(CWW)以前,電信運(yùn)營商多借助機(jī)器學(xué)習(xí)分類算法和構(gòu)造分類器來衡量用戶體驗(yàn)滿意度,其不足之處在于無法得出用戶不滿意的原因。本文擬使用事理認(rèn)知圖譜技術(shù)進(jìn)行電信運(yùn)營商網(wǎng)絡(luò)及業(yè)務(wù)數(shù)據(jù)的滿意度認(rèn)知分析,從而挖掘事件之間的演化規(guī)律與模式。具體通過引入以事件為形態(tài)的知識(shí)資源,描述實(shí)體間的關(guān)聯(lián)關(guān)系,以及動(dòng)態(tài)化、結(jié)構(gòu)化的語義信息,最終通過事件抽取及關(guān)聯(lián)將各類源數(shù)據(jù)進(jìn)行串聯(lián),從而實(shí)現(xiàn)更精準(zhǔn)的潛在不滿預(yù)測(cè)。
用戶潛在不滿預(yù)測(cè)分析現(xiàn)狀
【資料圖】
當(dāng)前,AI技術(shù)驅(qū)動(dòng)滿意度提升,持續(xù)提升用戶體驗(yàn)成為中國移動(dòng)重點(diǎn)關(guān)注的課題?;貧w到市場(chǎng),電信行業(yè)的市場(chǎng)競爭主要表現(xiàn)為存量競爭,用戶服務(wù)質(zhì)量是用戶歸屬的關(guān)鍵。中國移動(dòng)目前積累了大量用戶服務(wù)數(shù)據(jù)(10086語音、外呼語音、在線服務(wù)記錄、服務(wù)標(biāo)簽等),每日全網(wǎng)內(nèi)產(chǎn)生的語音條數(shù)可高達(dá)百萬,并且可以借助語音轉(zhuǎn)寫引擎將語音轉(zhuǎn)換為文本信息。但是目前大部分語音數(shù)據(jù)僅做短暫存儲(chǔ)并未對(duì)潛在投訴進(jìn)行回溯,對(duì)投訴語音數(shù)據(jù)的價(jià)值挖掘還存在不足之處。挖掘投訴語音數(shù)據(jù)價(jià)值,識(shí)別出的用戶情緒、語義信息等可為電信運(yùn)營商提供決策支持,而且提前獲知用戶的潛在不滿意傾向甚至離網(wǎng)傾向,也有助于持續(xù)提升用戶使用體驗(yàn)。
對(duì)用戶潛在不滿進(jìn)行預(yù)測(cè)是中國移動(dòng)用戶服務(wù)分析的重要內(nèi)容,主要用于挖掘潛在不滿用戶,并且給予精準(zhǔn)維系和服務(wù),從而提升用戶服務(wù)感知。中國移動(dòng)各服務(wù)領(lǐng)域應(yīng)用呈現(xiàn)日趨復(fù)雜的特性,比如數(shù)據(jù)來源眾多、系統(tǒng)邏輯復(fù)雜、應(yīng)用需求繁雜等,因此中國移動(dòng)潛在不滿預(yù)測(cè)系統(tǒng)在構(gòu)建中也面臨“多而雜”的場(chǎng)景。具體來看,包括智能應(yīng)答側(cè)提供的投訴工單、在線服務(wù)記錄、需求文檔、業(yè)務(wù)管理規(guī)定、語音轉(zhuǎn)寫文本等,以及存量運(yùn)營側(cè)需要獲取的用戶特征、用戶標(biāo)簽、場(chǎng)景化行為、DPI解析數(shù)據(jù)等。因此構(gòu)建一種服務(wù)預(yù)警的認(rèn)知概念網(wǎng)絡(luò),針對(duì)不同場(chǎng)景定制模型,將對(duì)中國移動(dòng)服務(wù)提升產(chǎn)生重要作用。不可否認(rèn)的是,在相關(guān)模型構(gòu)建過程中數(shù)據(jù)處理、模型學(xué)習(xí)等工作也面臨巨大挑戰(zhàn)。
就目前來看,既有衡量用戶體驗(yàn)滿意度的方法無法定位出用戶不滿意的原因,即便是通過統(tǒng)計(jì)方法,也只能定位出可能影響滿意度的指標(biāo),缺少語義進(jìn)行具體分析,而且業(yè)務(wù)人員在后期精準(zhǔn)運(yùn)營和業(yè)務(wù)推薦時(shí)可參考的資料較少。
因此,本文提出一種面向用戶潛在不滿預(yù)測(cè)的事理認(rèn)知圖譜分析方法,意在實(shí)現(xiàn)更有效的信息沉淀,即事理認(rèn)知圖譜可以通過數(shù)據(jù)進(jìn)行自動(dòng)構(gòu)建,快速抽取關(guān)系,沉淀經(jīng)驗(yàn);更清晰地呈現(xiàn),即事理認(rèn)知圖譜通過語義網(wǎng)絡(luò)將基于時(shí)間線的用戶事件知識(shí)進(jìn)行關(guān)聯(lián),使知識(shí)關(guān)系更清晰;更有效地判別潛在不滿,即事理認(rèn)知圖譜可以展現(xiàn)用戶不滿意的置信度以及語義原因,使業(yè)務(wù)人員在維護(hù)時(shí)能夠有更好的參照。
事理認(rèn)知圖譜功能架構(gòu)
本方案通過事理認(rèn)知圖譜進(jìn)行以無線、家庭寬帶、資費(fèi)數(shù)據(jù)為基礎(chǔ)的事理邏輯分析,從而對(duì)負(fù)面事件(用戶不滿、升級(jí)投訴、離網(wǎng)預(yù)警等)進(jìn)行演化規(guī)律預(yù)測(cè)。該方案設(shè)計(jì)了一種面向用戶滿意度預(yù)測(cè)事件實(shí)體、事理邏輯關(guān)系(如順承、因果、條件、上下位等)的事件知識(shí)表示方法,并通過事理認(rèn)知圖譜可視化地呈現(xiàn)單個(gè)用戶的發(fā)展趨勢(shì),最終融合業(yè)務(wù)事件和事實(shí)事件,將單個(gè)用戶生命周期內(nèi)的事件進(jìn)行時(shí)間序列串聯(lián),從而形成清晰、有邏輯的事件時(shí)間線,輸出潛在不滿用戶列表,并將時(shí)間線關(guān)聯(lián)的事件信息輸出。
技術(shù)架構(gòu)
該方案技術(shù)架構(gòu)主要由數(shù)據(jù)層、構(gòu)建層、計(jì)算層、應(yīng)用層構(gòu)成,如圖1所示。具體來看,該方案在數(shù)據(jù)層的基礎(chǔ)上設(shè)計(jì)事件圖譜構(gòu)建層及事件圖譜計(jì)算層,通過事件抽取及事件關(guān)系預(yù)測(cè)從業(yè)務(wù)數(shù)據(jù)中構(gòu)建事件圖譜,通過事件圖譜計(jì)算層補(bǔ)充事件關(guān)系并對(duì)事件屬性及演化趨勢(shì)進(jìn)行計(jì)算,最終以接口及文本同步方式對(duì)上層應(yīng)用賦能,實(shí)現(xiàn)潛在不滿用戶列表輸出。
圖1 面向用戶潛在不滿預(yù)測(cè)的事理認(rèn)知圖譜技術(shù)架構(gòu)
·事件抽取
事件抽取主要包括事件類型判斷、觸發(fā)詞管理、業(yè)務(wù)實(shí)體管理、事件名生成,即通過人工設(shè)定的觸發(fā)詞對(duì)業(yè)務(wù)數(shù)據(jù)進(jìn)行篩選,將包含觸發(fā)詞的數(shù)據(jù)初篩出來,下一步進(jìn)行事件類型及業(yè)務(wù)實(shí)體判斷,進(jìn)而根據(jù)事件類型、觸發(fā)詞及業(yè)務(wù)實(shí)體進(jìn)行事件名的預(yù)測(cè)輸出。
·事件關(guān)系預(yù)測(cè)
事件關(guān)系預(yù)測(cè)主要對(duì)抽取出的多個(gè)事件進(jìn)行關(guān)系判斷,其中可能包括時(shí)序關(guān)系、共指關(guān)系、從屬關(guān)系、因果關(guān)系等。
·事件計(jì)算
事件計(jì)算主要對(duì)抽取出的海量事件進(jìn)行相似度計(jì)算及統(tǒng)計(jì),對(duì)事件進(jìn)行權(quán)重、質(zhì)量、熱度等維度的標(biāo)簽劃分,用以輔助后續(xù)圖譜的關(guān)系推理及計(jì)算。
·事件推理
根據(jù)上述已有的圖譜信息,對(duì)事件進(jìn)行關(guān)系推理及補(bǔ)充,并計(jì)算演化趨勢(shì)。
構(gòu)建方法
本文涉及的用戶滿意度預(yù)測(cè)本質(zhì)上是一個(gè)分類任務(wù),即通過分析帶有時(shí)間線的用戶事件序列,將用戶分為滿意與不滿意兩類并進(jìn)行演化預(yù)測(cè)?;谑吕碚J(rèn)知圖譜的用戶演化分析流程如圖2所示。
圖2基于事理認(rèn)知圖譜的用戶演化分析流程
對(duì)于已有服務(wù)場(chǎng)景下弱時(shí)序的稀疏事件序列,既有方法很難直接從事件序列中挖掘出用戶對(duì)服務(wù)的滿意程度。為此,本文提出了一種PA-LSTM模型,它分為事件特征提取、用戶畫像構(gòu)建、個(gè)性化預(yù)測(cè)3個(gè)模塊。
事件特征提取模塊使用LSTM從用戶事件序列中提取事件特征,包括網(wǎng)絡(luò)黑點(diǎn)、家庭寬帶網(wǎng)絡(luò)低質(zhì)探測(cè)特征、無線網(wǎng)絡(luò)質(zhì)差、10086服務(wù)熱線滿意與否、投訴工單原因等,實(shí)現(xiàn)多維度、多場(chǎng)景下來源復(fù)雜用戶數(shù)據(jù)的時(shí)序關(guān)系特征向量化表達(dá)。用戶畫像構(gòu)建模塊使用TCN根據(jù)用戶的屬性信息(如在網(wǎng)時(shí)長、當(dāng)月通話、當(dāng)月流量等)提取用戶固有的時(shí)序畫像特征。個(gè)性化預(yù)測(cè)即使用注意力機(jī)制分析用戶敏感事件,基于事件數(shù)據(jù)和畫像數(shù)據(jù),并根據(jù)用戶相近群體的滿意度偏好來輔助判斷用戶滿意度。事理認(rèn)知圖譜的構(gòu)建模型如圖3所示。
圖3 事理認(rèn)知圖譜的構(gòu)建模型
步驟1:針對(duì)現(xiàn)有事件圖譜數(shù)據(jù)源,基于移動(dòng)通信領(lǐng)域服務(wù)事件時(shí)序關(guān)系弱以及事件稀疏的特點(diǎn),提出了PA-LSTM模型,使用事件特征提取事件語義信息,進(jìn)行用戶敏感度分析,指導(dǎo)用戶畫像構(gòu)建。
步驟2:系統(tǒng)通過用戶的屬性信息、業(yè)務(wù)信息、位置信息以及無線網(wǎng)絡(luò)感知和家寬探測(cè)等數(shù)據(jù),為用戶構(gòu)建了基于時(shí)序事件關(guān)系的畫像。同時(shí),系統(tǒng)利用注意力機(jī)制個(gè)性化地學(xué)習(xí)特定用戶的事件序列,同時(shí)考慮用戶群體的滿意度傾向來輔助預(yù)測(cè)。
步驟3:在中國移動(dòng)的實(shí)際工業(yè)數(shù)據(jù)集上進(jìn)行應(yīng)用,通過回收運(yùn)營結(jié)果,證明本方法能夠很好地預(yù)測(cè)用戶不滿意度,為提前進(jìn)行干預(yù)提供重要幫助。
面向用戶自感知的事件知識(shí)圖譜滿意度預(yù)測(cè)分析結(jié)果示例,如圖4所示。
圖4 面向用戶自感知的事件知識(shí)圖譜滿意度預(yù)測(cè)分析結(jié)果示例
事理認(rèn)知圖譜應(yīng)用實(shí)例
2022年初,該方案已在天津移動(dòng)存量運(yùn)營工作中正式應(yīng)用。據(jù)統(tǒng)計(jì),正式應(yīng)用以來,該方案模型查準(zhǔn)率達(dá)85%,查全率達(dá)63%,已執(zhí)行了75.2萬名用戶的維系挽留,推薦成功率達(dá)32%,帶來直接經(jīng)濟(jì)收入超4700萬元。該方案的生產(chǎn)運(yùn)營效益主要體現(xiàn)在減少潛在離網(wǎng)用戶量、降本增效、節(jié)約人工成本等方面。
營銷收入拓展
該方案成果應(yīng)用于存量用戶智慧運(yùn)營體系,以機(jī)器學(xué)習(xí)算法、知識(shí)圖譜對(duì)運(yùn)營進(jìn)行動(dòng)態(tài)調(diào)優(yōu),并在多次迭代優(yōu)化中,不斷提升目標(biāo)用戶輸出與策略匹配的精準(zhǔn)度,促進(jìn)營銷外呼成功率提升至其他方案的2倍。針對(duì)存量用戶價(jià)值循環(huán)升檔、到期續(xù)約、低端用戶維系、異動(dòng)修復(fù)、5G終端營銷、權(quán)益營銷等,共完成1100萬次營銷,成功104萬人次,推薦策略滿足用戶價(jià)值循環(huán)升檔,用戶折后ARPU提升了6.35元/戶/年,方案總體創(chuàng)收金額達(dá)到660.5萬元。
減少離網(wǎng)率,提升在網(wǎng)收益
該方案通過多場(chǎng)景聯(lián)合運(yùn)營,有效提升了用戶保有率,減少了用戶離網(wǎng)率。截至2021年12月,月均離網(wǎng)9.3萬戶,同比減少36.7%;運(yùn)營用戶離網(wǎng)率低于大網(wǎng)離網(wǎng)率,挽回流失用戶12.4萬戶,戶均挽回?fù)p失46.5元,年挽回?fù)p失(在網(wǎng)收益)3459萬元。
事理認(rèn)知圖譜方案價(jià)值
本方案遵循自下向上的構(gòu)建方法,通過模式設(shè)計(jì)、抽取實(shí)體、關(guān)系計(jì)算3個(gè)主要步驟,構(gòu)建了面向運(yùn)營商用戶的潛在不滿意預(yù)測(cè)事理認(rèn)知圖譜。提出的個(gè)性化不滿意預(yù)測(cè)模型PA-LSTM,能夠很好地結(jié)合用戶屬性信息分析用戶事件序列對(duì)用戶滿意度的影響,同時(shí)考慮到用戶群體的不滿意偏向性,該模型在中國移動(dòng)提供的真實(shí)用戶事件數(shù)據(jù)集上取得了良好效果。
本方案依據(jù)天津移動(dòng)實(shí)踐經(jīng)驗(yàn)構(gòu)建的事理認(rèn)知圖譜,融合業(yè)務(wù)數(shù)據(jù)與大數(shù)據(jù)標(biāo)簽數(shù)據(jù),使圖譜語義網(wǎng)絡(luò)能夠捕捉用戶的潛在意圖及推薦商機(jī),并且基于多種可能的推薦鏈路進(jìn)行推薦排序,能夠支撐市場(chǎng)營銷人員的權(quán)益推薦、用戶維系以及策略制定等運(yùn)營工作。與此同時(shí),本文以AI技術(shù)驅(qū)動(dòng)運(yùn)營體系進(jìn)行圖譜化重構(gòu),實(shí)現(xiàn)了推薦、維系、策略、數(shù)據(jù)分析結(jié)果可讀可理解,對(duì)于打造人工智能智慧運(yùn)營的認(rèn)知分析圖譜具有重要價(jià)值。
本方案對(duì)中國移動(dòng)全網(wǎng)知識(shí)圖譜試點(diǎn)工作具有重要支撐作用,提出的基于認(rèn)知分析的知識(shí)圖譜構(gòu)建方案對(duì)全網(wǎng)分析類知識(shí)圖譜有較強(qiáng)指導(dǎo)意義。本方案的構(gòu)建方法可以適配通用場(chǎng)景,在運(yùn)營分析、服務(wù)預(yù)警、離網(wǎng)預(yù)警等方面具有廣泛的應(yīng)用前景。
本方案對(duì)認(rèn)知圖譜在滿意度預(yù)測(cè)領(lǐng)域的應(yīng)用及業(yè)務(wù)運(yùn)營具有重要意義,將傳統(tǒng)機(jī)器學(xué)習(xí)的知識(shí)圖譜構(gòu)建與推理改進(jìn)為納入語義分析能力的認(rèn)知推理,在電信運(yùn)營商業(yè)務(wù)推薦、存量運(yùn)營、服務(wù)感知分析領(lǐng)域體現(xiàn)出“可解釋”的優(yōu)勢(shì)。目前,認(rèn)知圖譜已收納天津移動(dòng)900萬用戶的73個(gè)大數(shù)據(jù)標(biāo)簽、32個(gè)家寬探測(cè)特征和9個(gè)無線網(wǎng)絡(luò)特征并建立起原子網(wǎng)絡(luò),以“監(jiān)督+自動(dòng)生成”方式產(chǎn)生了29個(gè)原因概念和50余個(gè)基礎(chǔ)概念,在天津移動(dòng)滿意度預(yù)測(cè)中提升了查準(zhǔn)率,為預(yù)測(cè)結(jié)果提供了明確的解釋理由,為運(yùn)營人員提供了有力抓手。
結(jié)論
本方案利用無線、家庭寬帶、資費(fèi)等多源數(shù)據(jù)構(gòu)建事件序列知識(shí)圖譜網(wǎng)絡(luò),以清晰、有邏輯的事件圖譜串接相關(guān)數(shù)據(jù),并進(jìn)行演化規(guī)律預(yù)測(cè),可以有效幫助服務(wù)運(yùn)營人員分析用戶不滿意原因。本方案打造的事理認(rèn)知圖譜,實(shí)現(xiàn)了以無線、家庭寬帶、資費(fèi)數(shù)據(jù)為基礎(chǔ)的事理邏輯分析,已在天津移動(dòng)的大數(shù)據(jù)分析、存量運(yùn)營、服務(wù)推薦等場(chǎng)景取得良好效果。
關(guān)鍵詞: