TWI573027B - Customer Experience and Equipment Profitability Analysis System and Its Method - Google Patents
Customer Experience and Equipment Profitability Analysis System and Its Method Download PDFInfo
- Publication number
- TWI573027B TWI573027B TW105104400A TW105104400A TWI573027B TW I573027 B TWI573027 B TW I573027B TW 105104400 A TW105104400 A TW 105104400A TW 105104400 A TW105104400 A TW 105104400A TW I573027 B TWI573027 B TW I573027B
- Authority
- TW
- Taiwan
- Prior art keywords
- model
- analysis
- sample data
- analysis method
- feature vectors
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims description 112
- 238000000034 method Methods 0.000 title claims description 50
- 238000000611 regression analysis Methods 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 34
- 238000007726 management method Methods 0.000 description 15
- 230000007547 defect Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000012216 screening Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Description
本發明係有關於一種客戶使用體驗與設備良率機率分析系統，特別是一種可整合二種分析模型的分析結果進行評估的客戶使用體驗與設備良率機率分析系統。本發明還涉及此分析系統的方析方法。
隨著科技的進步，網路速度得到了大幅的提升，故各式寬頻服務也越來越受到使用者重視。然而，隨著用戶的大規模增加，提供寬頻服務之網路結構及元件也隨之增大、複雜化，造成網路管理服務在診斷異常的難度日漸提高。
為了解決寬頻服務的異常診斷問題，目前可有幾種常見的分析方式，例如，首先可由用戶端使用者(即使用服務的客戶)申告障礙資訊中以關鍵字或大範圍地理位置綜合歸納判斷。然而由用戶端申告的障礙關鍵字資料來判斷故障點，因此上述習知技藝之分析方法需要相當程度的人工判讀經驗與歸納，因此其不確定性較高，故無法準確地進行異常問題診斷。
另一種習知技藝之分析方法是由網路及伺服器設備產生之告警自動回報，但其若是設備間鏈路造成，此種習知技藝之方法無法得知，此外，告警種類多樣化，每種造成產生之結果可大可小各有不同，因此查
修及判讀等等流程會耗費很多時間，造成其效率較為低落。
因此，如何提出一種分析方法，能夠有效改善習知技藝之分析方法準確性低且效率低落的情況已成為一個刻不容緩的問題。
有鑑於上述習知技藝之問題，本發明之其中一目的就是在提供一種客戶使用體驗與設備良率機率分析系統及其方法，以解決習知技藝之分析方法準確性低且效率低落的問題。
根據本發明之其中一目的，提出一種客戶使用體驗與設備良率機率分析系統，其可包含客戶使用體驗分析模組、設備良率分析模組及比較及建檔模組。客戶使用體驗分析模組可蒐集第一模型樣本資料，第一模型樣本資料可包含一區域之複數個用戶終端設備之網管參數資料及申訴紀錄資料，並可根據第一模型樣本資料產生複數個第一模型特徵向量，再利用一第一模型迴歸分析法分析該些第一模型特徵向量以產生客戶使用體驗分析模型。設備良率分析模組可蒐集一第二模型樣本資料，第二模型樣本資料可包含網管參數資料及設備告警事件與次數資料，並可根據第二模型樣本資料產生複數個第二模型特徵向量，再可利用第二模型迴歸分析法分析該些第二模型特徵向量以產生設備良率分析模型。比較及建檔模組可根據客戶使用體驗分析模型及設備良率分析模型之交集產生品質不良清單。
根據本發明之其中一目的，再提出一種客戶使用體驗與設備良率機率分析方法，其可包含下列步驟：蒐集第一模型樣本資料，第一模
型樣本資料可包含一區域之複數個用戶終端設備之網管參數資料及申訴紀錄資料。根據第一模型樣本資料產生複數個第一模型特徵向量。利用第一模型迴歸分析法分析該些第一模型特徵向量以產生客戶使用體驗分析模型。蒐集第二模型樣本資料，第二模型樣本資料可包含網管參數資料及設備告警事件與次數資料；根據第二模型樣本資料產生複數個第二模型特徵向量；利用第二模型迴歸分析法分析該些第二模型特徵向量以產生設備良率分析模型；以及根據第一品質不良率分析結果及第二品質不良率分析結果之交集產生品質不良清單。
在一較佳的實施例中，該些第一模型特徵向量可包含當日收看時段數、當日有發生損失事件之時段數、各時段平均損失事件數、有損失事件時段之比例及前三天中有幾天發生損失事件數中的一個或多個。
在一較佳的實施例中，該些第二模型特徵向量可包含設備封包延遲超過臨界值次數、連線速率小於設定速率80%之次數、數位用戶迴路骨幹埠失效次數、數位用戶迴路用戶埠訊雜比餘裕小於臨界值次數以及網路瞬斷次數中的一個或多個。
在一較佳的實施例中，第一模型迴歸分析法可為羅吉斯分析法。
在一較佳的實施例中，第二模型迴歸分析法可為加權型羅吉斯分析法。
承上所述，依本發明之客戶使用體驗與設備良率機率分析系統及其方法，其可具有一或多個下述優點：
(1)本發明之一實施例中，客戶使用體驗與設備良率機率分
析系統及其方法可利用統計方法找出可信之模型，使網路管理者可以低建置成本方式處理大規模之網路元件異常偵測，因此可有效降低成本。
(2)本發明之一實施例中，客戶使用體驗與設備良率機率分析系統及其方法可主動找出有品質障礙之顧客或問題設備，因此可有效地縮短維修時間，使效率大幅改善。
(3)本發明之一實施例中，客戶使用體驗與設備良率機率分析系統及其方法可有效地發掘重要告警資訊，如利用機率模型過濾出與品質較相關之告警事件，以加速障礙查修人員之工作進度，故可進一步改善效率。
(4)本發明之一實施例中，客戶使用體驗與設備良率機率分析系統及其方法可利用機率模型之預估數值量化品質問題之嚴重程度，故可有效地量化客戶端的品質狀態，故準確性更高。
(5)本發明之一實施例中，客戶使用體驗與設備良率機率分析系統及其方法可有效地提升準確性，故可大幅地提升客戶端的使用體驗，使客戶端的滿意度提升。
1‧‧‧客戶使用體驗與設備良率機率分析系統
11‧‧‧客戶使用體驗分析模組
111‧‧‧網管參數資料
112‧‧‧申訴紀錄資料
113‧‧‧第一模型迴歸分析法
114‧‧‧迴歸分析係數
115‧‧‧客戶使用體驗分析模型
12‧‧‧設備良率分析模組
121‧‧‧網管參數資料
1211‧‧‧設備之不良率
122‧‧‧設備告警事件與次數資料
123‧‧‧第二模型迴歸分析法
124‧‧‧迴歸分析係數
125‧‧‧設備良率分析模型
13‧‧‧比較及建檔模組
131‧‧‧品質不良清單
S51~S57‧‧‧步驟流程
圖1係為本發明之客戶使用體驗與設備良率機率分析系統之第一實施例之第一示意圖。
圖2係為本發明之客戶使用體驗與設備良率機率分析系統之第一實施例之第二示意圖。
圖3係為本發明之客戶使用體驗與設備良率機率分析系統之第一實施
例之第三示意圖。
圖4係為本發明之客戶使用體驗與設備良率機率分析系統之第一實施例之第四示意圖。
圖5係為本發明之客戶使用體驗與設備良率機率分析系統之第一實施例之流程圖。
以下將參照相關圖式，說明依本發明之服務派送伺服器及依據資料內容特徵碼提供服務之控管方法之實施例，為使便於理解，下述實施例中之相同元件係以相同之符號標示來說明。
請參閱圖1、圖2及圖3，其係為本發明之客戶使用體驗與設備良率機率分析系統之第一實施例之第一示意圖、第二示意圖及第三示意圖。如圖1所示，客戶使用體驗與設備良率機率分析系統1可包含客戶使用體驗分析模組11、設備良率分析模組12及比較及建檔模組13。
如圖1所示，客戶使用體驗分析模組11可蒐集第一模型樣本資料，第一模型樣本資料可包含一區域之複數個用戶終端設備之網管參數資料111(如該些用戶終端設備之時間內封包損失及告警事件數)及申訴紀錄資料112，並可根據第一模型樣本資料產生複數個第一模型特徵向量。
客戶端終端數據裝置的內建功能，網路管理者可以取得所提供區域終端數據裝置單位時間內封包損失及告警事件數。另外，經由障礙申告系統，網路管理者也可以取得各個客戶端終端數據裝置的申訴紀錄，例如網路斷線、無法開機、遙控器失效、影音類服務畫面延遲或模糊等。
因此，客戶使用體驗與設備良率機率分析系統1可根據第一模型樣本資料根據用戶終端數據裝置最近一周內之損失事件數值產生數個第一模型特徵向量，其可包含(f1)當日收看時段數(每十分鐘為一時段)；(f2)當日有發生損失事件之時段數；(f3)各時段平均損失事件數；(f4)有損失事件時段之比例；(f5)前三天中有幾天發生損失事件數；接下來，客戶使用體驗分析模組11可利用第一模型迴歸分析法113分析該些第一模型特徵向量以產生客戶使用體驗分析模型115，其中第一模型迴歸分析法113可為羅吉斯分析法。
其中，可利用以下方法定義第一模型迴歸分析法113之正例與負例。以顧客申告當天，其所相應之用戶終端數據裝置紀錄定為迴歸分析之正例，而申告一周後之終端數據裝置紀錄則定義為負例(依正常維修程序通常於一周內問題會予以排除)。依此蒐集大量申告紀錄及後續修復後之比較用資料後，可得訓練資料如圖2之特徵數值範例。
將正負例表示為y，而f1~f5表示為特徵值向量x，正負例所形成之訓練資料集即可表示為(x i ,y i ),y {-1,1},i=1,…,N，其中y為1表正例(用戶有申告)，反之y為-1表負例(用戶無申告)，如此可利用解出下列最佳化(maximum likelihood optimization)問題，得到二元羅吉斯迴歸模型之迴歸分析係數114。
設備良率分析模組12可蒐集第二模型樣本資料，第二模型樣本資料可包含網管參數資料121(如該些用戶終端設備之時間內封包損失及告警事件數)及設備告警事件與次數資料122，並可根據該第二模型樣本資料產生複數個第二模型特徵向量，再可利用第二模型迴歸分析法123分析該些第二模型特徵向量以產生設備良率分析模型125，其中第二模型迴歸分析法123可為加權型羅吉斯分析法。
透過網管設備之設備告警功能，我們可以取得日常各設備的設備告警事件與次數資料122，例如，設備D1在時間T1發生事件E1(例如：「回應時間過長」)或設備D2在時間T2發生事件E2(例如：「插槽過熱」)等。可將各日設備事件蒐集統整，選定五種重要告警事件為第二模型特徵向量，其可包括：(f1)設備封包延遲(round trip delay)超過臨界值次數；(f2)連線速率小於設定速率80%之次數；(f3)數位用戶迴路骨幹埠失效(DSLAM Trunk port operation down)次數；(f4)數位用戶迴路用戶埠訊雜比餘裕
(DSLAM Line Port SNR Margin)小於臨界值次數；(f5)網路瞬斷次數。
對於各個設備，可以計算其每日各設備之不良率1211如下。依據電信技術報告(Triple-play Services Quality of Experience Requirements)，寬頻影音服務應達每小時至多不超過一個封包丟失事件為標準。因此，對於所有終端數據裝置，可依據網管參數資料121將其分為兩類：(1)每小時高過一個封包丟失事件為不良，不良率訂為1；(2)每小時不超過一個封包丟失事件為可接受，不良率訂為0。上層設備之不良率1211則依其下所包含的所有用戶終端歸類為不良的比例加以算術平均，如圖3所示。
依據每日各設備之不良率1211及設備告警事件與次數資料122，可以利用以下第二模型迴歸分析法123，即加權型羅吉斯分析法，利用解最佳化(maximum likelihood optimization)方式求解迴歸分析係數124，如下式(3)：
其中為正則項(regularization term)，C為常數，p i 為設備不良率，x為告警事件特徵向量，w則為參數矩陣，即模型所求之迴歸分析係數124。得出最佳參數矩陣w之後，當給定一設備之重要告警事件次數資料後，可再次使用式(2)的特徵值與權重預估公式計算出其設備不良機率，此為設備良率分析模型125。設備良率分析模型125除了可協助查修人員判斷問題點之外，亦可以依據參數矩陣w提供影響不良率較為嚴重的告警，過濾多餘較不
影響用戶品質的告警資訊。
比較及建檔模組13可根據客戶使用體驗分析模型115及設備良率分析模型125之交集產生品質不良清單131。
本模組負責將上述客戶使用體驗分析模型115與設備良率分析模型125，於產出各自的不良機率預估結果後，取出兩種模型皆計算為不良之成員交集，加以建檔處理，由兩種模型中取出不良成員者的流程相同，說明如下。
請參閱圖4，其係為本發明之客戶使用體驗與設備良率機率分析方法之第一實施例之第四示意圖。圖4自各模型中所有被分析成員取出品質狀態不良者之架構流程，分為狀態定義、臨界機率定義及狀態變更法則三部分。
狀態定義所有被分析成員的品質狀態為4類，狀態4為優；狀態3為佳；狀態2為尚可；狀態1則為不良。篩選流程一開始所有成員皆預設為狀態4，再依每日的各自品質不良機率預估值決定是否變更成其他狀態。其中狀態1之不良者即為擬篩選出之主要候選標的。
臨界機率定義：定義所有成員狀態變更的臨界機率為3種，臨界機率t1為0.5；臨界機率t2為0.4；臨界機率t3為0.3。上述兩種模型計算的各成員不良機率預估值P將與此3個臨界機率進行比較後調整與變更之。
狀態變更法則：本案中兩種模型中所計算的各成員不良預估機率P，依上述3個臨界機率(t1,t2,t3)定義值做大小比對後進行每日變更，其變更法則為：(1)當P<=t3，狀態值加2；(2)當P>t3且P<=t2，狀態值加1；
(3)當P>t2且P<=t1，狀態值減1；(4)當P>t1，狀態值減2；(5)狀態值僅限定在1至4之間，變更時若超過4則定義為4；若小於1則定義為1。
狀態變更例1：某成員起始狀態為4(優)，經當日計算後若不良機率為0.65，則狀態值減2變為2(尚可)；若不良機率為0.45，則狀態值減1變為3(佳)；若不良機率為0.4(含)以下，因狀態值最大定為4故狀態值不論加1或是加2，最後均維持在狀態4(優)。
狀態變更例2：某成員前一日狀態為2(尚可)，經當日計算後若不良機率為0.25，則狀態值加2變為4(優)；若不良機率為0.35，則狀態值加1變為3(佳)；若不良機率為0.45，則狀態值減1變為1(不良)；若不良機率為0.55，因狀態值最小狀態定為1，故狀態變更為1(不良)。
使用此不良篩選流程的目的是，預設所有成員狀態值為4(優)的狀況下，每一到達狀態值為1(不良)的成員至少皆須經過兩次(含)以上的狀態變化，才會到達不良的狀態，即代表確有發生逐漸劣化的現象。相較於僅依某一次的預估不良即篩選出為不良成員，本方式可強化篩選含有劣化現象成員的精確度。依此篩選過程後，取出兩種模型的不良者交集成員方式如下：(1)取出客戶使用體驗分析模型115預估不良者：應用上述篩選過程，取得客戶使用體驗分析模型115預估後每日最新狀態位於狀態1之不良者成員，為預估不良終端用戶；(2)取出設備良率分析模型125預估不良者：應用上述篩選過程，取得設備良率分析模型125預估後每日最新狀態位於狀態1之不良者成員，為預估不良網路設備；(3)取出交集：考量維護效益限定預估不良設備為離終端用戶最近之上層設備，其服務用戶若包含同日預估不良終端用戶則視為取得成員交集，此不良終端用戶及最近
一層不良設備之組合即為產出之品質不良清單131，以作為後續維修或客戶關係之用。
請參閱圖5，其係為本發明之客戶使用體驗與設備良率機率分析方法之第一實施例之流程圖。本實施例之客戶使用體驗與設備良率機率分析方法可包含下列步驟：蒐集第一模型樣本資料，第一模型樣本資料可包含一區域之複數個用戶終端設備之網管參數資料及申訴紀錄資料。根據第一模型樣本資料產生複數個第一模型特徵向量。利用第一模型迴歸分析法分析該些第一模型特徵向量以產生客戶使用體驗分析模型。蒐集第二模型樣本資料，第二模型樣本資料可包含網管參數資料及設備告警事件與次數資料；根據第二模型樣本資料產生複數個第二模型特徵向量；利用第二模型迴歸分析法分析該些第二模型特徵向量以產生設備良率分析模型；以及根據第一品質不良率分析結果及第二品質不良率分析結果之交集產生品質不良清單。
如圖5所示，本實施例之客戶使用體驗與設備良率機率分析方法之流程如下：在步驟S51，開始分析，並進入步驟S52。
在步驟S52中，取得測試資料(含機上盒、客訴及設備告警)，並進入步驟S53。
在步驟S53中，根據第一模型樣本資料產生客戶使用體驗分析模型，並進入步驟S54。
在步驟S54中，根據第二模型樣本資料產生設備良率分析模型，並進入步驟S55。
在步驟S55中，比對客戶使用體驗分析模型及設備良率分析模型之不良者是否有交集？若是，則進入步驟S551；若否，則進入步驟S56。
在步驟S551中，建檔處理，並進入步驟S56。
在步驟S56中，計算下一個區域之用戶？若是，則回到步驟S52；若否，則進入步驟S57。
在步驟S57中，結束。
綜上所述，本發明之一實施例中，客戶使用體驗與設備良率機率分析系統及其方法可利用統計方法找出可信之模型，使網路管理者可以低建置成本方式處理大規模之網路元件異常偵測，因此可有效降低成本。
本發明之一實施例中，客戶使用體驗與設備良率機率分析系統及其方法可主動找出有品質障礙之顧客或問題設備，因此可有效地縮短維修時間，使效率大幅改善。
又，本發明之一實施例中，客戶使用體驗與設備良率機率分析系統及其方法可有效地發掘重要告警資訊，如利用機率模型過濾出與品質較相關之告警事件，以加速障礙查修人員之工作進度，故可進一步改善效率。
此外，本發明之一實施例中，客戶使用體驗與設備良率機率分析系統及其方法可利用機率模型之預估數值量化品質問題之嚴重程度，故可有量地量化客戶端的品質狀態，故準確性更高。
再者，本發明之一實施例中，客戶使用體驗與設備良率機率分析系統及其方法可有效地提升準確性，故可大幅地提升客戶端的使用體驗，使客戶端的滿意度提升。
綜上可見，本發明在突破先前之技術下，確實已達到所欲增進之功效，且也非熟悉該項技藝者所易於思及，其所具之進步性、實用性，顯已符合專利之申請要件，爰依法提出專利申請，懇請 貴局核准本件發明專利申請案，以勵創作，至感德便。
以上所述僅為舉例性，而非為限制性者。其它任何未脫離本發明之精神與範疇，而對其進行之等效修改或變更，均應該包含於後附之申請專利範圍中。
1‧‧‧客戶使用體驗與設備良率機率分析系統
11‧‧‧客戶使用體驗分析模組
111‧‧‧網管參數資料
112‧‧‧申訴紀錄資料
113‧‧‧第一模型迴歸分析法
114‧‧‧迴歸分析係數
115‧‧‧客戶使用體驗分析模型
12‧‧‧設備良率分析模組
121‧‧‧網管參數資料
1211‧‧‧設備之不良率
122‧‧‧設備告警事件與次數資料
123‧‧‧第二模型迴歸分析法
124‧‧‧迴歸分析係數
125‧‧‧設備良率分析模型
13‧‧‧比較及建檔模組
131‧‧‧品質不良清單
Claims (6)
- 一種客戶使用體驗與設備良率機率分析系統，係包含：一客戶使用體驗分析模組，係蒐集一第一模型樣本資料，該第一模型樣本資料係包含一區域之複數個用戶終端設備之一網管參數資料及一申訴紀錄資料，並根據該第一模型樣本資料產生複數個第一模型特徵向量，再利用一第一模型迴歸分析法分析該些第一模型特徵向量以產生一客戶使用體驗分析模型，其中該些第一模型特徵向量係包含當日收看時段數、當日有發生損失事件之時段數、各時段平均損失事件數、有損失事件時段之比例及前三天中有幾天發生損失事件數中的一個或多個；一設備良率分析模組，係蒐集一第二模型樣本資料，該第二模型樣本資料係包含該網管參數資料及一設備告警事件與次數資料，並根據該第二模型樣本資料產生複數個第二模型特徵向量，再利用一第二模型迴歸分析法分析該些第二模型特徵向量以產生一設備良率分析模型，其中該些第二模型特徵向量係包含設備封包延遲超過臨界值次數、連線速率小於設定速率80%之次數、數位用戶迴路骨幹埠失效次數、數位用戶迴路用戶埠訊雜比餘裕小於臨界值次數以及網路瞬斷次數中的一個或多個；以及一比較及建檔模組，係根據該客戶使用體驗分析模型及該設備良率分析模型之一交集產生一品質不良清單，其中係包含劣化設備及品質劣化用戶之紀錄。
- 如申請專利範圍第1項所述之客戶使用體驗與設備良率機率分析系統，其中該第一模型迴歸分析法係為羅吉斯分析法。
- 如申請專利範圍第1項所述之客戶使用體驗與設備良率機率分析系統，其中該第二模型迴歸分析法係為加權型羅吉斯分析法。
- 一種客戶使用體驗與設備良率機率分析方法，係包含下列步驟：蒐集一第一模型樣本資料，該第一模型樣本資料係包含一區域之複數個用戶終端設備之一網管參數資料及一申訴紀錄資料；根據該第一模型樣本資料產生複數個第一模型特徵向量；利用一第一模型迴歸分析法分析該些第一模型特徵向量以產生一客戶使用體驗分析模型；蒐集一第二模型樣本資料，該第二模型樣本資料係包含該網管參數資料及一設備告警事件與次數資料；根據該第二模型樣本資料產生複數個第二模型特徵向量；利用一第二模型迴歸分析法分析該些第二模型特徵向量以產生一設備良率分析模型；根據該客戶使用體驗分析模型及該設備良率分析模型之一交集產生一品質不良清單；其中該些第一模型特徵向量係包含當日收看時段數、當日有發生損失事件之時段數、各時段平均損失事件數、有損失事件時段之比例及前三天中有幾天發生損失事件數中的一個或多個；以及其中該些第二模型特徵向量係包含設備封包延遲超過臨界值次數、連線速率小於設定速率80%之次數、數位用戶迴路骨幹埠失效次數、數位用戶迴路用戶埠訊雜比餘裕小於臨界值次數以及網路瞬斷次數中的一個或多個。
- 如申請專利範圍第4項所述之客戶使用體驗與設備良率機率分析方法，其中該第一模型迴歸分析法係為羅吉斯分析法。
- 如申請專利範圍第4項所述之客戶使用體驗與設備良率機率分析方法，其中該第二模型迴歸分析法係為加權型羅吉斯分析法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW105104400A TWI573027B (zh) | 2016-02-16 | 2016-02-16 | Customer Experience and Equipment Profitability Analysis System and Its Method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW105104400A TWI573027B (zh) | 2016-02-16 | 2016-02-16 | Customer Experience and Equipment Profitability Analysis System and Its Method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI573027B true TWI573027B (zh) | 2017-03-01 |
| TW201730781A TW201730781A (zh) | 2017-09-01 |
Family
ID=58766246
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW105104400A TWI573027B (zh) | 2016-02-16 | 2016-02-16 | Customer Experience and Equipment Profitability Analysis System and Its Method |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI573027B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW505964B (en) * | 2000-08-03 | 2002-10-11 | Heuristic Physics Lab Inc | Method of providing yield management services employing the internet |
| US20060241802A1 (en) * | 2005-04-26 | 2006-10-26 | Powerchip Semiconductor Corp. | Real-time management systems and methods for manufacturing management and yield rate analysis integration |
| TW201537360A (zh) * | 2014-03-26 | 2015-10-01 | Univ Nat Cheng Kung | 量測抽樣方法與其電腦程式產品 |
-
2016
- 2016-02-16 TW TW105104400A patent/TWI573027B/zh not_active IP Right Cessation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW505964B (en) * | 2000-08-03 | 2002-10-11 | Heuristic Physics Lab Inc | Method of providing yield management services employing the internet |
| US20060241802A1 (en) * | 2005-04-26 | 2006-10-26 | Powerchip Semiconductor Corp. | Real-time management systems and methods for manufacturing management and yield rate analysis integration |
| TW201537360A (zh) * | 2014-03-26 | 2015-10-01 | Univ Nat Cheng Kung | 量測抽樣方法與其電腦程式產品 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201730781A (zh) | 2017-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10970186B2 (en) | Correlation-based analytic for time-series data | |
| WO2021072890A1 (zh) | 基于模型的流量异常监测方法、装置、设备及存储介质 | |
| US7693982B2 (en) | Automated diagnosis and forecasting of service level objective states | |
| US6973415B1 (en) | System and method for monitoring and modeling system performance | |
| JP5459608B2 (ja) | 通信網の障害原因分析システムと障害原因分析方法、及び障害原因分析用プログラム | |
| US7082381B1 (en) | Method for performance monitoring and modeling | |
| US8635498B2 (en) | Performance analysis of applications | |
| CN109327320B (zh) | 一种故障定界方法及设备 | |
| WO2017008451A1 (zh) | 一种面向云计算在线业务的异常负载检测方法 | |
| JP5612696B2 (ja) | 通信ネットワーク内のサービス品質結果の特定及びアクセスのためのネットワーク管理システム及び方法 | |
| CN111262750B (zh) | 一种用于评估基线模型的方法及系统 | |
| CN110428018A (zh) | 一种全链路监控系统中的异常预测方法及装置 | |
| EP2415209B1 (en) | Network analysis system | |
| US20150066431A1 (en) | Use of partial component failure data for integrated failure mode separation and failure prediction | |
| CN104639368A (zh) | 通信网络设备的故障处理方法及装置 | |
| CN115454778A (zh) | 大规模云网络环境下的时序指标异常智能监控系统 | |
| JP2015095060A (ja) | ログ分析装置及び方法 | |
| US20210359899A1 (en) | Managing Event Data in a Network | |
| US8661113B2 (en) | Cross-cutting detection of event patterns | |
| CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
| WO2024066331A1 (zh) | 网络异常检测方法、装置、电子设备及存储介质 | |
| TWI573027B (zh) | Customer Experience and Equipment Profitability Analysis System and Its Method | |
| CN116705271A (zh) | 一种大数据的医疗冲洗设备运行监测系统 | |
| EP4199449A1 (en) | Automatic classification of correlated anomalies from a network through interpretable clustering | |
| CN110990236A (zh) | 一种基于隐马尔科夫随机场的SaaS软件性能问题识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |