CN114169770A - 考虑人事时多要素的供电质量投诉预警系统 - Google Patents
考虑人事时多要素的供电质量投诉预警系统 Download PDFInfo
- Publication number
- CN114169770A CN114169770A CN202111502298.2A CN202111502298A CN114169770A CN 114169770 A CN114169770 A CN 114169770A CN 202111502298 A CN202111502298 A CN 202111502298A CN 114169770 A CN114169770 A CN 114169770A
- Authority
- CN
- China
- Prior art keywords
- complaint
- power supply
- supply quality
- time
- user
- 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 claims abstract description 31
- 230000006399 behavior Effects 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 12
- 235000019580 granularity Nutrition 0.000 claims description 42
- 239000002245 particle Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 14
- 238000013075 data extraction Methods 0.000 claims description 12
- 230000035945 sensitivity Effects 0.000 claims description 12
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 239000008187 granular material Substances 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 102000003712 Complement factor B Human genes 0.000 claims description 3
- 108090000056 Complement factor B Proteins 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000000717 retained effect Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 9
- 238000005065 mining Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种考虑人事时多要素的供电质量投诉预警系统，以用户的业务行为留存的信息为线索，利用粒度空间对时间维度进行处理，构建基于人事时框架的供电质量投诉预警模型，便于供电企业对用户的投诉倾向分析以及投诉风险预警，精确地定位供电质量投诉高风险人群，当特定人群来电时，对客服人员进行预警，提醒其调整服务策略，优化话术，减少投诉风险。能够准确识别供电质量投诉风险人群，在对应供电质量投诉事件发生时，及时安排短信及电话安抚，为客户的精准服务和主动服务提供了技术支撑，为电力运营和改善用户体验提供保障。
Description
技术领域
本发明属于供电运营维护、新能源推进保障措施技术领域，尤其涉及一种考虑人事时多要素的供电质量投诉预警系统。
背景技术
随着电力体制改革深化，售电端市场全面开放，电力客户对用电的需求发生了改变，由以前稳定的电能需求，到现在优质、高质量的电能需求，这对电力企业的服务和营销提出了考验。
同时，现在电网规模越来越大，新能源发电和大量非线性负荷的输入对电网的供电质量和稳定性产生了影响。由于电网运维资源相对短缺，导致某些设备运维不及时，产生供电异常，进而导致客户的供电质量投诉。为了减少客户投诉的风险，需要对供电质量投诉风险人群进行精准识别，以便精准和主动服务，降低投诉风险，提高客户满意度。
目前最常用的投诉预警方法主要有两种：一种是基于机器学习算法的投诉风险预警方法，另一种是基于文本挖掘的投诉倾向分析预警方法。基于机器学习算法的投诉风险预警方法往往利用电力用户的供电营销大数据训练一定的分类模型，比如神经网络、支持向量机、朴素贝叶斯方法等等，存在处理非线性数据、特征之间的相互影响时效果不佳等问题。基于文本挖掘的投诉倾向分析预警方法通过挖掘客户的投诉类工单数据，进行文本分词、特征词选取，利用文本分类模型分析投诉倾向，当文本集规模大时，规则库会非常大，存在运算量大、效率低的问题。
发明内容
有鉴于此，为了克服现有技术的缺陷和不足，本发明的目的在于提供一种考虑人事时多要素的供电质量投诉预警系统，以用户的业务行为留存的信息为线索，聚焦用户的基础用电信息、供电质量投诉行为、供电质量投诉敏感度，利用粒度空间对时间维度进行处理，构建基于人事时框架的供电质量投诉预警模型，便于供电企业对用户的投诉倾向分析以及投诉风险预警，精确地定位供电质量投诉高风险人群，当特定人群来电时，对客服人员进行预警，提醒其调整服务策略，优化话术，减少投诉风险。能够准确识别供电质量投诉风险人群，在对应供电质量投诉事件(例如频繁停电、故障停电、计划停电、安全隐患、噪音(噪声)、电压质量、转供电停电、临时停电、电磁辐射等投诉)发生时，及时安排短信及电话安抚，为客户的精准服务和主动服务提供了技术支撑，为电力运营和改善用户体验提供保障。
该系统采用的主要技术包括：
(1)建立多时间粒子的粒度空间，对投诉事件时间序列进行拆解，综合考虑停电事件影响范围及其时间，计算得到潜在投诉风险时间因子；
(2)基于用户历史投诉供电质量次数，提取投诉供电质量事件因子；
(3)基于用户用电类别及投诉敏感度，提取潜在投诉风险个体因子；
(4)叠加上述三个因子，并以电话号码作为用户标识，计算用户供电质量投诉风险值，表征用户供电质量投诉倾向。
基于以上研究和设计，本发明具体采用以下技术方案：
一种考虑人事时多要素的供电质量投诉预警系统，其特征在于，基于计算机系统，包括：数据提取模块、人事时投诉因子生成模块、以及投诉风险计算和投诉倾向分析模块；
所述数据提取模块用于从数据库中，采集用户的基础信息、供电质量投诉行为、供电质量投诉敏感度，以及影响客户投诉行为的停电事件信息并以电话号码作为不同用户的标识，从营销管理系统和客户全方位平台中客户信息表和停电事件信息表中，提取不同用户信息，包括电话号码及其所匹配的用户编号；
所述人事时投诉因子生成模块通过建立多时间粒子的粒度空间，对投诉事件时间序列进行拆解，综合考虑停电事件影响范围及其时间，计算得到潜在投诉风险时间因子；基于用户历史投诉供电质量次数，提取投诉供电质量事件因子；基于用户用电类别及投诉敏感度，提取潜在投诉风险个体因子；
所述投诉风险计算和投诉倾向分析模块用于叠加上述三个因子，并以电话号码作为用户标识，计算用户供电质量投诉风险值，表征用户供电质量投诉倾向。
进一步地，所述数据提取模块从数据库中，采集用户的基础信息、供电质量投诉行为、供电质量投诉敏感度，以及影响客户投诉行为的停电事件信息，具体包括：营销管理系统中的客户在册档案信息、客服工单信息、业扩工单信息、客服工单用户关联表等客户信息表，客户画像标签库中的用户投诉敏感标签，客户全方位平台中的停电事件信息表。
进一步地，所述数据提取模块从营销管理系统和客户全方位平台中客户信息表和停电事件信息表中，对用户用电业务、停电相关的用户编号与发起业务行为的来电号码的匹配关系进行整合，具体包括：
从电力客户信息表、用电客户联系人表、业扩工单信息、电费信息通知表等系统营销表单和系统停电表单中获得来电号码，即发起业务行为，与用户编号，即表征用电业务情况和停电情况的对应关系。
利用客服工单数据，挖掘来电内容中的用户编号匹配该工单的来电号码，或挖掘来电内容的工作单编号匹配业扩工单的用户编号，以匹配该工单的来电号码，或根据来电内容里的用户地址来匹配用户档案信息的用户编号，以匹配该工单的来电号码。
进一步地，所述人事时投诉因子生成模块包括潜在投诉风险时间因子构建子模块、投诉供电质量事件因子构建子模块和潜在投诉风险个体因子构建子模块。
进一步地，所述潜在投诉风险时间因子构建子模块的工作过程包括以下步骤：
步骤A1：原始投诉事件提取
将某段时间内所有的供电质量投诉工单记录，以投诉时间:字段从小到大排序，构成投诉事件的时间序列；
步骤A2：构建投诉事件信息粒
统计供电质量投诉事件在每一个时间粒度下发生的概率，形成形如{时间-事件类型-投诉概率}描述形式的信息粒，包括：
步骤A21：时间粒度划分与时间序列拆解
设提取到时间跨度为T的时间序列X，选取n个时间粒度，建立粒度空间G＝{G0，G1，……，Gn}，各粒度对应的时间宽度记为w0，w1，…，wn；
对任何一个Gi，都可将投诉事件时间序列划分成pi＝[T/wi]个时间窗口，记为Ti,0，Ti,1，…，Ti,pi；其中，[T/wi]表示不超过T/wi的最大整数；
步骤A22：事件信息粒描述
基于时间粒度Gi，统计Gi下每一个时间窗口中的供电质量投诉事件类型及数量总数，得到各事件类型在不同时间窗口下发生的概率，记作p；
步骤A3：当前时刻粒度划分与投诉事件概率计算
将新的时间t0按照n个时间维度，依次拆解得到该时间所处的n个时间粒度窗口；按照时间粒度，从小到大依次累积归算步骤A22中相应粒度窗口的事件信息粒概率值，得到当前时刻发生各个投诉类型的综合概率P；
步骤A4：考虑计划停电时间线
考虑计划停电事件影响范围及停复电时间，得到加权潜在投诉风险时间因子Ai，Ai＝a*P，其中a为加权因子。
进一步地，步骤A4具体包括以下步骤：
步骤A41：匹配计划停电的停电范围与客户档案信息的用户住址进行筛选，得到受停电影响的用户信息，包括用户编号、用户电话号码；
步骤A42：如果
则对在此时辰内受计划停电影响的用户号码投诉供电质量的概率赋权a(a>1)，a的取值可依据实际需要确定；否则a＝1，即不加权，加权潜在投诉风险时间因子Ai即为P。
进一步地，所述投诉供电质量事件因子构建子模块的工作过程为：
筛选近若干年的供电质量投诉工单，统计各个来电号码的投诉次数，记为n(投诉类型)和投诉类型，投诉事件来电号码，记为ldhm，将信息粒B表示为{ldhm-投诉类型-n(投诉类型)-工单来源}；
若n(投诉类别)>0，则B＝{ldhm-投诉类型-n(投诉类型)-工单来源}＝b(b>1)，即某来电号码关于某供电质量子类有历史投诉行为，则该供电质量投诉因子赋权为b(b>1)，b的取值可依据实际需要确定；若n(投诉类别)＝0，则B＝{ldhm-投诉类型-n(投诉类型)-工单来源}＝1；若存在越级投诉行为时，将供电质量投诉因子置为最高，则B＝{ldhm-投诉类型-n(投诉类型)-工单来源}＝bmax。
进一步地，所述潜在投诉风险个体因子构建子模块的工作过程包括以下步骤：
步骤B1：计算个体因子
从营销管理系统获取客户用电类别，从客户画像标签库管理系统中获取用户供电质量投诉敏感标签；
按照客户档案信息中客户分群字段，将客户依重要性递减，对供电质量的要求递减分为重要客户，大客户，重点关注客户，重大项目，一般非居民用户，居民用户；客户关于某供电质量子类的个人因子取两者的最大值；
步骤B2：匹配电话号码属性
客户档案信息和投诉敏感标签都以用户编号为对象，利用所述数据提取模块挖掘出的用户编号与来电号码的对应关系，将个体因子从用户编号匹配到来电号码。
进一步地，所述投诉风险计算和投诉倾向分析模型包括有供电质量子类投诉风险构建子模块，其工作过程为：设潜在投诉风险时间因子A、投诉供电质量事件因子B、潜在投诉风险个体因子C分别代表时间、事情、个体三个因素；基于人事时三要素，得到用户在某个供电质量投诉子类i的投诉风险Si＝{ldhm-投诉类别i-投诉时间}＝A×B×C；取投诉风险值前三高的供电质量投诉子类，作为用户最有投诉倾向的供电质量问题。
进一步地，所述投诉风险计算和投诉倾向分析模型的工作机制还包括：
在某个时刻t0，叠加用户对于所有供电质量投诉子类的投诉风险值，得到该用户的总体供电质量投诉风险S，
其中Si表示用户t0时对于第i个供电质量投诉子类的投诉风险值；将用户总体供电质量投诉风险值归一化到0-10，归算公式为
若归算后结果为0～4，则用户总体供电质量潜在投诉风险低；结果为4～7，则用户供电质量潜在投诉风险中；结果为7～10，则用户供电质量潜在投诉风险高。对于供电质量潜在投诉风险中或高的用户群体，需要进行供电质量投诉预警。
与现有技术相比，本发明及其优选方案从现有数据库中选择性提取有关信息，聚焦用户的基础用电信息、供电质量投诉行为、供电质量投诉敏感度，利用粒度空间对时间维度进行处理，构建基于人事时框架的供电质量投诉预警模型，可以更全面地评估用户的供电质量投诉风险，便于供电企业对用户的投诉倾向分析以及投诉风险预警。该方法可以应用于电力客户营销与服务行业，通过本发明中涉及的相关技术，可以能够准确识别供电质量投诉风险人群，在对应供电质量投诉事件发生时，为客户的精准服务和主动服务提供了技术支撑。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例考虑人事时多要素的供电质量投诉预警系统的工作流程示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
下面将结合本发明实施例中附图，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的一部分实施例，而不是全部的实施例。通常在此处的附图中的描述和示出的组件可以以不同配置来组合设计。因此，以下对在附图中提供的本发明的选定实施例的详细描述并非为了限制要求保护的本发明的范围，而是仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
如图1所示，本实施例从工作机理和流程的角度对本发明所提出考虑人事时多要素的供电质量投诉预警系统进行进一步的介绍，其基本采用计算机程序的形式实现：
1、数据获取
采用数据提取模块从数据库中，采集用户的基础信息、供电质量投诉行为、供电质量投诉敏感度，以及影响客户投诉行为的停电事件信息。包括：从营销管理系统中获取在册档案信息、客服工单信息、业扩工单信息、客服工单用户关联表等客户信息表，从客户全方位平台中获取停电事件信息表，从客户画像标签库中获取投诉敏感标签。
从营销管理系统和客户全方位平台中客户信息表和停电事件信息表中，对用户用电业务、停电相关的用户编号与发起业务行为的来电号码的匹配关系进行整合。具体包括：
(1)从电力客户信息表、用电客户联系人表、业扩工单信息、电费信息通知表等系统营销表单和系统停电表单中获得来电号码(发起业务行为)与用户编号(表征用电业务情况和停电情况)的对应关系。
(2)利用客服工单数据，挖掘来电内容(联系内容)中的用户编号匹配该工单的来电号码，或挖掘来电内容(联系内容)的工作单编号匹配业扩工单的用户编号，来匹配该工单的来电号码，或根据来电内容里的用户地址来匹配用户档案信息的用户编号，来匹配该工单的来电号码。
2、人事时投诉因子生成模块
2.1潜在投诉风险时间因子
(1)原始投诉事件提取
将某段时间内所有的供电质量投诉工单记录，以投诉时间(日期格式为YYYY-MM-DD hh:mm)字段从小到大排序，构成投诉事件的时间序列。
(2)投诉事件信息粒
统计供电质量投诉事件在每一个时间粒度下发生的概率，形成形如{时间-事件类型-投诉概率}描述形式的信息粒。
1)时间粒度划分与时间序列拆解
设提取到时间跨度为T的时间序列X，选取n个时间粒度，建立粒度空间G＝{G0，G1，……，Gn}，各粒度对应的时间宽度记为w0，w1，…，wn。
对任何一个Gi，都可将投诉事件时间序列划分成pi＝[T/wi]([T/wi]表示不超过T/wi的最大整数)个时间窗口，记为Ti,0，Ti,1，…，Ti,pi。
例如，有时间跨度为一年的时间序列X，当以月、星期、时辰为粒度时，形成粒度空间G＝{G0＝月，G1＝星期，G2＝时辰}，各粒度将原始序列分别拆解成12、7、12个时间窗口。其中单位月粒度的宽度w0为1个月(约30天)，单位星期粒度的宽度w1约为48天(约4天/月×12个月)，单位时辰粒度的宽度w2约为730小时(2小时/天×约365天)。
2)事件信息粒描述
基于时间粒度Gi，统计Gi下每一个时间窗口中的供电质量投诉事件类型及数量总数，得到各事件类型在不同时间窗口下发生的概率，记作p(时间窗口，投诉事件类型)。
例如，有时间跨度为一年的时间序列X，当时间粒度为月时，在某个时间窗口Tj(1≤j≤12)中，关于投诉的事件共有N件，其中关于频繁停电的投诉供电质量事件共a1件，关于电压质量的投诉供电质量事件共a2件，…则可形成投诉事件信息粒{Tj-频繁停电投诉-p(Tj，频繁停电投诉)}、{Tj-电压质量投诉-p(Tj，电压质量投诉)}、…，其中
(3)当前时刻粒度划分与投诉事件概率计算
将新的时间t0(YYYY-MM-DD hh:mm)按照上述n个时间维度，依次拆解得到该时间所处的n个时间粒度窗口。按照时间粒度，从小到大依次累积归算(2)的2)中相应粒度窗口的事件信息粒概率值，得到当前时刻发生各个投诉类型的综合概率P。若总时间跨度选取1年，且以月、星期、时辰为时间粒度，则归算方法为：
例如，当前时刻t0为2021年11月30日9:41，以月、周、时辰为粒度进行时间拆解，得到此时粒度窗口为{11月，周二，巳时}，分别提取同类型投诉事件在(2)的2)中11月、周二、巳时的信息粒，并累积计算概率值。
例如，针对频繁停电投诉类型，累积3个信息粒{11月，频繁停电投诉-p(11月，频繁停电投诉)}、{周二，频繁停电投诉-p(周二，频繁停电投诉)}、{巳时，频繁停电投诉-p(巳时，频繁停电投诉)}中的概率值，得到该时刻的频繁停电综合投诉概率为
以此类推，依次得到如电压质量投诉、故障停电投诉等供电质量投诉在t0发生的概率。
(4)考虑计划停电时间线
考虑计划停电事件影响范围及停复电时间，得到加权潜在投诉风险时间因子Ai，Ai＝a*P，其中a为加权因子。具体如下：
1)匹配计划停电的停电范围与客户档案信息的用户住址进行筛选，得到受停电影响的用户信息，包括用户编号、用户电话号码。
2)如果
则对在此时辰内受计划停电影响的用户号码投诉供电质量的概率赋权a(a>1)，a的取值可依据实际需要确定；否则a＝1，即不加权，加权潜在投诉风险时间因子Ai即为P。
3)例如：假设计划停电的停电时刻t1为2021年11月30日9：00，复电时刻t2为2021年11月30日9：30；停电范围为福建省xx市xx线路，假设当前时刻t0为2021年12月1日9:41，计划停电时间段置于巳时，则认为此时受停电影响用户存在投诉停电的倾向：Ai(2021-12-109:41，频繁停电投诉)＝a*P(2021-11-3009:41，频繁停电投诉)。
2.2投诉供电质量事件因子
筛选近两年的供电质量投诉工单，统计各个来电号码的投诉次数(记为n(投诉类型))和投诉类型，投诉事件来电号码(记为ldhm)信息粒B表示为{ldhm-投诉类型-n(投诉类型)-工单来源}。
若n(投诉类别)>0，则B＝{ldhm-投诉类型-n(投诉类型)-工单来源}＝b(b>1)，即某来电号码关于某供电质量子类有历史投诉行为，则该供电质量投诉因子赋权为b(b>1)，b的取值可依据实际需要确定；若n(投诉类别)＝0，则B＝{ldhm-投诉类型-n(投诉类型)-工单来源}＝1。特别地，若工单来源有12398电力监控部门、12315系统等机构,即存在越级投诉行为时，将供电质量投诉因子置为最高，则B＝{ldhm-投诉类型-n(投诉类型)-工单来源}＝bmax。
2.3潜在投诉风险个体因子
(1)计算个体因子
从营销管理系统获取客户用电类别，从客户画像标签库管理系统中获取用户供电质量投诉敏感标签。
按照客户档案信息中客户分群字段，客户分为重要客户，大客户，重点关注客户，重大项目，一般非居民用户，居民用户。客户类型从左到右，客户重要性递减，对供电质量的要求递减，由于供电异常造成的经济损失、社会影响递减。故这里取重要客户个体因子为C1(1)∈(7,10),取大客户和重点关注客户个体因子为C1(2)∈(4,7)，取其他客户的个体因子为C1(3)∈(0,4)。
依据投诉敏感高中低标签，归算对应投诉高敏感标签的个体因子为C2(1)∈(7,10)，投诉中敏感标签的个体因子为C2(2)∈(4,7)，投诉低敏感标签的个人因子为C2(3)∈(0,4)。
客户关于某供电质量子类的个人因子取两者的最大值，即Ci＝max(C1-i,C2-i)，其中C1-i为反映客户类型的个体因子，C2-i为反映客户对某供电质量子类投诉敏感的个体因子。
(2)匹配电话号码
客户档案信息和投诉敏感标签都是以用户编号为对象，利用数据提取模块获取用户编号与来电号码的对应关系，将个体因子从用户编号匹配到来电号码。
3、投诉风险计算和投诉倾向分析(供电质量投诉风险值)
设潜在投诉风险时间因子A、投诉供电质量事件因子B、潜在投诉风险个体因子C分别代表时间、事情、个体三个因素。基于人事时三要素，得到用户在某个供电质量投诉子类i的投诉风险Si＝{ldhm-投诉类别i-投诉时间}＝A×B×C。为实现客户供电质量投诉意图预判，取投诉风险值前三高的供电质量投诉子类，作为用户最有投诉倾向的供电质量问题。
在某个时刻t0，叠加用户对于所有供电质量投诉子类的投诉风险值，得到该用户的总体供电质量投诉风险S，
其中Si表示用户t0时对于第i个供电质量投诉子类的投诉风险值。将用户总体供电质量投诉风险值归一化到0-10，归算公式为
若归算后结果为0～4，则用户总体供电质量潜在投诉风险低；结果为4～7，则用户供电质量潜在投诉风险中；结果为7～10，则用户供电质量潜在投诉风险高。对于供电质量潜在投诉风险中或高的用户群体，需要进行供电质量投诉预警。
本实施例提供的以上程序设计方案可以代码化的形式存储在计算机可读取存储介质中，并以计算机程序的方式进行实现，并通过计算机硬件输入计算所需的基本参数信息，并输出计算结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程、以及流程图中的流程结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程图中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的考虑人事时多要素的供电质量投诉预警系统，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。
Claims (9)
1.一种考虑人事时多要素的供电质量投诉预警系统，其特征在于，基于计算机系统，包括：数据提取模块、人事时投诉因子生成模块、以及投诉风险计算和投诉倾向分析模块；
所述数据提取模块用于从数据库中，采集用户的基础信息、供电质量投诉行为、供电质量投诉敏感度，以及影响客户投诉行为的停电事件信息并以电话号码作为不同用户的标识，从营销管理系统和客户全方位平台中客户信息表和停电事件信息表中，提取不同用户信息，包括电话号码及其所匹配的用户编号；
所述人事时投诉因子生成模块通过建立多时间粒子的粒度空间，对投诉事件时间序列进行拆解，综合考虑停电事件影响范围及其时间，计算得到潜在投诉风险时间因子；基于用户历史投诉供电质量次数，提取投诉供电质量事件因子；基于用户用电类别及投诉敏感度，提取潜在投诉风险个体因子；
所述投诉风险计算和投诉倾向分析模块用于叠加上述三个因子，并以电话号码作为用户标识，计算用户供电质量投诉风险值，表征用户供电质量投诉倾向。
2.根据权利要求1所述的考虑人事时多要素的的供电质量投诉预警系统，其特征在于：所述数据提取模块从数据库中，采集用户的基础信息、供电质量投诉行为、供电质量投诉敏感度，以及影响客户投诉行为的停电事件信息，具体包括：营销管理系统中的客户在册档案信息、客服工单信息、业扩工单信息、客服工单用户关联表等客户信息表，客户画像标签库中的用户投诉敏感标签，客户全方位平台中的停电事件信息表。
3.根据权利要求1所述的考虑人事时多要素的供电质量投诉预警系统，其特征在于：所述人事时投诉因子生成模块包括潜在投诉风险时间因子构建子模块、投诉供电质量事件因子构建子模块和潜在投诉风险个体因子构建子模块。
4.根据权利要求3所述的考虑人事时多要素的供电质量投诉预警系统，其特征在于：所述潜在投诉风险时间因子构建子模块的工作过程包括以下步骤：
步骤A1：原始投诉事件提取
将某段时间内所有的供电质量投诉工单记录，以投诉时间:字段从小到大排序，构成投诉事件的时间序列；
步骤A2：构建投诉事件信息粒
统计供电质量投诉事件在每一个时间粒度下发生的概率，形成形如{时间-事件类型-投诉概率}描述形式的信息粒，包括：
步骤A21：时间粒度划分与时间序列拆解
设提取到时间跨度为T的时间序列X，选取n个时间粒度，建立粒度空间G＝{G0，G1，……，Gn}，各粒度对应的时间宽度记为w0，w1，…，wn；
对任何一个Gi，都可将投诉事件时间序列划分成pi＝[T/wi]个时间窗口，记为Ti,0，Ti,1，…，Ti,pi；其中，[T/wi]表示不超过T/wi的最大整数；
步骤A22：事件信息粒描述
基于时间粒度Gi，统计Gi下每一个时间窗口中的供电质量投诉事件类型及数量总数，得到各事件类型在不同时间窗口下发生的概率，记作p；
步骤A3：当前时刻粒度划分与投诉事件概率计算
将新的时间t0按照n个时间维度，依次拆解得到该时间所处的n个时间粒度窗口；按照时间粒度，从小到大依次累积归算步骤A22中相应粒度窗口的事件信息粒概率值，得到当前时刻发生各个投诉类型的综合概率P；
步骤A4：考虑计划停电时间线
考虑计划停电事件影响范围及停复电时间，得到加权潜在投诉风险时间因子Ai，Ai＝a*P，其中a为加权因子。
5.根据权利要求4所述的考虑人事时多要素的的供电质量投诉预警系统，其特征在于：
步骤A4具体包括以下步骤：
步骤A41：匹配计划停电的停电范围与客户档案信息的用户住址进行筛选，得到受停电影响的用户信息，包括用户编号、用户电话号码；
步骤A42：
则对在此时辰内受计划停电影响的用户号码投诉供电质量的概率赋权a(a>1)，a的取值可依据实际需要确定；否则a＝1，即不加权，加权潜在投诉风险时间因子Ai即为P。
6.根据权利要求3所述的考虑人事时多要素的的供电质量投诉预警系统，其特征在于：所述投诉供电质量事件因子构建子模块的工作过程为：
筛选近若干年的供电质量投诉工单，统计各个来电号码的投诉次数，记为n(投诉类型)和投诉类型，投诉事件来电号码，记为ldhm，将信息粒B表示为{ldhm-投诉类型-n(投诉类型)-工单来源}；
若n(投诉类别)>0，则B＝{ldhm-投诉类型-n(投诉类型)-工单来源}＝b(b>1)，即某来电号码关于某供电质量子类有历史投诉行为，则该供电质量投诉因子赋权为b(b>1)；若n(投诉类别)＝0，则B＝{ldhm-投诉类型-n(投诉类型)-工单来源}＝1；若存在越级投诉行为时，将供电质量投诉因子置为最高，则B＝{ldhm-投诉类型-n(投诉类型)-工单来源}＝bmax。
7.根据权利要求3所述的考虑人事时多要素的供电质量投诉预警系统，其特征在于：所述潜在投诉风险个体因子构建子模块的工作过程包括以下步骤：
步骤B1：计算个体因子
从营销管理系统获取客户用电类别，从客户画像标签库管理系统中获取用户供电质量投诉敏感标签；
按照客户档案信息中客户分群字段，将客户依重要性递减，对供电质量的要求递减分为重要客户，大客户，重点关注客户，重大项目，一般非居民用户，居民用户；客户关于某供电质量子类的个人因子取两者的最大值；
步骤B2：匹配电话号码属性
客户档案信息和投诉敏感标签都以用户编号为对象，利用所述数据提取模块挖掘出的用户编号与来电号码的对应关系，将个体因子从用户编号匹配到来电号码。
8.根据权利要求1所述的考虑人事时多要素的供电质量投诉预警系统，其特征在于：所述投诉风险计算和投诉倾向分析模型包括有供电质量子类投诉风险构建子模块，其工作过程为：设潜在投诉风险时间因子A、投诉供电质量事件因子B、潜在投诉风险个体因子C分别代表时间、事情、个体三个因素；基于人事时三要素，得到用户在某个供电质量投诉子类i的投诉风险Si＝{ldhm-投诉类别i-投诉时间}＝A×B×C；取投诉风险值前三高的供电质量投诉子类，作为用户最有投诉倾向的供电质量问题。
9.根据权利要求8所述的考虑人事时多要素的供电质量投诉预警系统，其特征在于：所述投诉风险计算和投诉倾向分析模型的工作机制还包括：
在某个时刻t0，叠加用户对于所有供电质量投诉子类的投诉风险值，得到该用户的总体供电质量投诉风险S，
其中Si表示用户t0时对于第i个供电质量投诉子类的投诉风险值；将用户总体供电质量投诉风险值归一化到0-10，归算公式为
若归算后结果为0～4，则用户总体供电质量潜在投诉风险低；结果为4～7，则用户供电质量潜在投诉风险中；结果为7～10，则用户供电质量潜在投诉风险高；对于供电质量潜在投诉风险中或高的用户群体，进行供电质量投诉预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111502298.2A CN114169770A (zh) | 2021-12-09 | 2021-12-09 | 考虑人事时多要素的供电质量投诉预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111502298.2A CN114169770A (zh) | 2021-12-09 | 2021-12-09 | 考虑人事时多要素的供电质量投诉预警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114169770A true CN114169770A (zh) | 2022-03-11 |
Family
ID=80485047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111502298.2A Pending CN114169770A (zh) | 2021-12-09 | 2021-12-09 | 考虑人事时多要素的供电质量投诉预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169770A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114528380A (zh) * | 2022-04-24 | 2022-05-24 | 广东电网有限责任公司佛山供电局 | 配网限电线路中保供电用户接入的诊断方法、系统及装置 |
| CN117154940A (zh) * | 2023-09-05 | 2023-12-01 | 国网青海省电力公司营销服务中心 | 一种电力服务质量网格化监控系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120259673A1 (en) * | 2011-04-08 | 2012-10-11 | Welch Allyn, Inc. | Risk-Based Complaint Management System |
| CN106203821A (zh) * | 2016-07-06 | 2016-12-07 | 国网安徽省电力公司淮南供电公司 | 基于供电营销大数据建立供电服务风险预警系统和方法 |
| CN106530127A (zh) * | 2016-11-09 | 2017-03-22 | 国网江苏省电力公司南京供电公司 | 基于文本挖掘技术的客户投诉预警监测分析系统 |
| 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 |
| CN109523276A (zh) * | 2018-11-19 | 2019-03-26 | 国网河北省电力有限公司电力科学研究院 | 用户投诉的预警监控方法及装置 |
| CN109936478A (zh) * | 2019-03-14 | 2019-06-25 | 杭州东方通信软件技术有限公司 | 一种客服落单前的预警分析方法及系统 |
| CN111539585A (zh) * | 2020-05-26 | 2020-08-14 | 国网湖南省电力有限公司 | 一种基于随机森林的电力客户诉求敏感度监督及预警方法 |
-
2021
- 2021-12-09 CN CN202111502298.2A patent/CN114169770A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120259673A1 (en) * | 2011-04-08 | 2012-10-11 | Welch Allyn, Inc. | Risk-Based Complaint Management System |
| CN106203821A (zh) * | 2016-07-06 | 2016-12-07 | 国网安徽省电力公司淮南供电公司 | 基于供电营销大数据建立供电服务风险预警系统和方法 |
| CN106530127A (zh) * | 2016-11-09 | 2017-03-22 | 国网江苏省电力公司南京供电公司 | 基于文本挖掘技术的客户投诉预警监测分析系统 |
| 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 |
| CN109523276A (zh) * | 2018-11-19 | 2019-03-26 | 国网河北省电力有限公司电力科学研究院 | 用户投诉的预警监控方法及装置 |
| CN109936478A (zh) * | 2019-03-14 | 2019-06-25 | 杭州东方通信软件技术有限公司 | 一种客服落单前的预警分析方法及系统 |
| CN111539585A (zh) * | 2020-05-26 | 2020-08-14 | 国网湖南省电力有限公司 | 一种基于随机森林的电力客户诉求敏感度监督及预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 梁昕露: "电信业投诉分类方法及其应用研究", 中国管理科学, vol. 23, no. 1, 15 November 2015 (2015-11-15), pages 188 - 192 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114528380A (zh) * | 2022-04-24 | 2022-05-24 | 广东电网有限责任公司佛山供电局 | 配网限电线路中保供电用户接入的诊断方法、系统及装置 |
| CN117154940A (zh) * | 2023-09-05 | 2023-12-01 | 国网青海省电力公司营销服务中心 | 一种电力服务质量网格化监控系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114169770A (zh) | 考虑人事时多要素的供电质量投诉预警系统 | |
| CN104285212A (zh) | 用于建模在线商务行为和检测异常值的自动化分析系统 | |
| CN112418738B (zh) | 一种基于逻辑回归的员工操作风险预测方法 | |
| CN108304990B (zh) | 一种停电敏感预判方法和系统 | |
| US8694413B1 (en) | Computer-based systems and methods for determining interest levels of consumers in research work product produced by a research department | |
| Kadlec et al. | Best practices in IT disaster recovery planning among US banks | |
| Ma et al. | A data-driven risk measurement model of software developer turnover | |
| CN115860694A (zh) | 一种基于即时消息技术的业扩流程管控方法及系统 | |
| CN113434575B (zh) | 基于数据仓库的数据归因处理方法、装置及存储介质 | |
| Krishnaraj et al. | Total failure mode and effect analysis: a powerful technique for overcoming failures | |
| CN112258073A (zh) | 一种基于指标分析的停电业务超时监控识别方法 | |
| Lui et al. | Business dynamism in the UK: New findings using a novel dataset | |
| CN111667278A (zh) | 一种基于用户画像的ict系统故障分析推荐方法及系统 | |
| CN110619572A (zh) | 一种监控企业公开数据高容错性增长的方法 | |
| CN115423361A (zh) | 风险视图的数据处理方法、装置、存储介质和设备 | |
| EP3846096A1 (en) | Systems and methods for identifying an officer at risk of an adverse event | |
| CN110264251B (zh) | 表征现金流的数据组织形式与基于多任务学习的预测方法 | |
| Gedeon | THE IMPACT OF NEW TECHNOLOGIES ON ACCOUNTING AND AUDIT | |
| Pustovarov | Dynamics of digital transformations in the national economy of Ukraine | |
| CN114066302A (zh) | 运维系统的监测方法、装置、电子设备及计算机存储介质 | |
| US20220327562A1 (en) | Methods and systems for applying survival analysis models to produce temporal measures of sales productivity | |
| Al Khanbashi et al. | The Moderating Effect of Performance Management on Operational Control, Technical Control and Telecommunications Systems Performance in the Public Safety Sector of Oman | |
| CN113837518B (zh) | 一种基于历史处理数据的人员处理能力刻画方法 | |
| Ghee et al. | Approach to using alternative data sources to support the 2021 Census in England and Wales | |
| Leroux et al. | Intimate partner violence (IPV) before, during, and after the Great Recession: findings from South Carolina |
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 |