基于客戶訴求的業務波動監測模型大數據應用

陳雪嵩 王思杰 劉 靜

（國家電網有限公司客戶服務中心南方分中心，江蘇 南京 210000）

0 前言

電話客戶服務企業在向用戶提供通信服務的過程中經常會面對服務需求不均衡、業務波動差異大的問題，給現場人員排班、業務宣傳及客戶感知等方面帶來具大的壓力。

業務波動監測是根據業務類型實時對電話客戶訴求進行識別和數據統計，設置對應波動區間值，預警監測業務量的異常升高或降低并分析其產生的原因，從而對現場資源進行調整和優化。目前業務波動監測在很多呼叫行業還處于事后追蹤分析的階段，部分波動幅度較小卻持續時間長的業務的人工監測敏感性較差，追蹤分析較為滯后；部分波動較大的業務需要多方位查詢才能獲得峰涌原因，反應靈敏度較差，干預手段更為滯后。依賴大數據平臺形成的自動化預警工具可以在該領域發揮巨大的作用，該工具旨在當業務出現峰涌時，將當前實時數據與基準值進行對比，及時觸發預警，提醒對應人員關注該情況，調整業務流程和話術，安撫客戶情緒；同時定位峰涌涉及的事件類型、問題區域等信息，并結合圖表工具直觀地對模型結果進行展示，大大提升了現場效能；在長期監測方面，可作為策略調整、資源配置及規劃布局的參考，運用科技手段協助現場分析和運用。

1 業務波動監測模型建立

參照近3a歷史業務數據，根據算法得到各監測指標的基準值；通過大數據平臺獲取實時業務數據，采用Hive、SQL等大數據組件計算實時監測值并與基準值進行比對，根據差異發出對應預警等級的警告。

可根據區域性的特點，從省、市和區縣3個維度按小時分別對各個場景下的業務總量進行匯總，計算每小時的基準值、當天時間累計占比均值，通過時間序列模型對第二天業務量的基準值進行測算；以停電問題數據為例建立數據模型，其過程如下。

第一步：導入數據。對數據進行可視化處理并對其平穩性進行檢驗。主要是針對前期的數據來分解話務量的影響趨勢、季節以及隨機效應，數據規律性的分析結果如圖1所示。

圖1 業務數據規律分析圖

業務量數據具有季節性規律，其異常值較少，提取趨勢和季節效應后的殘差基本穩定。再通過繪制移動平均值和標準差、ADF檢驗2種方法進行檢驗，其結果為“序列是平穩的”，檢驗驗證可以采用該模型。

第二步：序列平穩化。消除趨勢和季節性后再進行白噪聲檢驗。分析結果如下：當1階12步差分后的序列延遲1~12期時，樣本統計量的P值(判定假設檢結果的一個參數)均小于0.01（表明可使用時間序列模型進行預測）。

第三步：SARIMA模型。黃文杰等人查閱上海1952—1975年逐月溫度資料，分別用288個樣本和324個樣本對月氣溫進行長期預報，得到的SARIMA模型的參數相同，說明求得的模型具有穩定性，季節性的數據變化可采用SARIMA模型的方法進行搭建，SARIMA較為精準[1]。利用Python繪制業務量的時間序列圖，繪制差分后序列的自相關和偏自相關圖，通過觀察自相關和偏自相關圖找出模型的最優參數，建立SARIMA模型，并對模型進行診斷。

對原序列建立SARIMAX（1，1，1）x（0，1，1，12）模型，P>|z|列（顯著性水平）是對每個變量系數的檢驗。每個變量的P值均小于0.01，因此在0.01的顯著性水平下，模型中每個變量的系數均通過顯著性檢驗，可以認為擬合的模型中所包括的這些變量是合理的。

由表1的模型診斷結果可知，殘差的時序圖基本穩定，殘差隨著時間的波動并沒有出現很大的波動。

表1 對殘差的z檢驗

第四步：模型預測。從靜態預測和動態預測2個方面分別對擬合的模型進行預測驗證，得出具體預測值。

每小時業務量的基準值：根據每小時占比（按各個業務場景，對前兩周的業務總量占比平均值進行計算）計算每小時業務量的基準值，超過基準值的10%即為觸發。

業務子類基準值：以前兩周的業務子類數據為樣本，計算出特定子類的每日占比，進而測算占比的平均值，根據平均占比和日業務量預測值產生業務子類的基準值。

通過數據中臺實時計算監測值，并與基準值進行比對，根據差異發出對應預警等級的警告，并標記記錄，做好數據的展示和定位。用模型對6月上旬數據的標準值進行預測，具體數據如下。

#模型預測

2 業務波動監測大數據應用技術架構

該項目在實現技術的過程中遵循了公司統一的技術規范，具體技術架構共分為數據資源層、數據訪問層、數據集成層、技術支撐層、應用服務層、界面集成層以及展現層。基于公司數據中心和大數據平臺進行部署，應用部署在公司內網，采用一級集中部署方式。程序打包部署在2個應用服務器節，Nginx服務器提供反向代理功能和負載均衡，主要從前端框架、后端框架、系統架構、負載均衡、服務器、數據庫及操作系統等方面對技術路線進行設計。

業務波動監測工具項目按照數據流程分為數據中臺、設備終端和Hive計算，數據流向由數據中臺的業務波動采集和標準代碼通過Hive計算后，統計出對應的數據結果，并流向設備終端的Oracle數據庫，最終存入Oracle數據庫的結果表中。

參照近3a的歷史業務數據，根據算法得到各監測指標的基準值；通過大數據平臺獲取實時業務數據，采用Hive、SQL等大數據組件計算實時監測值并與基準值進行比對，根據差異發出對應預警等級的警告。從數據中臺申請接入內部業務支持系統S_95598_WKST、ARC_S_95598_WKST、SP_STANDARD_CODE以及O_ORG等表；獲取數據后，首先應對數據質量進行檢驗，包括數據的準確性、完整性、一致性與規范性等情況；獲取系統中當前以及去年同期1a的日數據樣本，根據場景類型的不同，對數據進行不同的處理，在不同業務場景中還需要區分對應場景的服務升級數據。其次，業務波動檢測主要是基于歷史工單、實時工單等數據，從省、市和區縣等多個維度出發，構建全業務波動模型，結合客戶行為特征、業務子類特點將所有業務三級子類劃分為3個主題場景，并對每個場景進行實時監控。最后，通過后臺監控對前五名的省、市和區縣單位進行排名，展示排名較前的單位名稱以及其對應的環比增長率。模型中關于取數期的訓練集可以用于數據建模，觀察期的數據集用于對模型進行觀察和調整，還可以通過觀察期數據對模型結果進行驗證，不斷完善數據，提升模型自學習的準確率。

3 業務波動監測大數據工具應用特點

業務波動監測大數據工具主要是在出現業務波動的情況時，用柱狀圖展現以省為維度統計的當前時間節點的業務量，以紅色色塊突顯波動異常時段，及時觸發預警，提醒對應人員關注異常情況并定位峰涌涉及的事件類型、問題區域等信息，及時做好策略調整，其主要有以下4個特點。

3.1 實時協同性

該大數據工具的刷新頻次為1 h，及時對同一地區、同一業務話務突增以及業務異常等情況進行分析判斷和預警，可根據不同的預警場景，落實各方工作職責與處置措施，提升各基層公司的應急能力，同時減輕客服中心話務壓力。

7月19日陜西連續10 d處于高溫天氣，預警工具顯示自晚19：00開始，該省份話務一直超出預警值，經查詢其集中在西安地區的停電業務。現場人員第一時間定位到大話務原因和區域，現場人員立即采用大話務情況下報修類的應急規范；同時，聯系西安地市工作人員，核實故障原因和修復情況，編制應急的話術，及時安撫來電客戶，因為當天反映及時，所以在話務量提升68.20%的情況下，接通率指標未下滑，及時解決了客戶的訴求。

3.2 數據可視化

通過界面展示，人眼通過視覺和圖像比通過文本和數字更容易吸收和掌握信息，加強信息傳遞效率并快速反應；對分析的業務數據和線索關聯進行可視化展現，非常直觀且易于理解，可以幫助分析人員從不同的角度對信息進行關聯、擴展和分析[2]。

出現預警情況時，該省份的柱狀圖明顯高于同比柱狀圖，且通過紅色填充直觀地讓工作人員立即定位業務集中的類型、區域和原因，縮短了數據量的處理時間，降低了專業化難度。例如2021年7月10日停電業務的場景波動正常，電費回收場景的柱狀圖突現異常，工作人員可立即與地市人員核實原因，及時發現繳費復電系統異常，并聯系技術人員及時對問題進行修復。

3.3 科學預測性

客服中心的業務受天氣、星期、賬期及新業務上線等多因素的影響較大，該工具除考慮傳統同比或環比的波動情況外，還通過時間序列模型中的季節性自回歸移動平均模型精準地測算出當日（每小時）的標準值。與標準值進行對比，可以對實際值存在差異波動的業務、區域進行預警；隨著大量數據的積累與模型算法的進一步完善，標準值將更具備科學性，目前測算標準值準確率可高達90%，后面將優化模型，進一步提升其準確率。

3.4 投訴預警性

業務量的波動與后期投訴工單的產生存在一定關聯，因此通過提前關注異常波動的業務類型、涉及范圍和業務波動量，提前對異常類業務進行干預，以免后期收到客戶投訴，在日常工作發現同一地區的同一業務咨詢的事件達到閥值時，主動進行預警，如果未進行提前性干預，產生后期投訴率就會高于12%。例如2021年7月16日客戶來電反映某小區停電問題，工具監測到同小區已有4張工單，獲取該信息后，首先及時與該小區處理人員進行溝通，加快處理進度并實時反饋處理情況，做好客戶問題的相關答復；其次，第一時間告知現場客服人員，后期再有客戶反映相同小區的停電問題時，告知已有人員反映且在處理中，獲得其他客戶的理解，減少下派投訴工單2張。

4 業務波動監測大數據工具體運用領域

大數據是指無法在一定時間內用常規軟件工具對其內容進行抓取、管理和處理的數據集合。大數據技術是指從各種各樣類型的數據中，快速獲得有價值信息的能力。適用于大數據的技術包括大規模并行處理（MPP）數據庫、數據挖掘電網、分布式文件系統、分布式數據庫、云計算平臺、互聯網和可擴展的存儲系統。

4.1 追蹤業務異常波動防控服務風險

各話務波動行業均可使用該工具，通過對業務波動預警模型數據實時監測做好與各級單位業務的聯動，包括業務波動提醒、業務波動原因聯合調查、話務與工單峰涌時共同應對和各級單位信息及時維護等，實時溝通應急話術和聯動應急操作，以達到減少投訴工單的訴求的目的。

4.2 定期對地市公司開展業務波動問題總結

業務波動監測大數據工具，能在實時關注業務波動的同時，及時與各級公司人員進行溝通，對當前數據采集的問題進行留痕處理，幫助各層級單位對問題進行分析、總結，并及時定位原因，降低人工分析成本；同時參考業務波動情況，后期可通過大數據工具編制“定制化”數據分析專題報告，形成自動化分析報告，客觀地體現各級單位的工作能力。

4.3 常用數據看板直觀展示優化區域資源配置

運用大數據工具，直觀、便捷地展示各級公司所需要的數據，減少各級單位間的數據分析成本，優化人員配置，從而提升能效；可通過大屏展示實時數據，預警數據用紅色突顯，從而直觀地展現數據，方便負責人員了解實時情況。對波動性較大的業務要及時開展業務答復話術跟蹤研究，優化知識庫系統信息錄入，便于客服理解；定位波動性較大、預警次數高的區域，根據業務類型和客戶訴求，進一步合理配置資源，從根本上解決客戶需求。

5 結論

創造大數據價值的關鍵在于大數據的應用，隨著大數據技術的飛速發展，大數據應用已經融入各行各業。業務波動監測模型是大數據產品在電力客服中心運用中的探索，充分發揮了大數據應用的直觀性和實用性，推動現場人員能效提升，指導現場運營排班和人員調度，提升現場調控人員的調控能力高，用科技化的手段助力于客服中心此類傳統型的行業發展。在全球經濟數字化浪潮的帶動下，我國大數據與實體經濟的融合應用也將不斷拓展。