移動用戶感知預判與數字化運營探討

蔡子龍，王曉剛，史文祥，陳任翔（.中訊郵電咨詢設計院有限公司，北京 00048；.中國聯通山西分公司，山西 太原 030006）

1 概述

隨著通信業務尤其是移動通信業務的迅猛發展，使用手機等移動通信方式進行社交、娛樂、辦公、出行等已經成為人們司空見慣的事情，隨之而來的網絡品質和用戶感知之間的相輔相成、DNA 式的雙螺旋上升的態勢逐步形成。在語音業務為主流的時候，網絡形態較為簡單，使用KPI 就可以衡量網絡的質量。隨著智能終端和4G/5G 大帶寬、低時延的上網、視頻、手機游戲等應用的普及，用戶體驗和感知成為關注點，KPI已經無法準確評估網絡質量和用戶的感知需求，使用KQI能更好地評估網絡質量。

用戶感知的前提是主動感知用戶，從被動服務到主動服務，找到并解決問題。而如何建立用戶體驗與網絡能力之間的映射和橋梁一直是一個難題。而以KPI、KQI 等基礎指標為根基，采用大數據技術構建移網用戶體驗指標模型，將分析結果匯聚到小區或基站并據此識別網絡問題，自動定位問題類型和觸發原因，閉環解決問題，持續提升用戶感知。本文針對該問題，探索出一條帶動網絡質量和用戶感知同步雙向提升的方法和途徑，并在具體的業務實踐中取得較好的效果。

2 基于大數據的移動用戶感知預判思路

移動網中每個用戶的每次電話、每次點擊都會產生大量的控制面信令和用戶面消息。從業務類型來看，可以分為語音、上網、視頻、游戲、即時消息等類別，對于每種業務，都有其不同業務實現方式，也由此產生不同的KQI 分析模型，將這些業務的不同KQI 進行歸一化計算出用戶體驗指標CEI。

CEI 相較于傳統的NPS 或客戶滿意度調查結果有更堅實的大數據分析基礎，是基于用戶產生的網絡行為單據計算得出的客觀指標，避免受人為因素的影響。

通過以CEI為基礎構建移動網用戶感知管理平臺（CEM），對CEI 質差小區的無線網絡問題進行詳細的分類和規則判定，找到問題發生的根因和處理方向，用工單閉環管控的方式跟蹤問題閉環過程。

平臺構建時，依托IT+CT+DT+OT 融合的手段，采用智能化分析、可視化跟蹤的方式實現大數據CEI 評估、質差小區關聯定界、質差小區規則化分析定位、工單化閉環處理支撐的全過程。

3 移動用戶感知預判及數字化運營實現

3.1 用戶感知預判方法和模型

3.1.1 CEI體驗指標評估模型

CEI 是針對用戶感知到的網絡質量部分，建立的用戶客觀體驗評價模型，即通過選擇用戶使用的多種典型業務（Voice，Web和streaming 等）和其對應的底層指標數據，向上匯聚成單一化指標，來整體的量化用戶接受的客觀網絡質量情況（見圖1）。

圖1 CEI指標計算模型

3.1.2 CEI體驗指標校正

根據業務需求，選擇網絡主流的移動網業務作為用戶體驗模型的業務觸點，選擇對業務體驗影響較大的指標。收集真實的KQI/KPI，對KQI 進行因子分析及主客觀的相關性分析，然后獲取每個KQI 的權重以及原始QoE 得分與分箱規則，然后將KQI 的權重以及原始QoE 得分與分箱規則應用于所有用戶的建模中，計算出全網CEI指標（見圖2）。

圖2 CEI指標計算和校正方案

3.1.3 CEI評估結果準確性分析

3.1.3.1 CEI得分與用戶滿意度調研數據關聯

設定60分以下為不滿意用戶基線，80分以上為滿意用戶基線，本基線分析通過關聯用戶調研數據驗證CEI 模型基線的合理性，可以看到用戶CEI 和用戶調研數據基本匹配（見圖3）。

圖3 用戶CEI和用戶調研數據對比

3.1.3.2 CEI得分與投訴數據關聯

通過關聯用戶投訴數據驗證CEI模型基線的合理性。當數據場景CEI 取70 為用戶投訴門限，語音場景CEI 取80 為用戶投訴門限時，匹配度分別為78.40%（數據場景）和68.44%（語音場景）。可以看到用戶CEI和投訴數據基本匹配（見圖4）。

圖4 用戶CEI和投訴數據對比

3.1.3.3 CEI得分與用戶實際體驗關聯

從現網用戶中隨機選取部分用戶進行電話回訪，調研實際體驗情況，并與CEI 得分進行比對，可以看出，CEI得分與實際回訪結果基本匹配。

3.2 用戶感知問題定位方法與模型

3.2.1 數據源方案

定位需要的數據源獲取主要包括系統自動對接、手工采集加工等方式。具體情況如表1所示。

表1 定位需要的數據源

3.2.2 定位規則

CEI 質差問題定位規則引擎包括：覆蓋、質差、干擾、容量等四大方面，詳細的判定規則、門限、覆蓋場景、問題類型、處理建議等定位規則如圖5所示。

圖5 CEI質差問題定位規則

3.3 用戶感知數字化運營實現

3.3.1 感知評估

CEI 的可視化界面主要是對CEI 評估結果洞察的多維度統計分析，主要包括感知洞察、CEI 得分、CS 得分、PS 得分、感知差小區數占比、感知差用戶數占比等內容（見圖6）。

圖6 CEI的可視化界面

3.3.2 定位分析編排

判定規則會內置編排到系統中，數據結果按照問題原因、處理建議進行輸出，輸出結果將直接在系統上呈現，主要包括：

a）質差小區按照處理難易程度（需要維護→需優化→需擴容→需建設）分類的各個環節的統計結果。

b）各個節點中質差小區的清單列表，包括基站名稱、問題原因分析結果、處理建議等。

3.3.3 工單管理

主要包括按照處理區域及時間范圍的可視化篩選、工單統計、感知差小區列表等內容。

a）區域篩選：地（市）級篩選。

b）工單統計：派單數、回單數、閉環數3組指標。

c）閉環分析：包括感知差小區的問題類型統計信息、已閉環工單的處理方式統計信息、呈現已閉環工單的效果（從已閉環小區的CEI得分變化、已閉環小區的不滿意用戶數變化2個維度呈現）。

d）小區清單：感知差小區閉環情況清單。

4 本地實踐及效果

在某市本地網，針對154 個已經處理的CEI 質差小區進行分析，試點開展針對性處理，共閉環119個小區，閉環率77.28%。

平臺輸出的解決措施與現場實際的處理措施進行分析，匹配度為88.24%。

4.1.1 運營流程

對CEM 平臺的應用采用“運營”的思路，進行流程化運作，如圖7所示。

圖7 CEM平臺的運營流程

4.1.2 能力評估

4.1.2.1 CEI得分準確性評估

基于CEI的用戶和小區的得分情況進行驗證。

a）用戶的驗證主要通過與投訴用戶進行對比。

b）小區的驗證主要通過與無線網管KPI 指標進行對比。

評估結果如表2所示。

表2 CEI得分準確性評估結果

通過CEI 模型的不斷調優，最終用戶級的匹配率達到70%以上；小區級的匹配率達到75%以上。

4.1.2.2 定位方案準確性評估

選取定位輸出的質差小區共420個：按維護類、擴容類、優化類輸出定位結果，與人工分析匹配度比對（見表3）。

表3 CEM分析原因與人工分析結果對比

結合多數據源的關聯分析，定位分析問題原因的準確性接近90%。

4.1.3 問題處理

按照每月一個批次的方式進行處理和落地。處理154 個CEI 質差小區，共閉環119 個小區，閉環率77.28%。平臺輸出的解決措施與現場實際的處理措施進行對比，匹配度為88.24%。

4.1.4 閉環評估

根據評估結果和定位方案，已經閉環的CEI 質差小區，CEI得分均有明顯的提升，質差用戶占比也有明顯的下降（見圖8）。

圖8 優化前后CEI得分和感知差用戶情況對比

5 總結與展望

通過大數據技術基礎平臺和能力底座，充分利用已有的成熟框架和采集的業務數據源，大膽探索，對移動網用戶的用網行為進行建模分析，得出歸一化的客觀CEI 用戶體驗評估指標，并匯聚得出CEI 質差小區，在此基礎上綜合分析告警、性能、覆蓋等多種數據源進行質差小區的問題定位分析，得出質差問題原因和處理方案，并采用工單派發的方式驅動地（市）小CEO 進行閉環處理，在落地實踐中總結出運營流程，并取得較好的效果。

該方案充分利用現有大數據平臺，兼顧多廠家的處理能力，方案的普適性強，同時各項數據源均是成熟的方案，可推廣性強。