文摘
提高顾客感知的服务质量是一个关键的使命电信服务提供商。使用350亿电话记录,我们开发一个通话质量分数模型来预测客户投诉电话。评分模型包括两个部分:服务质量分数和连接性评分模型。它还包含了人类心理影响,如峰值和最终效果。我们实现一个大型数据处理系统管理实时服务日志生成质量分数在客户层面使用大数据处理技术和分析技术。实验结果证实开发模型的有效性识别可能的投诉电话。采用这个系统,呼叫中心的第一次调用解析率从45%上升至73%,和现场工程师分派率从46%降至25%。
1。介绍
理解客户体验的欲望刺激了电信行业的激烈竞争。随着市场的饱和,从而加剧竞争,服务提供商努力增加客户保留。客户流失,可以由客户不满意(1》,对服务提供商是不利的:它不仅导致利润减少,但也为现有客户的损失机会提出他们的其他用户服务运营商。此外,吸引一个新客户所花费的成本比保留一个现有的(2]。由于这些原因,改善客户体验一直是企业的一个关键因素。
的质量体验)的利益来自学术界和产业界在过去十年,因为它可以提供一个更全面的看法比地补充客户体验,服务质量(QoS) (3]。特别是,体验质量的实现系统启用了大数据分析等计算技术的发展,云计算,等等。智能手机和设备产生大量的环境下的数据信息可以存储在分布式存储,叫云存储,以低成本。此外,在分布式数据处理技术的发展,例如Apache火花,使数据处理以低成本(4]。
电信服务提供商开发了大规模系统估计整体客户满意度或努力去改善它。在移动通信客户在香港调查,覆盖和传输质量被发现是重要的因素5]。客户满意度之间的关系、转换成本和顾客忠诚度在法国进行了研究[6]。讨论了客户满意度来衡量通过销售、安装、产品使用、维修、和计费经验(7,8]。他开发了一个模型来解释客户的感知的整体性能水平根据计费,分支网络,故障修理、服务提供、品牌形象和产品满意度(9]。因为这些方法依赖于调查,他们可以用于后验评估,而不是预测的目的。
电信服务提供商管理客户关系使用各种类型的关键性能指标(kpi)来评估整体顾客感知质量。KPI,客户不满意与服务是一个重要的电信服务提供商KPI。有一个客户不满和客户抱怨行为之间正相关(10]。经历不满,客户可能需要几个行动劝阻他们的朋友或熟人使用服务提供者的产品或服务,或通过消费者团体抱怨11]。
最近的努力实现QoS——/ QoE-based系统来衡量网络的状态。方法从用户设备使用操作数据和不同的网络元素提出了克服的挑战和限制手动测试(12]。大数据的模式下,用户流失的概率应该是预测因为采用intersubscriber影响(13]。网络规划工具被开发使用估计QoS分数基于user-collected测量通过监督学习工具(14]。SlopeOne基于模型的QoS预测方法也提出了克服困难的客户聚类的协同过滤算法(15]。适当的管理移动边缘计算生态系统,参考体系结构,提出了利用网络功能的虚拟化和软件定义网络技术(16]。
许多的研究使用消费者的主观经验来提高网络运营质量和消费者关系的ITU标准后,意味着意见分数(金属氧化物半导体,ITU-T P.800) (17)或模拟模型(ITU-T G.107) [18]。金属氧化物半导体是一种主观质量评价模型的平均个人的主观评估质量的电话。模拟模型的发展为计算金属氧化物半导体使用延迟时间等客观指标为一个会话和丢包率;该模型扩展到考虑视频和数据(ITU-T P.910) (19]。
然而,我们解决这些模型可能不显示客户的总体体验分数;而是只评估会议。它也无法解释顾客之间的差异,因为它是基于逻辑推理预测模型consumer-perceived质量。换句话说,这个模型可能有一点关于总体顾客感知质量的预测能力。
在各种投诉行为,投诉电话是一个索引,可以准确显示客户的不满。Yurtseven提倡使用投诉电话作为整体感知质量的代理(20.]。服务水平指数(SLI)措施客户感知质量从个人经验21]。在本文中,我们开发一个模型,不同于SLI的目标预测的可能性投诉电话。快速有效地应对投诉电话可以防止客户流失(22]。
我们所知,小的努力一直致力于预测的可能性投诉电话。这可能归因于几个困难索引投诉电话。首先,许多客户,他们经验丰富的服务质量差,不打投诉电话(10]。此外,投诉也取决于产品的类型,49.6%,29.4%,和23.2%的客户为易腐货物采取任何行动,耐用品,分别和服务。第二,并不是每一个服务质量的投诉电话是在一个贫穷的水平。这意味着客户有时打投诉电话,尽管他们经历了高QoS。由于这些原因,需要额外的努力开发一个模型来预测可能性的投诉电话。
我们的贡献总结如下:(我)我们建议客户评分模型使用机器学习技术的目标变量客户投诉电话顾客感知质量具有显著的相关性。该方法集成了一个主观与客观质量模型;其质量评估对个人是自动化的。访问和服务质量的客观质量模型由模型。(2)我们配置一个实时cross-call详细记录(cross-CDR)数据库使用(电话号码,叫ID)作为关键,根据不同的cdr使用开源的火花从内存中计算软件。此方法应该启用实时客户质量评价、监控和分析每天数十亿客户水平质量日志。我们预计,这种方法将被用作构建块向未来的自组织网络(儿子)(自治的儿子需要反馈回路作为输入。我们认为客户评分模型可能是一个非常有价值的输入的儿子,信号表现不佳的网络模块)。
本文的其余部分组织如下。节2,我们比较KPI-based方法,这是一种非常流行的质量管理方法,customer-experience-based方法。节3介绍整个系统的构成。节4,我们介绍一个方法开发访问质量得分模型,服务质量评分模型和主观质量评分模型。节5,我们验证了提出的模型和实验结果。最后,我们总结论文部分6。
2。CEI-Based质量管理
客户体验指标(CEI)质量管理是电信质量管理的新范式更关注个人客户。前范式中,质量管理的重点是更多的网络系统和设备。
2.1。面向网络的质量管理
提供优秀的QoS,许多电信服务提供商采用质量管理框架,包括质量定义、数据收集、分析和纠正措施(23]。他们选择和监控各种kpi。kpi可以在服务级别或在系统设备层面,如无线资源控制请求成功率进化节点B (eNB),寻呼成功率和附加的成功率移动性管理的元素(MME),持票人请求成功率包的网关(产气井)。每个kpi的阈值设置和各种网络管理系统的数据,协议分析、测量和投诉电话和收集。收集到的数据对阈值进行比较和分析。如果有必要,采取修正措施来提高网络系统的质量。KPI-based质量控制可以是有限的,因为会有太多的kpi监控随着网络规模的增加。此外,许多kpi相关的,这使得它很难确定任何可能出现网络问题的起源。此外,kpi不一定反映用户级体验质量,因为他们通常朦胧的个人特点使用平均网络的一部分。
2.2。面向个人的CEI-Based质量管理
体验质量的概念结合了用户感知、经验和期望与非技术和技术参数,以更好地满足客户需求24]。Qualinet将它定义为快乐或烦恼的程度的用户应用程序或服务(25]。例如,客户体验管理指数收集客户的经验的好处,方便,等等,每个单元的网络(26]。CEI kpi不同,它是一种个体层面的指标,反映了不同客户的行为。CEI概念试图将客户的个人经验、需求和行为与kpi技术促进可用资源的最佳使用。CEI-based质量管理可以实现高保持率,产生有利的建议,和(可能)刺激更多的服务使用。这种方法可以定位问题和改进支持提供可接受的客户服务经验。
2.3。KPI-Based系统的局限性
以下问题可以发生在当前KPI-based质量管理系统。
(我)KPI管理开销。电信服务提供商管理kpi等各种网络无线接入,运输,和核心网络。随着网络变得越来越复杂,它可能产生大的开销成本网络监控、故障排除,提高kpi。服务,以确保最好的体验质量,确认服务是适合的目的,有必要在近实时管理许多不同的kpi。然而,通常可用系统和报告提供平均,不迎合个别客户的经验。
(2)客户投诉反应迟缓。设备级或系统级kpi总经理可能会导致慢反应个人客户投诉电话。网络工程师必须确定问题的根源后,接收电话没有个体层面的经验信息。此外,缺乏对顾客感知质量的定量数据可以防止服务提供者进行积极的行动。误分类的客户投诉可能会导致不必要的分派网站,它可以是昂贵的。大约有46%的网站是派遣到不必要的(图8表明,系统采用后,由现场工程师解决的速度从46%下降到25% (1 - 0.25/0.46 = 0.46))。
(3)资源利用效率低。没有知识对于客户体验,使用的可用资源可能不是他们最需要的地方。理解个人感知质量水平可以帮助定位问题领域需要更多的投资或改进。由于预算有限,改进可以应用在一个合适的订单。
3所示。系统配置和数据收集
实现一个实时个体层面的感知质量分数体系,我们可能需要评估数以千万计的客户每天进行数十亿调用。图1显示了我们的系统配置实现生成一个感知质量分数为每个用户。
居里夫人,LTE网络由eNB服务网关(信令转换),产气井,呼叫会话控制功能(统称)与许多接口。eNB是直接与手机硬件进行通信的。中国的居里夫人,LTE的关键控制节点访问网络,负责认证,服务激活/失活,等等。信令转换路线,并将数据包转发并参与交接过程移动锚。出入境的产气井是外部数据网络。电话的产销处理信号。LTE系统的更多信息,请参考[27]。
三个接口如图所示1。S1-C eNB之间的接口和控制面协议的居里夫人。S1-U eNB之间的接口和信令转换每不记名用户平原交接期间隧道和inter-eNB路径切换。SGi的接口在产气井、产销和互联网。我们实现了多钱(三图1控制飞机上)数据包探测(S1-C),数据平面(S1-U)和SGi接口。协议分析器解码了数据包流并生成各种cdr。一个电话生成多个CDR, S1 CDR,会话初始化协议(SIP) CDR,还有CDR,每个存储在不同的数据库在Hadoop分布式文件系统(HDFS)。每一分钟,新生成的cdr存储在HDFS使用文件传输协议(FTP)的批处理。用户配置文件数据从业务支持系统(BSS)也存储在HDFS中。
我们使用了卡夫卡(分布式消息传递系统”开发日志数据收集和提供大量的低延迟”(28])和火花(集群计算技术利用内存中的集群计算增加处理速度(29日])转换成cross-CDRs CDR日志和用户配置文件数据。实时处理几十亿记录,我们分配384核心服务器的转换。六个卡夫卡服务器收集HDFS的cdr和饲料他们十二火花服务器。火花服务器进程cdr cross-CDR数据库中生成新记录。作为一个单独的调用有多个cdr (CDR-S1、CDR-SIP CDR-VoLTE),它们组合成一个记录。火花作曲家模块识别从相同的调用使用的电话号码和调用cdr开始/结束时间和分配一个ID。它还附加kpi连接,kpi对SIP(会话初始化协议是一种信令协议的多媒体会话(30.])和kpi回和设备ID。设备信息和客户资料也添加到cross-CDRs火花的服务器。cross-CDR数据库中的数据流入感知质量模型来评估实时调用级别的QoS;顾客感知质量分数在用户级别生成。
4所示。开发一个感知质量分数模型投诉电话
在本节中,我们讨论我们的评分模型来预测客户投诉电话,因为投诉电话是代表顾客感知质量。我们的工作重点是语音通话质量。开发语音通话质量模型,我们使用电话质量相关客户投诉,不包括其他的账单等设备,等等。如图2,得分模型包括服务质量和连接质量。我们开发两个模型和分别连接质量和服务质量。这些分数加上最后体验得分在以下方式: 每一个 , 和 ,范围从来 。我们使用最小值函数 ,假设这两个分数的差,和 ,将决定客户体验。我们也考虑的心理效应峰和结束效果。峰值和结束效应意味着人们判断主要基于经验感受在顶峰时期,在战争结束后,而不是基于个人的总和或平均时刻的体验。捕捉最糟糕的经验中,我们使用一个SPC-based方法,部分中描述4所示。3(2)。
发展量化顾客感知质量模型有助于改善先天的客户满意度。改善服务和投诉处理是可能的如果感知质量水平是由服务提供商更好的理解。然而,利用投诉电话作为目标变量是具有挑战性的原因有几个。
4.1。挑战
(1)客户没有行动。众所周知,大部分顾客不满不采取行动(10:与低质量的服务,29.4%的顾客没有采取任何行动。另一方面,为电信服务,客户具有良好的网络质量有时也打投诉电话。这两种截然相反的错误的组合使一个好的评分系统的发展一个具有挑战性的问题。
(2)不平衡数据。学习不平衡数据集可以是有问题的,有意义的分析困难。投诉电话占一个很小的比例(少于0.01%的每日调用),很难建立一个精确的模型预测投诉电话。我们用尽了已知的方法来解决数据的不平衡等欠采样,等等(31日,32),没有成功(以下方法尝试31日):(1)收集更多的数据,(2)重采样,(3)不同的算法。我们首先测试了过去三个月的数据没有成功。然后欠采样方法试图通过匹配两个用户组的比例(那些电话和那些没有打投诉电话)。然后应用各种方法包括随机森林,套索,决策树支持向量机。这些方法表现出精度比率在59.9%和72.6%之间,而我们的方法的准确性是91.5%)。
(3)倾斜的独立变量。许多kpi(如调用下降率或阻断率),作为解释变量,从很有偏见的分布%,%或更少。因此,这些指标并不适合使用独立变量。
4.2。关键思想
(1)自变量选择使用集群。典型的监督学习方法如回归和支持向量机没有生成有意义的模型,因为不平衡数据和/或变量的偏态。我们重复一种无监督的聚类分析方法,直到我们找到了一个集群率高于正常投诉电话。我们这些集群特征分析和选择有意义的变量作为自变量。
(2)SPC-Based质量差模式变量的选择。心理学上的“高峰和结束规则”状态,人们判断一种体验主要基于感受在顶峰时期,在战争结束后,而不是基于其平均(33]。模型异常贫穷的经历一个声音电话,我们使用统计过程控制(SPC),这是用于检测异常模式。许多规则的程控,我们选择了其中的几个显著解释的可能性投诉电话。
(3)通过PCA伪目标变量的使用。我们不使用一个线性回归模型与目标变量的投诉电话,因为它是很难估计的个人客户的通话质量的经验。相反,我们构造一个伪变量代表独立变量;这个伪变量将被用作一个目标变量。我们设置伪变量第一主成分的主成分分析(PCA)。伪变量用于维持独立变量的特点,同时放松的不平衡类特征目标变量。
4.3。服务质量分数
服务质量分数是一个模型来解释电话顾客感知服务质量(投诉电话)。我们应用四个步骤如图3:(1)通过聚类变量的选择;(2)SPC-based异常质量模式变量的选择;(3)伪目标通过主成分分析;和(4)最终模型的选择。
(1)通过聚类变量的选择。首先,我们确定变量的kpi的16个候选人电话的质量。这些变量与丢包率、延迟、抖动和破裂。清理的数据后,我们重复——分析不同集群的数量和每个变量的权重,直到我们找到一个有意义的集群和投诉电话率远高于平均水平。表1显示三组的聚类结果,一个正常组(1)和两个可怜的团体(2和3)。正常组的大小是95.4%;穷人的组织是4.6%。注意,第二个和第三个团体投诉电话率高出1.57和3.75倍,分别比正常组。
从聚类分析的结果,显著的变量解释了投诉电话率确定。我们下降了几个变量的解释力较低考虑变量之间的多重共线性,每个变量的解释率。我们选择了降低不良率 ,Tx元缺陷率(元代表模拟模型/ MOS得分(18]),Rx元缺陷率顾客感知质量模型的自变量,元分数范围从哪里来的(坏的)(最好的)。不良率下降调用服务的下降率的措施。元分数计算每5秒,这被认为是缺陷如果比分是小于或等于 。元缺陷率是元缺陷的数量比元总数的分数。Tx元缺陷率和Rx元缺陷率代表质量差的分数即将离任的期限和来电,分别。
(2)SPC-Based异常质量模式变量的选择。基于峰值和结束从心理学领域的规则,我们试图发现异常糟糕的QoS,因为它可以影响顾客的感知质量。我们采用了基于SPC方法,这是非常有利于检测异常行为(34]。我们使用流行的规则被称为西部电气规则(区规则和不对称的规则,请参考https://en.wikipedia.org/wiki/Western_Electric_rules),特别是欧元区不对称的规则,用于发现异常模式在SPC(其他方法来检测异常,请参考[35,36]),例如,“连续两个值高(或低)”或“连续四指出五高(或低)“从频繁检测坏的感知质量,连续,或强烈的缺陷在用户级别。
每次调用生成一系列元分数,如图4。图中每个点对应一个元得分 秒。的是元的平均分数。在规则 ,如果两个连续点比2高(或低) ,我们判断为异常。“2“是一种罕见的事件,甚至应当少连续观察其外观如规则 。
表候选人之一2、规则和 ,是选为变量和 ,分别。如果的比率来大于一个阈值(我们使用1.5作为阈值。观察到有明显差距之间的比率 规则2(1.625)和3(1.083)),我们认为规则与客户相关投诉电话投诉电话的平均利率对那些表现出异常模式的规则,然后呢是对那些没有这样的模式。的变量计数模式”的数量连续2比2分高(或低) “从图表。同样,该变量计数模式”的数量连续4指出五高(或低) ”。
(3)伪 通过主成分分析。主成分分析是常用的提取数据集的代表性特征。因为不平衡类的特征变量,我们不能发展一个有意义的回归模型作为一个投诉电话。相反,我们生成伪变量通过应用主成分分析组 , 。我们组第一个主成分作为伪目标变量 。我们不包括两个派生变量,和 ,主成分分析,以避免失真引起的相关的独立变量。
我们使用五个独立变量建立回归模型(包括两个派生变量)来解释伪变量使用各种建筑的选择。然后,我们选择一个回归模型的估计显示最大的相似性与真实目标变量的值作为最后的通话质量模型。我们测试了模型的拟合优度使用电话投诉,不使用统计性能指标,以提高我们的回归模型的解释力。我们计算用户的投诉电话平均的分数小于或等于投诉电话率最高,选择一个模型。
(4)服务评分模型 。回归模型的合成服务是由 在哪里降低不良率,TX元缺陷率,是Rx元缺陷率,是规则的数吗 ,和是规则的数吗 。的变量如果所有的变量都是0,这意味着最好的质量;一个更高的意味着一个贫穷的质量为客户。
基于价值的 ,回归模型的输出,得分计算如表所示3。的zero-percentile (zero-percentile对应回归模型的价值0.0)得到的分数 ,和99百分位( )(99百分位对应的回归模型的价值0.5)得到的分数 。函数背后的想法是,我们想要专注于10%的客户极有可能打投诉电话。这些都是分数小于30。在这些政权,1-percentile得分不到 ;5-percentile得分不到 ;和百分位得分不到 。对于其他百分比的客户中,我们使用一个线性评分功能 ,在那里是百分比除了得分30到40。
4.4。连接质量评分模型
连接评分模型开发连接建立和连接的感知质量下降。评价连接质量分数,我们选择了大约100个KPI变量S1 / SIP /回cdr,其中一些在图所示1。基本的统计分析,我们选择了24个变量,如表所示4,能代表整个连接质量:我们省略变量缺失值和高相关性使用多重共线性测试。
除了决策树模型,大多数预测模型与监督学习不工作,因为高不平衡的数据集和偏态变量(与服务质量模型,我们认为一个决策树模型获得,因为连接质量是任何一个(如果服务连接)或0(否则))。我们使用SAS E-miner包(37)获得的决策树C4.5算法(38)发现的决策树模型图的投诉电话5。目标变量是否调用包含投诉电话;独立变量是24表4。我们不同的参数(如最大数量的分支,最大深度,和叶大小)找到最高的决策树的准确性。树显示性能的准确性99.6146%和83.3333%的敏感性和特异性为99.6151%。
决策树显示连接失败(CNT_CON_FAIL)的数量是非常重要的。如果这个数字高于20,比分是零;如果是2.5至20,比分是20。下一个分支是服务请求数量的移动终端(SRMT)失败(CNT_SRMT_FAIL)。已经建立连接后,如果服务请求失败,CNT_SRMT_FAIL是增加了一个。如果失败的数量高于 ,比分是 ;否则,下一个变量初始注册失败(CNT_INIT_REG_FAIL)的数量,这发生在认证阶段。如果失败的数量高于 ,比分是 。否则,该方法检查实时传输协议(RTP)缺陷率(RTP_DEF_RATE)。RTP数据包应该显示在两个方向。但是,如果他们所示只有一种方法,它可以被视为一个缺陷。RTP的缺陷率是RTP缺陷的数量总数的连接。如果率高于阈值,分数是多少 。否则,比分是 。
连通性的分数计算使用的percentile-score映射表吗3。每个箱子的决策树图5有一个投诉电话。例如,投诉电话率下的粗线框CNT_CON_FAIL节点图5是0.24%。投诉电话率是映射到百分位;百分比是使用表映射到分数3。率对应于95百分位的得分20。
图6显示了投诉电话质量分率和连接。决策树生成4的0,20岁,40岁,到100年,有4点在图中。这表明极端贫穷的质量分数投诉电话率高0.73%,而100年的得分的0.018%。最糟糕的分数组40倍比最好的分数。
感知质量分数。感知质量分数最低的两个分数,即服务得分和连通性的分数 ,方程(1)。这个选择可以从这一事实证明客户反应更糟糕的经历(至少两个)比一般的经历(加权总和)的峰值和结束统治。
5。实验
我们开发了模型使用收集的数据从8月10日至16日,2016年,从一个生产网络。它包含cdr 350亿电话900万用户。执行验证测试数据于8月17日至23日,2016年。
5.1。感知质量分数和投诉电话
图7显示了投诉电话率与感知质量分数 。钻石的线是使用训练数据,而另一个与广场的结果验证数据。两行显示非常相似的模式与11%的最大区别在10的分数。投诉电话率较低时,目标分数高于或等于40岁开始跳的得分30或更少。低分的投诉电话平均组(30或更少)是六倍的高分集团(高于30)和倍的平均水平。投诉电话比最差的小组(分数10或更少)的最佳得分集团(高于90)是22。图证实的有效性提出了分数作为一个很好的衡量预测投诉电话。
5.2。与随机猜测模型进行比较
表5显示了我们的模型的性能比较与一个随机猜测模型,并随机掷硬币的预测。随机猜测模型并抛硬币的概率投诉电话,一般的投诉电话。
真正的积极价值, 提出的模型倍 随机猜测模型。观察,真正的负值也提高了一个类似的数量虽然它很小由于高数据的不平衡。也观察的准确性、敏感性和特异性也有所改善。
5.3。比较KPI与CEI-Based模型:投资目标
我们选择最表现最差的细胞,这是顶级候选人升级和修复,方法和比较如表所示6。KPI-based方法,这是目前使用的方法,重要的kpi等细胞停机率,寻呼成功率,收音机链接失败的数量,数量的无线资源控制设置失败,等等。每个KPI值映射到一个KPI分数之间和 ,和细胞的总分数的加权和KPI的分数。例如,停机率越多,得分越低。在新的CEI-based模型,我们定义坏质量的用户随着那些分数小于或等于 。我们清点的数量坏质量的用户在所有的细胞和降序排序的细胞的数量坏质量的用户。
比较平均的抱怨从选定的话费细胞。观察到的投诉话费CEI-based方法两到六倍比KPI-based方法。一般的投诉电话细胞是和 ,分别。CEI-based方法能够选择细胞引起投诉比KPI-based方法的调用。
5.4。投诉电话响应性能
图8显示了第一次调用决议(货代)率的变化在呼叫中心和现场调度速度趋势后系统的采用。客户的货代率是分数的问题是解决他们第一次调用。我们监控趋势采用后七个月。系统的介绍之前,货物率约为45%。采用后,货代率逐渐增加到51%,60%,67%,和73%,然后趋于稳定在72%左右。减少线显示字段的字段分配率(罗斯福)工程师。当呼叫中心问题不解决,现场工程师派去解决它们。在采用之前,罗斯福是在45%和50%之间。通过后,它下降到25%,这是之前大约一半的速度。采用这个系统,可以更准确地确定呼叫中心代表客户质量问题和解决他们中的许多人,这减少了要求现场工程师。
6。结论
使用机器学习方法,我们建立了一个得分模型预测的可能性作为顾客感知质量的代理客户投诉电话。开发模型包括两个部分:服务质量和连接质量。服务质量模型考虑了感知服务质量在会话期间,而连接质量考虑连接建立。我们克服了几个问题使用clustering-based变量选择,使用PCA伪目标变量生成,并引入SPC-based变量。我们实现了该模型在实际生产网络系统每天处理几十亿电话。管理数百亿cdr,我们使用了开源卡夫卡和火花软件包。发达系统生成一个cross-CDR数据库使用的质量模型合并后各种cdr。
验证试验表明,分数模型具有较强的解释力。个人得分最低的组(得分小于或等于30)有一个高20倍的可能性比得分最高的小组打投诉电话。同时,该模型的敏感性高2.4倍比随机猜测模型。与遗留系统相比,新系统基于提出的评分模型检测基站导致高水平的投诉电话。当细胞与新方法,选择投诉电话的十大最差细胞增加了约6倍。通过升级或维修这些细胞首先,我们相信可以更有效地处理客户的不满。当我们第一次调用监控解析率,也就是说,客户的一部分的问题是解决在第一次调用,率从45%上升到72%在六个月内的采用,这显示了该系统的有效性。
主观质量模型的集成与综合素质模型是一个未来的研究方向。此外,数据服务质量的差异或视频通话质量的服务质量可以集成与客观的质量模型。我们的最终目标是生成数据,可用于改善业务性能通过分析网络质量对顾客的影响净利润分数和客户流失。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究受到了基础科学研究项目通过韩国国家研究基金会(NRF)由科技部,ICT和未来规划(NRF - 2012 r1a1a2007890)。