基于遺忘曲線構建通信行業客戶感知預測模型與系統

摘要：通信服務行業競爭日趨激烈，產品質量、售后服務、口碑建設等已成為企業最大的競爭優勢，企業也將客戶滿意度作為評估自身健康的重要維度。而如何更好地前置預測出客戶對企業的感知評價以及管理和提升客戶體驗，成為一個重要課題。通過對客戶測評結果、消費行為軌跡的分析，客戶對服務接觸的好感度會隨著時間推移發生變化，這個變化趨勢類似人的記憶趨勢，符合“遺忘曲線”的理論。結合服務接觸次數、好壞、間隔時間等因素，我們構建了基于遺忘曲線理論的客戶感知預測模型，將事件、時間、頻次、對象、結果作為影響因素，通過訓練匹配，形成了端到端感知預測模型，預判服務事件對客戶感知的影響深度，形成預測結果并推送到服務觸點進行賦能應用。

關鍵詞：客戶感知；遺忘曲線；預測建模；艾賓浩斯；服務感知；網絡感知

doi：10.3969/J.ISSN.1672-7274.2023.02.052

中圖分類號：TP 3" " " " " " " "文獻標示碼：A" " " " " " " "文章編碼：1672-7274（2023）02-0-03

Building Customer Perception Prediction Model and System in Communication Industry Based on Forgetting Curve

ZHAO Gan

（China Telecom Corporation Limited Anhui Branch， Hefei 234000， China）

Abstract： Competition in communication service industry is becoming increasingly fierce，Product quality、after-sales service and reputation building have become the biggest competitive advantages of enterprises，Enterprises also take customer satisfaction as an important dimension to evaluate their own health。How to better predict customers' perception and evaluation of the enterprise， manage and improve customer experience， has become an important topic. Through the analysis of customer evaluation results and consumption behavior trajectory， the customer's preference for service contact will change over time， and the service impression will change. This change trend is similar to the memory trend of people， and conforms to the theory of \"forgetting curve\". Combined with service contact times，quality， interval and other factors， We build a customer perception prediction model based on forgetting curve theory， Take the event， time， frequency， object and result as the influencing factors， Through training and matching， an end-to-end perception prediction model is formed to predict the impact of service events on customer perception， form the prediction results and push them to service contacts for enabling applications

Key words： customer perception; forgetting curve; prediction modeling; Ebenhaus; service perception， network perception

1" 企業服務管理現狀分析

通信企業對客戶滿意度的獲取，一般會采用在工單結束時回訪的模式，獲取客戶對單次服務的評價結果，也會通過第三方調研回訪，概率性抽取測評，獲取客戶對企業的評價。從對工單滿意、不滿意用戶和第三方調研隨機抽取客戶的結果對比來看，工單滿意度結果與第三方測評結果并不吻合，一般來說工單滿意度結果會好于第三方測評結果。以下是具體原因分析。

（1）工單測評的間隔時間相對較短，用戶對當前現狀做出判斷，影響較為深刻，對產品感知偏弱，對服務感知偏高，同時容忍性也較強，所以好評率偏高。

（2）第三方測評隨機抽取客戶，一般為老客戶，產品使用時間較長，服務接觸時間拉長，服務影響降低，印象在記憶中有所衰減，好評概率下降。

因此，僅從工單角度的回訪結果不足以反饋客戶對企業形象的認知。

對用戶的整個服務接觸過程進行分析發現，裝維經理上門服務接觸服務占29%，客服遠程預處理指導終結占28%，裝維經理電話溝通占20%，無接觸記錄的占23%，這其中工單接觸僅占39.9%。結合服務過程與測評結果對比，發現調研回訪不滿意用戶和裝維上門接觸用戶的重合度僅為35%，客服預處理接觸和裝維熱線接觸重合度為40%，無接觸為25%，工單滿意度指標和測評結果出現了差異，也印證了工單結果已不能完整反映用戶感知。

在梳理目前通信企信的服務管理現狀，裝維服務接觸、服務管控調度現狀時發現，裝維服務的施工環節和其他客戶服務接觸部門沒有關聯性，都是獨立運行的，缺乏綜合的服務監控和數據指導。比如，客服環節的預處理指導終結后客戶感知結果，派單裝維終結的障礙復發情況，用戶直接撥打裝維熱線話務沒有進入工單監控的工單情況，裝維人員與用戶溝通的話務是否規范，裝維施工工單是否存在虛假回單，服務過程是否規范、是否符合用戶期望，裝維經理服務能力等這些影響客戶感知的接觸因素，均是在不同的部門獨立分析，沒有關聯性的匯聚，更沒有對多次服務接觸的影響、接觸間隔時長、末次接觸歷時的歷史數據關聯進行考慮。

為此，梳理客戶生命周期的端到端事件，結合各服務接觸歷時、間隔時長、歷時接觸影響等因素，借助大數據匯聚、分析能力，數據挖掘構建預測模型，形成客戶感知預測能力，為企業提供更加可靠的感知分析預測數據，指導企業服務。

企業可以借助感知預測結果從“點狀突破”帶動“面上開花”，驅動企業對服務流程診斷及優化、各服務觸發預警提醒、裝維經理能力提升，從而達到客戶感知與口碑的全面提升。

2" 感知預測模型與系統的建設思路

（1）首先對基于遺忘曲線構建感知度系數調控遺忘趨勢的理論研究與算法實現可行性研究。在理論中，人們通過感知形成記憶，一段時間的遺忘后再接觸喚起回憶，形成了記憶深度變化；在生產、服務接觸中，各渠道與客戶的接觸形成了感知，每一類不同的接觸事件形成了不同的記憶，在經歷了一段時間后都會有所遺忘，通過重復的接觸將原來接觸經歷回憶起來。理論與生產場景可以完美的契合。

（2）基于理論在生產中應用探索，尋找可在生產中應用的關鍵點。用戶對服務的評價是基于記憶的基礎，我們如何獲取到用戶的記憶情況呢？如何挖掘出可能存在的差評記憶呢？艾賓浩斯遺忘曲線可以客觀地描述記憶的衰減程度，但沒有體現出服務接觸后各類因素影響的變化趨勢，為此我們結合生產接觸中的各種因素，比如服務接觸過程中響應、履約、質量，接觸時間類型開通、修障、投訴，接觸頻次、間隔等因素，控制遺忘曲線的趨勢，將服務感知的結果在曲線中量化輸出，形成基于服務接觸的曲線變化，最終實現預測。這里的關鍵點是遺忘與事件、時間的關系，控制曲線走向。

從以上理論和生產研究探索，我們發現可以基于遺忘曲線理論來實現對客戶感知認知深度的預測。

3" 基于遺忘曲線構建感知預測建模的方

法與系統

3.1 應用性研究：遺忘趨勢的控制

在遺忘曲線的理論模型中，對單一事件的記憶20分鐘后衰減至58%，1天后是33%，6天后是25%，通過對事件的重復復現，用戶在對某事件多頻次接觸后，會加深記憶印象。在教育行業通過記憶的衰減周期，利用衰減趨勢的8個周期進行復習，加深記憶，控制衰減趨勢。而在我們的生產服務過程中，用戶事件都是隨機發生的、不規律的服務事件接觸，那么用戶的感知記憶會如何變化呢？

通過生產研究，我們發現可以通過調整記憶曲線的變化趨勢，結合生產影響因素對曲線進行動態調節，形成控制曲線變化的感知度系數，從而客觀地反應該用戶對不同的服務事件、事件頻次、屬性、事件間隔歷時等接觸后的記憶情況，再結合每次服務事件的評價結果，可進行模型預測。感知預測算法如公式（1）所示。

（1）

式中，X（n）為事件感知系數，根據生產事件的類型、次數、屬性及間隔歷時等可變因素形成控制系數，X（n）的計算如公式（2）所示。

（2）

式中，n事件次數；M為事件屬性影響感知度變化系數，根據事件的接觸渠道、現象、評價好壞定義不同的影響系數；N為類型相同事件重復次數，按生命周期統計事件類型相同的重復次數；?t為相鄰事件間隔。

3.2 正向建模應用——構建客戶服務感知度

在開通或修障過程中會經過一個環節或多個環節，形成不同的環節終結事件，對每個環節都有服務評價，形成了環節的滿意值系數。基于這些系數，評估用戶對事件感知的好壞，形成事件屬性（正向、負向事件），正向和負向事件交互的過程中會影響客戶對服務的記憶，為調節影響值，形成了事件屬性影響感知度變化系數M。

根據服務事件的離散性，結合客戶服務屏結果，用戶服務接觸評價好評作為為正向事件，服務差評作為負向事件，通過對正負向轉換M值調節X（n），當出現負向事件時，M值調節增加記憶加深，最終事件結束時的記憶深度作為評價隱患；當出現負向事件到正向事件轉換時，正向事件的記憶增幅就會減緩，但記憶仍持續加深，負向事件的隱患影響也會隨著時間增加而逐漸降低。

3.3 逆向建模應用——客戶對網絡感知度的預測

用戶在持續使用網絡的過程中如不出現任何問題，整體的感知就會逐步提升，但當發生障礙事件時，則會出現使用網絡的感知度下降的情況，而下降幅度會因網絡問題、網絡修復時長、障礙發生頻次和間隔事件產生不同的影響，故可通過對發生的障礙事件結合上述因素進行網絡感知的評估。根據接觸渠道和障礙現象，調整感知度系數，如申告途徑不同，定義不同的系數，自助類為0.01，預處理類為0.1，障礙派單類為0.2，裝維熱線類為0.1，本地投訴類為0.25，集團投訴為0.5，工信部投訴為0.6。利用遺忘曲線逆向增長趨勢，持續使用向上增加感知，對單障礙事件的發送狀態進行評估，識別下降影響，以及事件發生后到目前時間，從而得出客戶對當前網絡的使用感知，預測可能對感知評價的滿意度得分。

3.4 生產系統應用

3.4.1 服務數據的端到端采集

利用大數據、AI技術能力，實現服務離散事件的匯聚，通過進行大數據建模整合，匯聚業務開通、自助排障、申告排障、派單排障、裝維熱線、本地投訴、集團及工信部投訴等服務接觸事件，構建客戶接觸營銷的工單級事件表，通過單工單級事件表（投訴單工單級事件表、障礙單工單級事件表、自助工單級事件表、裝維熱線工單級事件表）來描述客戶接觸的事件，定義不同事件對客戶的影響，然后匯聚成客戶級寬表，收錄客戶生命周期的服務接觸情況，包含客戶級事件的歷時、感知屬性、重復次數、正負向得分、感知系數、服務感知度和負向服務感知影響隱患值。

3.4.2 客戶級離散事件的匯聚

（1）客戶級靜態畫像建設：通過大數據跨域匯聚客戶入網的身份證、聯系電話、障礙申告的主叫號碼、入網后業務號碼形成的客戶級靜態畫像。

（2）全生命周期事件匯聚：根據用戶工單發生時間，工單間索引關系，匯聚服務事件。例如，將用戶開通單經歷的施工、熱線、建設工單匯聚為一個開通事件，將用戶報障經過的自助、10000號預處理、在線預處理、裝維熱線溝通、上門處理等匯聚成一個障礙時間，串聯出關系工單，形成服務事件。

3.4.3 服務觸點的推送應用

服務主動推送：面向客服、裝維、服務管理相關部門，以生產系統應用集成的模式推送到各個觸點；在服務觸點主動預警提醒，對員工進行注智賦能，實現系統模型預測結果的生產應用。

4" 結束語

基于客戶對客觀事物印象的記憶規律，結合在服務接觸過程中的主觀結果，形成對記憶趨勢的控制模型，輸出符合客戶認知的多次事件疊加后的印象值，從而得到客戶對服務、網絡的感知深度，用于預測最終的評價結果，用于生產應用系統，并將推送到各個服務觸點，于用生產，提升客戶感知。模型的研究與應用在以下4個方面實現了突破。

（1）在客戶問題處理方面：全生命周期離散事件的匯聚為服務投訴、網絡預判、服務預警等提供一鍵式查詢，將原來服務問題處理的多系統、多渠道、多環節逐個查找，改變為一鍵查詢，極大地提高了處理效率。

（2）在感知預測方面：彌補了服務感知、網絡感知的量化算法的空白，借助記憶、遺忘及反復記憶的特性，量化輸出客戶對服務和網絡的評價結果，為服務處理人員提供準確的診斷預警能力。

（3）在服務問題挖掘方面：借助大數據技術的事件、過程的匯聚，使得服務問題分析、挖掘更加準確，短板拾取更加全面，為注智賦能提供精準方向，提高了支撐效率和人員能力。

（4）在服務管理方面：服務管理的大數據AI轉型、服務的“數改”基礎，為服務決策和服務管理提供了科學依據。■