基于常駐小區的投訴熱點聚類方法研究及應用

1 背景

伴隨著LTE網絡技術的不斷發展，傳統的語音業務迅速向移動互聯網業務遷移，運營商所面臨的網絡特征、業務特征、終端特征都發生了明顯的變化，傳統的網管指標無法準確反映用戶感知，網絡指標好不代表用戶感知就好。因此現網投訴用戶的網絡問題分析定位存在以下瓶頸。

（1）投訴定位耗時耗力存在大量重復性查詢工作

傳統的投訴處理方式是接收用戶投訴工單之后，優化人員電話聯系客戶，與客戶溝通投訴位置，然后對投訴位置的周邊站點進行指標分析和告警查詢，如無明顯問題，則需前往現場進行測試及分析，提出優化調整方案。全程投訴處理時效性極低，重復性查詢工作較大，在投訴高峰期，傳統受理方式無法及時解決用戶的投訴需求，影響客戶感知和滿意度。

（2）投訴分析對優化人員技能依賴性較大投訴處理質量無法保證

投訴處理人員對測試問題分析需要綜合多方數據進行問題分析和方案確認，在問題定位和制定優化方案時往往需要依據現場優化人員的經驗，如缺乏責任心、工作經驗不足時則易造成問題定位不準確，處理不及時影響用戶感知。

2 方法研究

2.1 主要做法

通過常駐小區篩選方法，對用戶投訴進行初步定位，避免重復性的查詢和定位工作，提升了投訴工單派發的精確性、處理的高效性，主要流程如圖1所示。

圖1 常駐小區投訴熱點聚類分析流程

2.2 創新點

2.2.1 投訴用戶常駐小區算法

精確定位投訴常駐小區，通過自行構建用戶駐留小區數據依據（一種利用省公司平臺數據，一種利用軟采Uu口數據），投訴用戶回溯時段選取，常駐小區定義規則和篩選算法，問題小區匯聚算法等一系列完整的創新方法準確定位問題小區。具體如圖2所示。

圖2 投訴用戶常駐小區算法過程

（1）收集投訴用戶：收集投訴用戶信息，整理需要分析的投訴用戶清單；

（2）用戶硬采數據收集：收集投訴用戶連續3天的硬采數據，整理忙、閑時數據信息；

（3）常駐小區篩選：通過常駐小區篩選算法，合理篩出投訴用戶的常駐小區；

（4）問題小區匯聚：對投訴用戶的常駐小區，進行聚類算法統計，找出熱點問題小區；

（5）疑似熱點分析：聚焦問題站點，通過聚類統計，篩選出投訴熱點站點和投訴熱點區域；

（6）問題原因定位：通過查詢本站及周邊站點故障信息和相關指標對問題可能產生的原因進行。

2.2.2 常駐小區篩選算法步驟

常駐小區定義：移動用戶（存量投訴用戶+新增投訴用戶）在工作時段與非工作時段分別長期駐留的小區，稱為該用戶的工作時段常駐小區與非工作時段常駐小區。

數據選取時段：工作時段：9:00-12:00，14:00-17:00；非工作時段：20:00-24:00。

常駐小區篩選算法：連續3天，每天上午工作時段至少占用小區2個時間點，下午工作時段至少占用小區2個時間點，工作時段總共占用小區時間點≥4，則判斷為工作時段的常駐小區；連續3天，每天非工作時段至少占用時間點，判斷為非工作時段的常駐小區。

2.2.3 常駐小區匯聚算法

將全網投訴用戶與常駐小區進行匯聚，統計所有常駐小區下投訴用戶的數量，小區下投訴用戶越多則該小區對用戶感知影響越大，分析處理優先級越高。

（1）將常駐小區下投訴用戶數≥5的定義為嚴重問題小區；

（2）5≥投訴用戶數≥2的定義為普通問題小區。

2.2.4 投訴熱點綜合分析模型

現網投訴問題的主要通過現場數據測試采集及網管KPI指標分析，同時，4G網管指標能夠反映網絡整體接通和掉線問題，但缺乏用戶維度的感知指標評價，無法真實反映用戶實際感受?，F有分析方法和手段對于發現無線網絡問題的根源體現尚有不足，無法全面有效挖掘網絡真實情況。

體現突破傳統網管指標統計瓶頸，利用網管無線性能、軟采數據、硬采控制面、硬采用戶面4個維度的指標統計，結合宏觀小區級與微觀用戶級，多維觸發小區體檢流程，通過標準流程的全面分析，形成核心問題定位、SP問題定位、無線問題定位，綜合呈現、透視用戶感知網絡問題。

通過整合網管，軟硬采等多維度數據，建立完善的小區模型，通過小區信息關聯，專業知識庫/經驗庫，實現對問題小區的精確分析及定位，準確輸出異常問題小區清單，攜帶分析報表進行工單派發及問題處理，形成問題閉環，形成對各專業的工單派發及呈現的系統，全面支撐各專業優化工作的開展。

3 效果展示

3.1 投訴號碼分析情況

基于平臺常駐小區聚類投訴熱點，7月22日～ 9月29日導入投訴用戶107 329宗，有效數據95 340宗，分析比例為88.83%。通過平臺數據關聯分析，每天平均分析投訴用戶約1 326宗。具體如圖3所示。

圖3 投訴號碼分析情況

3.2 熱點投訴分析情況

將投訴用戶與常駐小區列表進行透視統計，LTE網取半徑=200米，GSM網取半徑=300米的常駐小區匯聚得到熱點投訴。7月22日-9月29日分析≥5宗熱點投訴3 136個，≥10宗熱點投訴770個，每天平均分析熱點投訴約45個。具體如圖4所示。

圖4 熱點投入分析情況

3.3 處理熱點投訴情況

7月22日～ 9月29日共處理熱點投訴2 722宗，處理投訴用戶26 146宗，處理投訴比例為27.42%。通過平臺數據關聯分析，實現每天平均分析熱點投訴39個，投訴用戶數量374個。具體如圖5所示。

圖5 處理熱點投訴情況

3.4 投訴派單處理結果

7月22日～ 9月29日，通過平臺數據關聯分析投訴派單共有1 113個，平均每天派單為16個熱點；其中排名前3位題類型是：基站退服441個、無線覆蓋209個、上行干擾124個，占比達到69.54%。具體如圖6所示。

圖6 投訴熱點派單問題分類

4 熱點投訴案例

4.1 基于人工檢索投訴地址的方法聚焦投訴熱點

分析6月25日投訴清單，以用戶投訴地址進行檢索，發現天河區鳳凰街道高塘石為投訴熱點區域，統計有22宗，最近范圍內分布站點有電力學校(電力學校D)、大觀路廣汕路口搬遷D。具體投訴內容及位置如表1和圖7所示。

核查基站故障/退服數據，電力學校、電力學校D于6月24日 16:47:19開始出現站點退服（4G站點：廣州天河區電力學校F-ZLH、廣州天河區電力學校D-ZLH于6月24日 23:53:33出現網元斷鏈告警）。2/4G站點退服原因均由于欠費停電所致。6月27日維護反饋：經與業主協商后于6月26日 15:47:00恢復供電，抽樣回訪用戶均表示信號已恢復正常。

表1 2G故障/退服基站清單

圖7 投訴熱點區域及基站分布

4.2 基于關聯常駐小區的方法聚類熱點投訴

整理6月25日全天投訴用戶清單，通過信令采集撈取投訴用戶連續5天占用的小區，按常駐小區計算規則，輸出投訴用戶的常駐小區。排名前三的投訴熱點，具體內容及位置如表2和圖8所示。

聚集投訴熱點：將投訴用戶數關聯至常駐小區站點，應用聚類算法，將R=300米內的投訴聚集。

投訴熱點站點：關聯聚集到廣州天河區電力學校F-ZLH、廣州天河區高普路北D-ZLH、廣州天河區廣汕公坑燈桿D-ZLH三個投訴熱站點，投訴用戶分別是19個、15個、10個。

聚類投訴號碼：經核實，3個熱點站點均相連，剔除重復投訴后剩23個號碼，把投訴聚焦為一個投訴熱點片區。3個熱點站點重疊覆蓋或相連區域就是投訴集中地區。

表2 4G故障/退服基站清單

圖8 投訴熱點區域及基站分布

4.3 投訴用戶對比情況

高唐石熱點區域全部用戶投訴一共有32個，兩種方法均統計包含有15個，人工無法檢索有8個，信令采集缺數有7個，從總體數據來看，熱點投訴區域捕抓兩者均重合。具體內容如表3所示。

表3 投訴熱點區域清單

4.4 案例分析總結

（1）優點

① 目前有部分投訴工單因無具體地址信息，導致人工無法檢索聚類形成熱點投訴或因缺失部分投訴號碼，基于常駐小區的投訴熱點聚類方法，有效補充了手動聚類方法的不足，豐富了發現投訴熱點的手段。

② 通過硬采信令數據對投訴用戶進行常駐小區分析，關聯映射至2G投訴小區（或站點），聚類投訴熱點的方法不依賴于用戶的地址信息，直接關聯至站點，定位精度高，便于投訴人員進行現場處理。

③ 經過近兩周的統計常駐小區的方法相互對比數據來看，與人工檢索投訴地址定位投訴熱點吻合度達到100%。

（2）缺點

計算常駐小區時，需撈取投訴用戶連續5天占用的小區清單，目前該數據的撈取耗時較長，因此對前一天的投訴熱點的發現和工單派發可能會相對滯后。

5 結束語

基于常駐小區的投訴熱點聚類算法可通過軟硬采數據或省公司平臺數據對用戶投訴進行智能化分析定位，避免了重復性的查詢和定位工作，提升了投訴工作的處理效率。

智能化的投訴熱點綜合分析模型綜可以通過對網絡多維數據進行交叉分析，擺脫了對優化人員素質的硬性要求，能夠有效的保證問題定位的準確度，保證問題處理質量。