征,通过所述投诉事件关键特征匹配预设的服务策略。本发明针对不同的投诉时间和投诉客户,识别有效的差异化投诉处理策略,可以提供准确高效的差异化处理方案。
Description
技术领域
本发明涉及电力系统自动化技术领域,特别是涉及一种客户投诉事件差异化处理方法及系统。
背景技术
随着信息技术的飞速发展和广泛应用,电力客户对电力产品和服务的期望也在不断攀升,对供电服务提出了更高的标准和要求,客户投诉管理面临新的挑战。因此,在新的形势下,如何对客户投诉行为和原因开展差异化分析,针对不同的投诉时间和投诉客户,指定行之有效的差异化投诉处理策略,成为供电企业面临的新挑战。对于形成投诉预警机制,提高投诉处理质量和效率,避免客户重复投诉、化解因为投诉处理不当或不及时导致重要的舆情事件,具有重要的现实意义。
对客户的投诉行为研究源于市场营销以及消费者行为领域,开始于20世纪70年代。目前国内外差异化服务策略研究在金融、通信领域相对起步较早,但其研究成果都存在不够系统性、不够精细化等问题。而且供电企业的差异化服务策略研究目前还在起步、探索阶段,主要基于客户价值、客户信用以及风险等指标的整个电力客户的群体细分,实施以营销服务为主的差异化服务。目前差异化服务领域的研究内容主要由以下几个方面:服务层次的差异化、业务流程的差异化、资源配置的差异化、服务价格的差异化、服务产品的差异化、服务人员和服务技能的差异化。而对于客户投诉的研究,也主要集中在投诉的原因分析和处理管理方面。也主要集中在投诉的原因分析和处理管理方面。基于客户投诉行为的差异化服务策略研究是当前差异化服务的细分与精研,也是差异化服务的重要组成部分。
发明内容
本发明的目的在于,提出一种客户投诉事件差异化处理方法及系统,解决现有方法中针对不同的投诉时间和投诉客户,缺少有效的差异化投诉处理策略,无法准确高效的进行差异化处理的技术问题。
本发明的一方面,提供一种客户投诉事件差异化处理方法,包括以下步骤:
步骤S1,获取用户的投诉事件数据,根据预设的规则对所述用户的投诉事件数据进行分析,调取所述用户的投诉内容信息;
步骤S2,根据用户投诉内容信息确定用户投诉事件的分类等级以及所述用户投诉事件的时间影响等级;
步骤S3,结合用户投诉事件的分类等级和时间影响等级进行差异化处理。
优选的,获取用户投诉内容信息,并对所述用户投诉内容信息进行过滤处理,获取用户投诉文本信息;
对所述用户投诉文本信息进行量化处理,并计算所述用户投诉文本信息的逆文档频率TF-IDF;
计算量化后的文本信息中所有类的后验概率,并选取概率最大的P(yj)类别,作为用户投诉对应的类型等级;并根据预设的多个阈值区间将所述用户投诉对应的类型等级归入紧急型投诉或敏感型投诉或普通型投诉。
优选的,所述步骤S2包括:
根据以下公式计算所述用户投诉文本信息的逆文档频率TF-IDF:
其中,Nw是某一文本中词条w出现的次数;N是该文本的总词条数;Y是语料库的文档总数;Yw是包含词条w的文档数。
优选的,所述步骤S2包括:
根据以下公式计算量化后的文本信息中所有类的后验概率:
其中,P(yj)为第j类的概率;x为文本信息中的关键词;y为分类的类别。
优选的,所述步骤S2包括:
根据预设规则对所述用户投诉内容信息的关键字进行识别,确定与关键字对应的用户投诉事件影响等级;所述用户投诉事件的影响等级至少包括特殊投诉、重大投诉、重要投诉及一般投诉。
优选的,所述步骤S2包括:
当根据预设规则识别所述用户投诉内容信息内包括第一关键字时,判定该用户投诉事件的影响等级为包括特殊投诉;
当根据预设规则识别所述用户投诉内容信息内包括第二关键字且不包括所述第一关键字时,判定该用户投诉事件的影响等级为包括重大投诉;
当根据预设规则识别所述用户投诉内容信息内包括第三关键字且不包括所述第一关键字或所述第二关键字时,判定该用户投诉事件的影响等级为包括重要投诉;
当根据预设规则识别所述用户投诉内容信息内包括第四关键字且不包括所述第一关键字或所述第二关键字或所述第三关键字时,判定该用户投诉事件的影响等级为包括一般投诉。
本发明还提供一种客户投诉事件差异化处理系统,用以实现所述的方法,包括:
数据采集模块,用以获取用户的投诉事件数据;
事件分类模块,用以根据预设的规则对所述用户的投诉事件数据进行分析,调取所述用户的投诉内容信息;以及根据用户投诉内容信息确定用户投诉事件的分类等级和所述用户投诉事件的时间影响等级;
事件处理模块,用以根据用户投诉事件的分类等级和时间影响等级分别对用户投诉事件进行差异化处理。
优选的,所述事件分类模块获取用户投诉内容信息,并对所述用户投诉内容信息进行过滤处理,获取用户投诉文本信息;
对所述用户投诉文本信息进行量化处理,并根据以下公式计算所述用户投诉文本信息的逆文档频率TF-IDF:
其中,Nw是某一文本中词条w出现的次数;N是该文本的总词条数;Y是语料库的文档总数;Yw是包含词条w的文档数;
根据以下公式计算量化后的文本信息中所有类的后验概率:
其中,P(yj)为第j类的概率;x为文本信息中的关键词;y为分类的类别;选取概率最大的P(yj)类别,作为用户投诉对应的类型等级;并根据预设的多个阈值区间将所述用户投诉对应的类型等级归入紧急型投诉或敏感型投诉或普通型投诉。
优选的,所述事件分类模块根据预设规则对所述用户投诉内容信息的关键字进行识别,确定与关键字对应的用户投诉事件影响等级;所述用户投诉事件的影响等级至少包括特殊投诉、重大投诉、重要投诉及一般投诉;
其中,当根据预设规则识别所述用户投诉内容信息内包括第一关键字时,判定该用户投诉事件的影响等级为包括特殊投诉;
当根据预设规则识别所述用户投诉内容信息内包括第二关键字且不包括所述第一关键字时,判定该用户投诉事件的影响等级为包括重大投诉;
当根据预设规则识别所述用户投诉内容信息内包括第三关键字且不包括所述第一关键字或所述第二关键字时,判定该用户投诉事件的影响等级为包括重要投诉;
当根据预设规则识别所述用户投诉内容信息内包括第四关键字且不包括所述第一关键字或所述第二关键字或所述第三关键字时,判定该用户投诉事件的影响等级为包括一般投诉。
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的客户投诉事件差异化处理方法及系统,通过建立关键字规则来实现投诉事件影响等级的分类;以及通过训练朴素贝叶斯算法,完成投诉行为等级的分类,最终完成对用户的分类,为后续针对性差异化处理策略的实施奠定坚实的理论基础;针对不同的投诉时间和投诉客户,识别有效的差异化投诉处理策略,可以提供准确高效的差异化处理方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例中一种客户投诉事件差异化处理方法的主流程示意图。
图2为本发明实施例中一种客户投诉事件差异化处理放发的逻辑意图。
图3为本发明实施例中一种客户投诉事件差异化处理系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1和图2所示,为本发明提供的一种客户投诉事件差异化处理方法的一个实施例的示意图。在该实施例中,所述方法包括以下步骤:
步骤S1,获取用户的投诉事件数据,根据预设的规则对所述用户的投诉事件数据进行分析,调取所述用户的投诉内容信息;可以理解的,通过收集互联网客户服务平台的客户诉求信息进行分析。对客户而言,当客户在使用产品或接受服务的过程中产生不满时,有多重可能的反应,客户是否向企业抱怨或投诉,受多种因素的影响,如:客户自身认知、客户的个人行为特征、客户预期的代价和收益。以及,投诉受理、投诉处理及投诉恢复等过程也非常重要但并不是所有的因素都对客户投诉起决定性的作用,只有找出众多因素中最为关键的部分,并利用这些关键因素对服务加以针对性改善才会显著改善投诉情况。
步骤S2,根据用户投诉内容信息确定用户投诉事件的分类等级以及所述用户投诉事件的时间影响等级;可以理解的,基于客户投诉行为综合投诉时间影响等级,提出基于客户投诉行为与投诉时间影响等级双维度分级思路的客户分类标准,为后续针对性差异化处理策略的实施奠定坚实的理论基础。
具体实施例中,投诉时间影响等级包括:特殊投诉、重大投诉、重要投诉和一般投诉;特殊投诉具体指省级以上政务部门或社会团体督办的客户投诉事件;重大特殊投诉具体指地市级政务部门或社会团体督办的客户投诉时间;重要投诉具体指客户表示将向政务部门、电力监管结构、新闻媒体、消费者权益保护协会等反馈,可能造成不良影响的投诉;一般投诉具体指影响程度低于特殊、重大、重要投诉的其他投诉。对客户投诉行为综合投诉进行分类得到用户投诉事件的分类等级,包括:紧急型投诉客户具体指投诉备注中提出明确需求、诉求升级、投诉等;敏感型投诉客户具体指重复投诉或多次投诉、提出解决时限;普通型投诉客户具体指未提出解决时限、未提出明显的赔偿需求、诉求升级等。
具体的,对于用户投诉事件的分类等级,确定的过程具体为,获取用户投诉内容信息,并对所述用户投诉内容信息进行过滤处理,获取用户投诉文本信息;
对所述用户投诉文本信息进行量化处理,并根据以下公式计算所述用户投诉文本信息的逆文档频率TF-IDF:
其中,Nw是某一文本中词条w出现的次数;N是该文本的总词条数;Y是语料库的文档总数;Yw是包含词条w的文档数;
根据以下公式计算量化后的文本信息中所有类的后验概率:
其中,P(yj)为第j类的概率;x为文本信息中的关键词;y为分类的类别,并选取概率最大的P(yj)类别,作为用户投诉对应的类型等级;并根据预设的多个阈值区间将所述用户投诉对应的类型等级归入紧急型投诉或敏感型投诉或普通型投诉。
可以理解的,为了得到投诉行为分类等级,即紧急型投诉,敏感型投诉以及普通型投诉:对用户投诉文本进行文本预处理,比如去除停用词,生词等。
对文本进行向量化;计算文本的逆文档频率TF-IDF:
利用训练朴素贝叶斯模型进行进一步处理。朴素贝叶斯算法对于小规模的文本数据也具有较优的分类效果,它是基于贝叶斯定理和条件独立性,利用贝叶斯公式来最大化后验概率的一种方法;更具体的,在训练阶段只需计算并存储特征xi关于yj的条件概率P(xi|yj)
本发明实施例中,对文本进行预测时,分别计算文本特征中所有类的后验概率,即第j类的概率P(yj)等价于然后选取概率最大的P(yj)的j类作为预测的类别,根据预设阈值将预测到的类别进行区间划分进而得到用户投诉事件行为分类等级。
再具体的,根据预设规则对所述用户投诉内容信息的关键字进行识别,确定与关键字对应的用户投诉事件影响等级;所述用户投诉事件的影响等级至少包括特殊投诉、重大投诉、重要投诉及一般投诉;当根据预设规则识别所述用户投诉内容信息内包括第一关键字时,判定该用户投诉事件的影响等级为包括特殊投诉;当根据预设规则识别所述用户投诉内容信息内包括第二关键字且不包括所述第一关键字时,判定该用户投诉事件的影响等级为包括重大投诉;当根据预设规则识别所述用户投诉内容信息内包括第三关键字且不包括所述第一关键字或所述第二关键字时,判定该用户投诉事件的影响等级为包括重要投诉;当根据预设规则识别所述用户投诉内容信息内包括第四关键字且不包括所述第一关键字或所述第二关键字或所述第三关键字时,判定该用户投诉事件的影响等级为包括一般投诉。
可以理解的,为了得到投诉事件影响等级,即特殊投诉、重大投诉、重要投诉和一般投诉:首先需要建立规则关键字,也就是每一类对应的关键字集合;分类时,以特殊投诉、重大投诉、一般投诉的优先级来匹配句子中出现的关键字,从而判定该句子也就是其用户属于哪一个投诉等级。
步骤S3,结合用户投诉事件的分类等级和时间影响等级确定投诉事件关键特征,通过所述投诉事件关键特征匹配预设的服务策略;可以理解的,根据上述步骤1和2得到的结果进行回合,得到最终用户的双维度等级分类。
如图3所示,本发明的实施例中还提供一种客户投诉事件差异化处理系统,用以实现所述的方法,包括:
数据采集模块,用以获取用户的投诉事件数据。
事件分类模块,用以根据预设的规则对所述用户的投诉事件数据进行分析,调取所述用户的投诉内容信息;以及根据用户投诉内容信息确定用户投诉事件的分类等级和所述用户投诉事件的时间影响等级;
具体实施例中,所述事件分类模块获取用户投诉内容信息,并对所述用户投诉内容信息进行过滤处理,获取用户投诉文本信息;
对所述用户投诉文本信息进行量化处理,并根据以下公式计算所述用户投诉文本信息的逆文档频率TF-IDF:
其中,Nw是某一文本中词条w出现的次数;N是该文本的总词条数;Y是语料库的文档总数;Yw是包含词条w的文档数;
根据以下公式计算量化后的文本信息中所有类的后验概率:
其中,P(yj)为第j类的概率;x为文本信息中的关键词;y为分类的类别;选取概率最大的P(yj)类别,作为用户投诉对应的类型等级;并根据预设的多个阈值区间将所述用户投诉对应的类型等级归入紧急型投诉或敏感型投诉或普通型投诉。
再具体的,所述事件分类模块根据预设规则对所述用户投诉内容信息的关键字进行识别,确定与关键字对应的用户投诉事件影响等级;所述用户投诉事件的影响等级至少包括特殊投诉、重大投诉、重要投诉及一般投诉;
其中,当根据预设规则识别所述用户投诉内容信息内包括第一关键字时,判定该用户投诉事件的影响等级为包括特殊投诉;
当根据预设规则识别所述用户投诉内容信息内包括第二关键字且不包括所述第一关键字时,判定该用户投诉事件的影响等级为包括重大投诉;
当根据预设规则识别所述用户投诉内容信息内包括第三关键字且不包括所述第一关键字或所述第二关键字时,判定该用户投诉事件的影响等级为包括重要投诉;
当根据预设规则识别所述用户投诉内容信息内包括第四关键字且不包括所述第一关键字或所述第二关键字或所述第三关键字时,判定该用户投诉事件的影响等级为包括一般投诉。
事件处理模块,用以根据用户投诉事件的分类等级和时间影响等级分别对用户投诉事件进行差异化处理。
综上,实施本发明的实施例,具有如下的有益效果:
本发明提供的客户投诉事件差异化处理方法及系统,通过建立关键字规则来实现投诉事件影响等级的分类;以及通过训练朴素贝叶斯算法,完成投诉行为等级的分类,最终完成对用户的分类,为后续针对性差异化处理策略的实施奠定坚实的理论基础;针对不同的投诉时间和投诉客户,识别有效的差异化投诉处理策略,可以提供准确高效的差异化处理方案。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (9)
1.一种客户投诉事件差异化处理方法,其特征在于,包括以下步骤:
步骤S1,获取用户的投诉事件数据,根据预设的规则对所述用户的投诉事件数据进行分析,调取所述用户的投诉内容信息;
步骤S2,根据用户投诉内容信息确定用户投诉事件的分类等级以及所述用户投诉事件的时间影响等级;
步骤S3,结合用户投诉事件的分类等级和时间影响等级确定投诉事件关键特征,通过所述投诉事件关键特征匹配预设的服务策略。
2.如权利要求1所述的方法,其特征在于,所述步骤S2包括:
获取用户投诉内容信息,并对所述用户投诉内容信息进行过滤处理,获取用户投诉文本信息;
对所述用户投诉文本信息进行量化处理,并计算所述用户投诉文本信息的逆文档频率TF-IDF;
计算量化后的文本信息中所有类的后验概率,并选取概率最大的P(yj)类别,作为用户投诉对应的类型等级;并根据预设的多个阈值区间将所述用户投诉对应的类型等级归入紧急型投诉或敏感型投诉或普通型投诉。
5.如权利要求1所述的方法,其特征在于,所述步骤S2包括:
根据预设规则对所述用户投诉内容信息的关键字进行识别,确定与关键字对应的用户投诉事件影响等级;所述用户投诉事件的影响等级至少包括特殊投诉、重大投诉、重要投诉及一般投诉。
6.如权利要求1所述的方法,其特征在于,所述步骤S2包括:
当根据预设规则识别所述用户投诉内容信息内包括第一关键字时,判定该用户投诉事件的影响等级为包括特殊投诉;
当根据预设规则识别所述用户投诉内容信息内包括第二关键字且不包括所述第一关键字时,判定该用户投诉事件的影响等级为包括重大投诉;
当根据预设规则识别所述用户投诉内容信息内包括第三关键字且不包括所述第一关键字或所述第二关键字时,判定该用户投诉事件的影响等级为包括重要投诉;
当根据预设规则识别所述用户投诉内容信息内包括第四关键字且不包括所述第一关键字或所述第二关键字或所述第三关键字时,判定该用户投诉事件的影响等级为包括一般投诉。
7.一种客户投诉事件差异化处理系统,用以实现如权利要求1-6任一所述的方法,其特征在于,包括:
数据采集模块,用以获取用户的投诉事件数据,并输出给时间分类模块;
事件分类模块,用以根据预设的规则对所述用户的投诉事件数据进行分析,调取所述用户的投诉内容信息;以及根据用户投诉内容信息确定用户投诉事件的分类等级和所述用户投诉事件的时间影响等级;
事件处理模块,用以根据用户投诉事件的分类等级和时间影响等级分别对用户投诉事件进行差异化处理。
8.如权利要求7所述的系统,其特征在于,所述事件分类模块获取用户投诉内容信息,并对所述用户投诉内容信息进行过滤处理,获取用户投诉文本信息;
对所述用户投诉文本信息进行量化处理,并根据以下公式计算所述用户投诉文本信息的逆文档频率TF-IDF:
其中,Nw是某一文本中词条w出现的次数;N是该文本的总词条数;Y是语料库的文档总数;Yw是包含词条w的文档数;
根据以下公式计算量化后的文本信息中所有类的后验概率:
其中,P(yj)为第j类的概率;x为文本信息中的关键词;y为分类的类别;
选取概率最大的P(yj)类别,作为用户投诉对应的类型等级;并根据预设的多个阈值区间将所述用户投诉对应的类型等级归入紧急型投诉或敏感型投诉或普通型投诉。
9.如权利要求8所述的系统,其特征在于,所述事件分类模块根据预设规则对所述用户投诉内容信息的关键字进行识别,确定与关键字对应的用户投诉事件影响等级;所述用户投诉事件的影响等级至少包括特殊投诉、重大投诉、重要投诉及一般投诉;
其中,当根据预设规则识别所述用户投诉内容信息内包括第一关键字时,判定该用户投诉事件的影响等级为包括特殊投诉;
当根据预设规则识别所述用户投诉内容信息内包括第二关键字且不包括所述第一关键字时,判定该用户投诉事件的影响等级为包括重大投诉;
当根据预设规则识别所述用户投诉内容信息内包括第三关键字且不包括所述第一关键字或所述第二关键字时,判定该用户投诉事件的影响等级为包括重要投诉;
当根据预设规则识别所述用户投诉内容信息内包括第四关键字且不包括所述第一关键字或所述第二关键字或所述第三关键字时,判定该用户投诉事件的影响等级为包括一般投诉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011060847.0A CN112183068A (zh) | 2020-09-30 | 2020-09-30 | 一种客户投诉事件差异化处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011060847.0A CN112183068A (zh) | 2020-09-30 | 2020-09-30 | 一种客户投诉事件差异化处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183068A true CN112183068A (zh) | 2021-01-05 |
Family
ID=73947432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011060847.0A Pending CN112183068A (zh) | 2020-09-30 | 2020-09-30 | 一种客户投诉事件差异化处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183068A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992609A (zh) * | 2017-12-15 | 2018-05-04 | 广东电网有限责任公司信息中心 | 一种基于文本分类技术和决策树的投诉倾向判断方法 |
CN108573031A (zh) * | 2018-03-26 | 2018-09-25 | 上海万行信息科技有限公司 | 一种基于内容的投诉分类方法和系统 |
CN109684479A (zh) * | 2018-12-26 | 2019-04-26 | 广州云趣信息科技有限公司 | 一种基于人工智能来实现业务分析的方法 |
CN109726290A (zh) * | 2018-12-29 | 2019-05-07 | 咪咕数字传媒有限公司 | 投诉分类模型的确定方法及装置、计算机可读存储介质 |
CN109933667A (zh) * | 2019-03-19 | 2019-06-25 | 中国联合网络通信集团有限公司 | 文本分类模型训练方法、文本分类方法及设备 |
CN109977399A (zh) * | 2019-03-05 | 2019-07-05 | 国网青海省电力公司 | 一种基于nlp技术的数据分析方法及装置 |
CN111177389A (zh) * | 2019-12-30 | 2020-05-19 | 佰聆数据股份有限公司 | 基于nlp技术的电费通知与催收客户诉求的分类方法、系统及存储介质 |
CN111667108A (zh) * | 2020-05-29 | 2020-09-15 | 国网河北省电力有限公司电力科学研究院 | 一种配网抢修时长预测方法 |
-
2020
- 2020-09-30 CN CN202011060847.0A patent/CN112183068A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992609A (zh) * | 2017-12-15 | 2018-05-04 | 广东电网有限责任公司信息中心 | 一种基于文本分类技术和决策树的投诉倾向判断方法 |
CN108573031A (zh) * | 2018-03-26 | 2018-09-25 | 上海万行信息科技有限公司 | 一种基于内容的投诉分类方法和系统 |
CN109684479A (zh) * | 2018-12-26 | 2019-04-26 | 广州云趣信息科技有限公司 | 一种基于人工智能来实现业务分析的方法 |
CN109726290A (zh) * | 2018-12-29 | 2019-05-07 | 咪咕数字传媒有限公司 | 投诉分类模型的确定方法及装置、计算机可读存储介质 |
CN109977399A (zh) * | 2019-03-05 | 2019-07-05 | 国网青海省电力公司 | 一种基于nlp技术的数据分析方法及装置 |
CN109933667A (zh) * | 2019-03-19 | 2019-06-25 | 中国联合网络通信集团有限公司 | 文本分类模型训练方法、文本分类方法及设备 |
CN111177389A (zh) * | 2019-12-30 | 2020-05-19 | 佰聆数据股份有限公司 | 基于nlp技术的电费通知与催收客户诉求的分类方法、系统及存储介质 |
CN111667108A (zh) * | 2020-05-29 | 2020-09-15 | 国网河北省电力有限公司电力科学研究院 | 一种配网抢修时长预测方法 |
Non-Patent Citations (1)
Title |
---|
洪健山 等: "基于电力客户投诉行为分析的差异化服务策略研究", 《电力需求侧管理》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107515873B (zh) | 一种垃圾信息识别方法及设备 | |
Coussement et al. | Improving customer complaint management by automatic email classification using linguistic style features as predictors | |
Mohamad et al. | An evaluation on the efficiency of hybrid feature selection in spam email classification | |
Younes et al. | A dependent multilabel classification method derived from the k-nearest neighbor rule | |
Liliana et al. | Indonesian news classification using support vector machine | |
Jin et al. | Patent maintenance recommendation with patent information network model | |
CN111859071A (zh) | 一种基于互联网信息的商业信息挖掘系统 | |
Kumar et al. | Comparative Study of different Machine Learning Algorithms to Analyze Sentiments with a Case Study of Two Person's Microblogs on Twitter | |
CN116843162B (zh) | 一种矛盾调解方案推荐与评分系统及方法 | |
CN114298845A (zh) | 一种理赔票据处理方法和装置 | |
CN108021704A (zh) | 一种基于社会舆情数据挖掘技术的坐席优化配置方法 | |
CN112183068A (zh) | 一种客户投诉事件差异化处理方法及系统 | |
Chandana et al. | BCC NEWS classification comparison between naive bayes, support vector machine, recurrent neural network | |
CN115204393A (zh) | 一种基于知识图谱的智慧城市知识本体库构建方法和装置 | |
CN115455957A (zh) | 触达用户方法、装置、电子设备及计算机可读存储介质 | |
CN114862006A (zh) | 一种基于人工智能的社会工作服务方案自动化生成方法和装置 | |
El Barakaz et al. | Optimization of imbalanced and multidimensional learning under bayes minimum risk and savings measure | |
Mohana et al. | Document classification using multinomial Naïve Bayesian classifier | |
Balbi et al. | A two-step strategy for improving categorisation of short texts | |
Li et al. | Text mining strategy of power customer service work order based on natural language processing technology | |
Purpura et al. | Learning to rank from relevance judgments distributions | |
Nagano et al. | Ontology-based topic extraction service from weblogs | |
Mansouri et al. | Extracting Unique Discussions of Interests for Entrepreneurs and Managers in a Set of Business Tweets Without Any Human Bias | |
Kao | IIDMCC: An Innovation Idea Discovery Model Using Online Customers' Complaint Messages | |
Hameed et al. | Spam filtering approach based on weighted version of possibilistic c-means |
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: 20210105 |
|
RJ01 | Rejection of invention patent application after publication |