基于多源數據匯集和決策樹的滿意度提升技術

劉敏　張曉川　楊旭

摘? 要：在IT服務過程中，普遍存在滿意度數據采集單一、滿意度分析不全面、滿意度預測機制簡單，以及缺少滿意度智能糾錯機制等問題，為此設計一種基于多源數據匯集和決策樹的滿意度提升技術，利用滿意度決策樹模型，對多IT系統和多渠道來源的滿意度數據進行了歸一化處理和融合。提出滿意度智能計算模型，為滿意度管理、預警、智能微調及自動糾錯提供計算基礎。引入剪枝優化的記憶化搜索算法，對滿意度數據進行智能糾錯。通過建立分層次、多角度、全方位的滿意度管理模式，有效提升IT系統服務滿意度，具有廣泛的應用前景。

關鍵詞：多源數據匯集；剪枝優化；智能糾錯；內部滿意度；決策樹

中圖分類號：TP39? ? 文獻標識碼：A? 文章編號：2096-4706（2023）13-0126-06

Satisfaction Improvement Technology Based on Multi-source Data Collection and Decision Tree

LIU Min， ZHANG Xiaochuan， YANG Xu

（China Mobile Communications Group Guangdong Co.， Ltd.， Guangzhou? 510623， China）

Abstract： In the process of IT services， there are many problems such as single satisfaction data collection， incomplete satisfaction analysis， simple satisfaction prediction mechanism， and lack of intelligent error correction mechanism for satisfaction. Therefore， a satisfaction improvement technology based on multi-source data collection and decision tree is designed. Using satisfaction decision tree model， the satisfaction data from multiple IT systems and multi-channel are normalized and integrated. Propose an intelligent calculation model for satisfaction， providing a computational basis for satisfaction management， early warning， intelligent fine-tuning， and automatic error correction. The memoization search algorithm for pruning optimization is introduced to intelligently correct the satisfaction data. By establishing a hierarchical， multi-angle， and comprehensive satisfaction management mode， IT system service satisfaction can be effectively improved， which has broad application prospects.

Keywords： multi-source data collection; pruning optimization; intelligent error correction; internal satisfaction; decision tree

0? 引? 言

數字化大潮為業務部門提供了精細運營、改善管理的新手段。而業務部門為了改善部門績效，吃足數字化紅利，拋出了海量且持續快速增長的IT需求。IT部門在巨大的壓力下不堪重負，而業務部門對IT需求支撐和系統服務方面，卻越來越不滿意。因此如何高效精確地進行IT內部服務滿意度管理勢在必行。

現有主流的滿意度管理，都是針對公司某一產品使用的外部用戶進行滿意度管理，通過電話、問卷等方式，收集外部用戶對公司產品的使用滿意度數據，生成滿意度結果，并對這些外部用戶進行關懷。缺少對IT服務面向的公司內部員工的滿意度管理，導致公司內部需求響應、IT投訴方面的問題得不到及時解決。

現有主流的滿意度管理實現功能比較單一簡單，通過錄入滿意度調查問卷、采集某個IT系統的滿意度信息生成滿意度結果數據，沒有從公司整體角度出發考慮滿意度管理，對公司涉及的多個業務系統也沒有進行綜合考慮和滿意度關聯管理。滿意度數據來源單一，數據不全面，沒有進行通盤考慮和關聯分析，這些因素都會影響最終的IT內部服務質量。

1? 現有IT滿意度管理存在的問題

我們在IT服務過程中，面臨缺乏有效的內部員工滿意度管理，滿意度數據采集單一、滿意度分析不全面、滿意度預測機制簡單、缺少滿意度微調糾錯機制等問題。

1.1? 缺乏有效的內部員工滿意度管理

現有主流的滿意度管理，都是針對公司產品使用的外部用戶進行滿意度管理，并對這些外部用戶進行關懷。缺少對IT服務面向的公司內部員工的滿意度管理，致使公司內部需求響應、IT投訴方面的問題得不到及時解決。

1.2? 滿意度分析不全面

現有技術方案中的滿意度原始數據采集來源都比較單一，采集來源來自某個系統或某批次滿意度調查數據的錄入，沒有進行多系統的通盤考慮和滿意度關聯分析，沒有從公司整體角度出發考慮滿意度管理。

1.3? 滿意度預測機制簡單

現有技術方案只涉及滿意度排名或某一項業務或人員滿意度情況，只是簡單地進行滿意度標準值和滿意度權重值進行計算，在滿意度預測的精確性和全面性方面，存在較大的改善空間。

1.4? 缺少滿意度微調糾錯機制

現有技術方案輸出的滿意度結果數據出現誤差或紕漏情況，需要人工介入調整，修正難度大而且容易出現差錯。

2? 滿意度提升技術方案

為了解決上述技術問題，在目前主流滿意度架構模型的基礎上，結合運營商的業務支撐系統、經營分析系統、在線支撐系統、IT工單系統等滿意度數據收集處理流程特點，提供了一種基于多源數據匯集和決策樹的滿意度提升技術，具體為：

1）多源系統的滿意度數據獲取和融合：針對公司內部IT使用人員，支持從多個IT系統中獲取滿意度原始數據，并對結構化、半結構化、非結構化等多種滿意度數據進行標準化和歸一化處理和融合。

2）決策樹存儲和智能計算：滿意度原始數據在標準化、歸一化處理后，構造決策樹模型和各項滿意度指標智能計算方法，輸出人員部門、IT服務、時間等多維度系統滿意度數據和滿意度發展趨勢信息，為滿意度預警算法和滿意度微調算法奠定了存儲基礎和計算基礎。

3）基于決策樹模型的滿意度預警機制：基于決策樹模型，對滿意度偏低、滿意度大幅度下降的人員部門、IT服務進行實時預警，同時針對多系統和多人員的滿意度情況進行通盤考慮和關聯分析，從公司整體角度找出不滿意本質原因并進行針對性解決。

4）基于記憶化搜索的滿意度智能糾錯機制：基于剪枝優化后的記憶化搜索算法，進行滿意度智能微調和自動糾錯，在滿意度數據出現偏差時及時準確地修正，保障滿意度預警和不滿意因素處理的準確性，避免出現IT服務的重大偏差及系統的重大故障。

通過打造了一套完備的IT內部服務滿意提升技術，不斷提高IT內部服務滿意度，讓IT系統的使用更符合實際應用和業務要求，減少公司的業務損失，達到降本增效目的。

3? 滿意度提升技術實現

3.1? 多源系統的滿意度數據匯集和融合

本系統從多源系統里獲取滿意度原始數據，包括業務支撐系統、客服系統、經營分析系統、IT工單系統以及滿意度數據錄入等多個渠道，實時獲取需求、投訴、故障等滿意度原始數據。獲取的數據包括結構化、半結構化、非結構化數據，通過識別、解釋、歸一化處理后生成標準化滿意度原始數據。

多源系統滿意度數據的匯集和融合主要流程如圖1所示。每個子系統采集過來的滿意度原始數據格式不一樣，從接口內容協議配置中獲取對應的協議解釋信息，從中分揀出與滿意度相關的時間、員工、渠道、系統、業務、滿意度情況等關鍵信息，通過滿意度基礎信息標簽庫、人員信息標簽庫進行進一步解釋處理，將業務類型、員工歸屬等信息細化和融合，生成滿意度標準化原始數據。采集過來的滿意度原始數據如無法解釋處理，通過人工介入處理后再生成滿意度標準化原始數據。

3.2? 構建滿意度決策樹存儲模塊

滿意度記錄存儲數據為：時間、系統、滿意度一級分類、滿意度二級分類、滿意度三級分類、員工姓名、員工部門、部門歸屬、是否滿意、備注等。存儲模塊中引入數據管理模塊，管理模塊主要負責數據清理備份、索引優化等數據管理任務。

滿意度決策樹存儲模塊是滿意度提升技術的核心，根據歸一化、標準化后的滿意度原始數據計算各個時間點或時間段內、業務、員工、部門等多個維度的滿意度標準分、權重值、權重比和預警值等滿意度指標信息，用決策樹數據結構進行存儲，后續通過智能計算，為滿意度分析預警裝置生成滿意度決策點、滿意度熱點報表、明細報表、不滿意占比圖表、滿意度趨勢圖和分級預警等提供數據支撐。

本模塊引入滿意度標準分、權重值、權重比和預警值四個滿意度概念詞，并以決策樹數據結構進行存儲：

1）滿意度標準分S：某個員工或部門對某個IT服務小類的滿意度歸一化和標準化的得分。第i個節點（可為某個員工或某個部門）員工或部門第j個滿意度指標（可為滿意度一級指標、二級指標或三級指標）在時間k點（可為時間區間或某個時間點）滿意度標準分Sijk計算式如下：

N為該節點下不滿意人員數，當N為1時表示一人不滿意；M為在該時間點的滿意度采集量；Pj為第j個滿意度指標權重系數；引入對數函數log2N為不滿意人數越多不滿意度得分越高。

2）滿意度權重值W：根據IT服務的重要程度，通過與滿意度標準分關聯計算出可以衡量某個員工或部門某個IT服務小類的與滿意度重要程度相關的滿意度得分數值。用滿意度權重值可以算出各員工部門或IT服務分類的滿意度排名情況。

第i個節點（可為某個員工或某個部門）員工或部門第j個滿意度指標（可為滿意度一級指標、二級指標或三級指標）在時間k點（可為時間區間或某個時間點）滿意度權重值Wijk計算式如下：

Oij為該節點微調系數，初始值為1，人工介入后需增加該節點權重值，可將Oij設置大于1，反之設置為0至1之間。

3）滿意度權重比V：根據某個人員或部門某個IT服務小類的滿意度權重值，計算出其在某個IT系統、某個IT服務或某個部門的占比情況。

第i個節點（可為某個員工或某個部門）員工或部門第j個滿意度指標（可為滿意度一級指標、二級指標或三級指標）在時間k點（可為時間區間或某個時間點）滿意度權重比Vijk計算式如下：

4）滿意度預警值E：通過關聯滿意度權重值計算得出的某個人員或部門某個IT服務小類的預警評估值，用該數值與事先配置的預警閾值進行比對后進行預警處理。

第i個節點（可為某個員工或某個部門）員工或部門第j個滿意度指標（可為滿意度一級指標、二級指標或三級指標）在時間k點（可為時間區間或某個時間點）滿意度預警值Eijk計算式如下：

其中，N為該節點下不滿意人員數。

5）差值增量趨勢率Q：計算某個時間段內時間點從1到n的滿意度權重值差值增量趨勢率計算式如下：

通過提取不同開始時間點到指定結束時間的滿意度權重值，經過多次迭代計算可以提高趨勢預測數據精準率，差值增量趨勢率絕對值越大滿意度波動越大，滿意度權重值差值增長率為正表示滿意度權重值在增加，滿意度在下降，滿意度權重值差值增長率為負表示滿意度權重值在降低，滿意度在上升，有正有表示在上下波動。

各個系統上的每一種滿意度指標或IT服務類型不同，緊急程度和重要程度都不同，IT服務越敏感、影響程度越大對于滿意度的影響程度越大，在不滿意投訴量相等的情況下越容易觸發預警。因此引入滿意度權重系數來計算滿意度評分信息，IT服務越重要滿意度權重系數越大。

滿意度權重系數在滿意度指標關鍵信息模型中進行配置管理。滿意度指標關鍵信息模型主要包括滿意度唯一標識、滿意度歸屬的IT系統、IT服務分類、指標級別、權重系數、預警閾值等信息。舉例說明如表1所示。

滿意度計算評測模塊通過構造樹形數據結構模型，使用因子分析和聚合聚類分析方法對滿意度標準化原始數據分析計算，將員工、IT服務小類設計為兩個不同維度的基礎因子，以這兩個因子的不同組合組成細粒度滿意度數據，然后根據員工組織結構和IT服務分類等級梯度自下向上聚合聚類，計算出不同員工組織結構、不同IT服務大小維度的粗粒度滿意度數據。

3.3? 記憶化搜索算法智能微調和自動糾錯

滿意度分析預警模塊生成滿意度告警數據后，IT負責人對這部分數據進行及時分析、核實和處理。IT負責人通過故障處理、流程優化、人員關懷等措施提高了某個IT服務或某個部門員工滿意度后，滿意度決策樹上的某些節點上的滿意度標準分、權重值需要進行相應的微調或糾錯。

滿意度數據的智能微調糾錯功能由滿意度微調糾錯模塊實現。滿意度決策樹上的每個節點每個滿意度指標對應一個滿意度微調系數，滿意度微調系數默認為1。IT負責人可在客戶端修改微調系數并輸入微調系數生效的開始時間點和結束時間點，這樣可對某個員工或部門對某個IT服務在某段時間內的滿意度評分數據進行微調。

IT負責人提交滿意度微調系數修改后，滿意度數據開始重新計算，從滿意度決策樹上此節點出發到樹根路徑上所經過的所有節點都需重跑滿意度數據。后續觸發滿意度分析預警裝置重新處理更新滿意度數據和預警信息。相關節點滿意度數據智能微調糾錯關鍵點和流程：

3.3.1? 剪枝優化

我們在求樹的深度時使用深度搜索算法對不滿意數據進行了一次遍歷，用于記錄搜索結果，在微調糾錯模塊中復用這個搜索結果，在后面的搜索中進行剪枝優化。如圖2所示，比如OA系統的頁面出錯故障，對本次滿意度預警和滿意度微調無關，可以直接剪枝。

3.3.2? 記憶化搜索

在搜索微調每個節點時，先判斷該節點的值是否曾經微調過，如果曾經微調過，直接拿過來使用；如果沒有微調過，遞歸微調，并存儲該微調結果。具體步驟如下：

1）創建訪問路徑堆棧用于存儲滿意度決策樹上的被訪問節點，和搜索結果（用于剪枝）。

2）采用深度優先遍歷算法（DFS搜索算法）從樹根開始遍歷滿意度決策樹，當往下搜索時向堆棧添加被訪問節點元素（堆棧的入棧push操作），向上返回時刪除最后一個被訪問節點元素（堆棧的出棧pop操作），直至搜索到目標節點。如圖3所示。

搜索過程中，會進行相應的剪枝處理，提高搜索效率。如圖4所示，葉子節點T6為目標調整節點，那么會對T1和T2及他們的分支都進行剪枝處理，提高搜索效率。

3）如果目標節點為葉子節點則返回訪問路徑堆棧，計算過程中先判斷該節點的值是否曾經微調過，僅對沒有微調過的節點進行重新計算。如圖5所示，葉子節點T6為目標調整節點，返回的訪問路徑堆棧元素為T0、T2、T6，對這三個節點進行滿意度微調。

4）如果目標節點為非葉子節點，為保證能使滿意度決策樹上的上下節點數據保持一致，該目標節點下的所有節點都應重新計算滿意度數據。對于非葉子的目標節點，采用廣度優先遍歷算法（BFS搜索算法）從目標節點開始繼續遍歷以此節點為樹根節點下的所有節點，每訪問的一個節點都依次存放到訪問路徑堆棧中。

如圖6所示，非葉子節點T2為目標調整節點，返回的訪問路徑堆棧元素為T0、T2、T6、T7，對這四個節點進行滿意度微調。

5）根據返回的訪問路徑堆棧從最后一個元素開始重新按照滿意度標準分、權重值、預警值計算公式重新計算并更新該節點的滿意度數據，完成滿意度智能微調糾錯。

4? 結? 論

基于多源數據匯集和決策樹的滿意度提升技術，針對公司內部員工對IT服務的不滿意進行預警，從公司整體角度考慮進行預警，著眼于精確預警和多系統、多人員的關聯預警。

該技術利用滿意度決策樹模型，對多IT系統和多渠道來源的滿意度數據進行了歸一化處理和融合，處理效率高，分析和統計滿意度方便，是滿意度預警算法和滿意度微調算法的數據存儲基礎。引入了剪枝優化的記憶化搜索算法，通過該算法進行滿意度數據的智能糾錯，在滿意度數據出現偏差時及時準確地進行修正，保障滿意度預警及不滿意因素處理的準確性，大大減少的人工檢查和人工修正工作量，節省人力成本。

該技術適用于針對多IT系統的服務滿意度管理涉及的系統設計、滿意度指標計算、滿意度數據智能糾錯范疇，立足于公司或部門整體角度考慮的IT系統服務不滿意問題解決，從時間、IT服務大小類、部門架構等不同維度的滿意度進行監控、本質原因分析和報表輸出，可有效提升IT系統服務滿意度，具備廣泛的使用前景。

參考文獻：

[1] 王冠宇.ExtJs框架在社區信息服務系統滿意度中的應用研究 [J].網絡安全技術與應用，2012（6）：36-38.

[2] 張佳鈺，寇金橋，劉寧鐘.基于濾波器分布擬合的神經網絡剪枝算法 [J].計算機技術與發展，2022，32（12）：136-141.

[3] 周翔宇，高仲合，趙镥瑤，等.剪枝優化的文本區域檢測算法 [J].計算機與數字工程，2022，50（9）：2059-2064.

[4] 李屹，魏建國，劉貫偉.模型剪枝算法綜述 [J].計算機與現代化，2022（9）：51-59.

[5] 王偉，王彬.基于記憶化搜索的RFID防碰撞算法 [J].計算機工程，2017，43（8）：132-137+143.

[6] 萬朵，胡謀法，肖山竹，等.面向邊緣智能計算的異構并行計算平臺綜述 [J].計算機工程與應用，2023，59（1）：15-25.

[7] 聶婕，左子杰，黃磊，等.面向海洋的多模態智能計算：挑戰、進展和展望 [J].中國圖象圖形學報，2022，27（9）：2589-2610.

[8] 韓廷錦.基于多源數據融合的智慧公共文化服務體系研究 [J].信息技術與信息化，2022（12）：132-135.

[9] 潘建宏，王磊，樊家樹，等.一種基于知識圖譜技術的多源異構數據融合、共享方法 [J].電子設計工程，2022，30（23）：185-188+193.

[10] 錢肖，馬翔，呂磊炎，等.基于知識圖譜的電網調度告警關聯規則與決策樹算法 [J].電氣傳動，2022，52（22）：60-65.

作者簡介：劉敏（1975—），女，漢族，浙江臺州人，工程師，碩士，研究方向：大數據、人工智能等；張曉川（1971—），男，漢族，廣東龍川人，正高級工程師，碩士，研究方向：大數據、人工智能等；楊旭（1976—），男，漢族，湖南長沙人，工程師，學士，研究方向：大數據、人工智能等。

收稿日期：2023-02-09