移動通信客戶投訴的智能診斷方法研究

岳丹陽

【摘要】隨著移動通信運營商提供的業務和應用服務的增加，移動通信客戶的投訴數量也呈現爆炸式增長。如何快速有效地處理投訴，對于提高客戶滿意度和忠誠度至關重要。本文提出一種基于貝葉斯網絡的客戶投訴智能診斷方法，從大量歷史投訴處理數據中識別出造成客戶投訴的主要因素，建立智能診斷的貝葉斯網絡模型。對某移動通信公司的410條投訴數據進行診斷，并和實際工程師的診斷結果進行分析比較，驗證了該方法的有效性與合理性。

【關鍵詞】移動通信 客戶投訴 投訴處理 智能診斷

一、引言

隨著網絡通訊的普及和移動通信技術的快速發展，企業在為客戶提供各種業務和應用服務的同時將面臨著越來越多來自不同方面不同渠道的客戶投訴信息?？蛻舨粌H通過電話，而且能夠通過網絡、微博、微信等方式進行投訴，投訴數據每日呈現爆炸式增長，如何能及時有效地處理這些投訴，使客戶滿意，這對企業來說是個新的挑戰。

在如今的大數據時代，數據挖掘技術有了很大的進步，若是能夠利用這些技術，分析處理大量的歷史投訴數據，診斷出導致顧客投訴的主要原因，從而快速地處理投訴，將有助于運營商提高客戶響應時間，獲得更高的顧客滿意度。文獻[1]研究了移動互聯網背景下的多媒體智能客服系統，文獻[2]介紹了一種基于智能客服機器人的即時通信客服系統；文獻[3-4]提出將人工客服與智能客服相融合的方式，來提高移動電子商務消費者對商家客服的滿意度，降低商家人工客服的工作量和消費者在線咨詢的平均等待時間。本文將基于數據挖掘技術中的貝葉斯網絡方法，首先對大量的歷史投訴數據進行預處理，識別出影響顧客投訴的主要原因；然后基于歷史數據進行機器學習，建立顧客投訴的智能診斷模型。該模型能夠自動判斷出導致客戶投訴的原因，從而給客服部門和技術支持部門提供關于投訴處理的決策支持和意見參考。

二、移動通信客戶投訴處理的現狀

國外研究數據表明，會抱怨的客戶實際上比普通客戶更容易成為忠誠客戶，企業發展一個新客戶所花費的成本是留住一個老客戶所需成本的兩倍，而且長期客戶對企業更忠誠。只要企業能夠正確、合適地聽取并處理好這些客戶的訴求，這些投訴客戶通常會成為企業口碑的宣傳者和品牌的免費推廣者，不僅可以消除客戶的不滿，還能為企業帶來新的客戶，將客戶投訴轉化為企業的利潤和收益。

目前各大通信運營商對投訴問題的處理大多采用“一點受理、多點回復”的模式，如圖1所示?？蛻舴罩行牡目头藛T收到客戶投訴后，如果能夠簡單判斷出原因的，則直接給客戶提供解決方案；如果原因復雜并涉及到移動通訊技術方面的，則將其投訴工單發送給相關技術支撐部門，由技術工程師給予相關的處理，并將解答通過工單方式反饋給客服中心，由客服人員回復給顧客。由于投訴問題的處理涉及多個部門，部門之間的溝通及信息傳遞不及時會大大地延長了投訴處理和解決的時間，不僅降低了投訴處理的效率，而且影響了客戶對于投訴處理的滿意度。更為重要的是，技術部門的人反映，客服部門傳遞來的工單30%以上并不是移動通信質量問題造成的投訴，而在于客戶自身使用不當造成，例如手機終端配置不對或者使用感知不同等。如果客服人員能夠具備更全面的知識體系，可以及時診斷出因客戶自身原因造成的投訴，就會大大減少技術部門的工作量，從而提高投訴處理效率。

三、客戶投訴的智能診斷

本文基于貝葉斯網絡，建立一個面向移動通信客戶投訴的智能診斷模型，幫助客服人員實現對移動通信客戶投訴問題的診斷和分類，也為客服部門和技術支撐部門提供決策支持。客戶投訴智能診斷的流程如圖2所示。

其中的智能診斷過程主要包含數據預處理和貝葉斯網絡構建兩部分內容。當客服人員將投訴內容記錄為工單信息輸入該模型后，模型會結合歷史數據及相關的專家知識，構建貝葉斯網絡，進行機器學習，從而實現分類診斷。最終判斷出客戶投訴的故障原因是通信質量原因還是客戶自身的原因。如果是前者，則將該工單傳遞給相關的專業部門解決；如果是后者，則客服人員可以與客戶溝通，自行解決。

3.1數據預處理

投訴工單上的信息主要包含故障發生的時間、地點和客戶的描述三大部分，客戶投訴描述又可以細分為無線信號格的多少，能否上網，通話質量問題等方面。

當投訴工單傳遞給后臺的技術支撐部門后，技術工程師會根據故障發生的時間、地點和手機號碼來判斷故障發生區域是否是信息干擾區域（D）、是否人群密集區域（F）、該區域的基站設備狀態（BS）是否良好、是否擬建設區域（B）、該手機終端配置（MP）等方面的信息。

當這些信息從不同的數據庫中提取出來以后，工程師再根據自己的專業知識來判斷造成該投訴的原因（R）是：（1）移動通信質量問題；（2）客戶自身原因；然后再根據原因的不同給出不同的處理方案。通過對這些信息進行預處理，采用1和0分別表示“是”和“否”，處理后的樣本數據如表1所示。

由于影響顧客投訴的各因素之間的因果關系未知，本文先采用傳統K2算法對樣本數據進行結構學習，獲得初始的貝葉斯網絡，然后再融合專家知識對該網絡進行修改。在貝葉斯網絡結構確定后，采取最大似然估計法進行參數學習，完成客戶投訴原因的診斷。整個系統借助數據挖掘軟件SPSS modeler中的貝葉斯網絡建模技術實現。

本文選取某通信公司2015年8月至9月的500條投訴數據，經過數據預處理后，刪除部分無效投訴后得到410條數據，輸入該軟件中，得到客戶投訴智能診斷的貝葉斯網絡模型。采用該模型對410條歷史投訴工單進行智能診斷，結果發現判斷正確的有345條，錯誤的有65條，模型對故障原因歸類的準確率為84.15%。

3.3結果分析

為了評價該智能診斷模型的有效性，我們將模型輸出結果與實際工程師診斷結果進行比較，通過建立一個診斷評價矩陣，如表2所示，來驗證模型的靈敏度和特異性。靈敏度表示模型正確判斷是通信質量原因的準確度；特異性表示模型正確判斷是客戶自身原因的準確度。

TP（True positive）表示真實值為通信質量原因1且診斷為1，共有186條數據；TN（Time negative）實際是客戶自身原因2且診斷為2，共計159條；FP（False positive）表示實際為通信質量原因但被診斷為客戶自身原因，有39條數據；FN（False negative）表示實際為客戶自身原因但被診斷為通信質量原因，有26條數據。由此，可得到該智能預測模型的靈敏度和特異度。

0.83，特異性==0.86

可見，模型在判斷是客戶自身原因的方面準確率稍高。

四、結論

面對客戶投訴的不斷增加，移動通信運營商如何加快投訴處理的效率，提高客服回復的準確率，對于保留老客戶，提高客戶滿意度，具有至關重要的作用。目前對于涉及到無線信號、上網速度和通話質量等方面的投訴問題，是由客服人員傳遞給技術工程師手動處理，涉及到多個部門間的溝通，而且處理效率較低，時間較長。

本文提出一種基于貝葉斯網絡的智能診斷方法來處理投訴問題。從客戶投訴的歷史大數據中挖掘影響客戶投訴的主要因素，建立智能診斷的貝葉斯網絡模型，對投訴問題進行分類診斷。以某公司的投訴數據為例進行驗證，表明了該模型的診斷合理性和有效性。