电力客户服务潜在投诉倾向模型构建

客户世界 | 2016年11月4日 | 2016年, 会员信息, 文库 | 评论已关闭 | 1981

一、需求分析

电力客服热线作为传统客户交互渠道，是客户在遇到用电问题时最常使用的交互渠道方式。随着人们生活方式和行为习惯的变化，对供电服务的要求更倾向于便捷专业、智能互动、量身定制，这对供电服务的客户需求感知能力、及时响应能力、以及服务提供能力提出更高要求，传统的主观判断认知客户的模式直观性差、精准度低、用时长，无法应对不断发展延伸的客服热线业务带来的人工话务强度增大、精准服务能力低下、对客户认知有待提升等情况，客户服务的服务成本高居不下，工作效率和服务水平亟待提升。

基于识别潜在投诉倾向客户的综合权重评分模型算法，通过客户标签的应用，提供了直观、准确、快速认知客户的方式，帮助客服人员在供电服务过程中有效提升工作效率，提高服务水平，降低服务成本；同时借助于客户标签，对客户诉求提前预知，从而通过差异化服务，降低客户诉求几率，提高用电客户满意度。

原始数据处理

1、原始数据规模探索

标签建设主要基于客服中心历年积累的上亿余条客服热线通话明细记录、工单受理和处理流转数据记录，具体包括工单受理数据、工单处理数据、催办督办数据、投诉处理数据、通讯记录数据、IVR动作数据等。

2、数据源关联关系探索

通过工单编号关联工单受理、工单处理数据、催办督办数据，获取用户来电号码、业务类型、业务受理内容等信息；通过工单ID主键关联通讯记录数据、IVR动作数据；通过通话主键（callid）关联通话明细表及通信明细表，通过来电号码关联客户拨打时间、拨打IVR入口、服务申请起始及终止时间等信息。

3、数据质量检查及清洗

(1)剔除用户电话号码(COMM_NO)为“0”“00”“000”“PRIVATE”等无效号码通讯记录数据。剔除受理工单及处理工单中，受理内容及处理意见中回访记录。

（2）实际发生投诉及催办升级行为客户为标的客户TARGET客户。

(3)剔除通话记录表中非呼入通话记录。

检查工单表、通话记录表、停电信息表等数据源表各字段缺失率情况。

4、目标工单筛选

目标工单业务分为以下两项：

（1）类别为投诉、催办、督办、催办、服务申请的工单。

（2）工单受理内容及工单备注内容中包含情绪、激动、倾向、投诉、关联工单、频繁停电、骂街等建模相关因子的工单。

5、数据集市的构建

使用筛选工单表ID字段匹配通话记录表，依托企业级数据仓库所提供的历史业务数据构建数据集市，分别确定训练集和验证集的时间窗口。

6、因子构建

（1）基础指标构建

通过业务讨论及数据探索，基于用户交互行为和业务主体偏好等维度，设计生成150余项指标.

（2）相关性分析

对宽表各个字段之间相关关系进行检验，结合业务规则及逻辑判断，选择特征因子代替高度相关指标，降低指标维度,筛取相关系数高于门槛值的指标关系。

（3）熵值权重

通过熵权法衡量各个指标的信息量大小，辅助筛选变量，降低模型指标维度，同时熵权值最终纳入加权评分。

（4）因子构建

根据基础指标情况，结合业务分析，使用熵权法、相关性分析等方法，剔除信息量较低且与其他因子指标高度相关因子、剔除缺失值较多且熵权法计算权重较低因子等，筛选出适用因子集。

模型构建

1、综合权重评分算法

经过算法对比，投诉倾向模型采用熵权法与主成份法相结合的综合权重评分算法，基于客户交互行为、结合客户用电属性、构建客户评分，判断客户投诉倾向高低，建模步骤如下：

2、模型区分度效果

（1）有倾向客户与无倾向客户对比

a.有倾向客户占总体客户比例为 5.67%，覆盖了验证期内 73.27%的投诉量、 86.39% 的客户量；

b.有倾向客户来电比率基本持平总体客户，而投诉/来电比、客户投诉率分别为总体客户的 11.5 倍、19.22 倍；

%e5%9b%be%e7%89%872

（2）有投诉倾向等级客户对比

a.高中低倾向客户数量比为 2：4：4，覆盖率比为 4.39：3.79：1，提升度比为 8.87：3.61：1；

b.各倾向等级客户来电率基本保持一致，高倾向客户投诉率及投诉/来电比显著高于非高倾向客户；

%e5%9b%be%e7%89%873

（3）综合对比

a.高投诉倾向客户仅为来电客户数量的 0.87%，却贡献了超过三分之一的投诉量；

b.模型判断高投诉倾向客户来电平均投诉率为 5.65%，是来电客户平均投诉概率 0.20% 的 27.94 倍；

c.模型判断有投诉倾向客户占全体来电客户的 4.56%，其中实际发生投诉的来电却占投诉总量的 73.27%；

d.验证期投诉中有 98.08% 是无投诉历史客户产生的，模型对该类客户预测覆盖率达到 72.98%。

（4）模型衡量指标

%e5%9b%be%e7%89%874

四、模型业务应用情况

本算法将相关分析、熵权法、主成分分析相结合，逐步实现冗余指标的剔除和高信息量指标的提取，集合了三种算法的优势，更实现了建模因子权重的还原，构建的评分具有业务判别依据，便于追溯潜在投诉倾向客户特征，模型分析精度更高，分析更加准确。根据评分为客户标记无倾向、高倾向、中倾向、低倾向四种不同程度潜在投诉倾向标签，帮助客服人员快速、精准识别具有有潜在投诉倾向的客户，并将相关名单提交给省（市）公司，帮助省（市）公司对不同投诉倾向客户制定不同服务策略，从而实现优化潜在投诉倾向客户供电服务，进而提升客户服务满意度，降低客户投诉率。

本文刊载于《客户世界》2016年9月刊；作者：刘鲲鹏，国网客户服务中心高级工程师；胡凡，广州佰聆数据股份有限公司。