用戶潛在不滿預(yù)測(cè)分析現(xiàn)狀

　　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(guó)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(jìng)爭(zhēng)主要表現(xiàn)為存量競(jìng)爭(zhēng)，用戶服務(wù)質(zhì)量是用戶歸屬的關(guān)鍵。中國(guó)移動(dòng)目前積累了大量用戶服務(wù)數(shù)據(jù)（10086語(yǔ)音、外呼語(yǔ)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(yǔ)音條數(shù)可高達(dá)百萬(wàn)，并且可以借助語(yǔ)音轉(zhuǎn)寫引擎將語(yǔ)音轉(zhuǎn)換為文本信息。但是目前大部分語(yǔ)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(yǔ)音數(shù)據(jù)的價(jià)值挖掘還存在不足之處。挖掘投訴語(yǔ)音數(shù)據(jù)價(jià)值，識(shí)別出的用戶情緒、語(yǔ)義信息等可為電信運(yùn)營(yíng)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(guó)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(guó)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(lái)源眾多、系統(tǒng)邏輯復(fù)雜、應(yīng)用需求繁雜等，因此中國(guó)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(lái)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(yǔ)音轉(zhuǎn)寫文本等，以及存量運(yùn)營(yíng)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(guó)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(lái)看，既有衡量用戶體驗(yàn)滿意度的方法無(wú)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(yǔ)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(yíng)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(yǔ)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(yǔ)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(wú)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(lái)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(lái)，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)。基于事理認(rèn)知圖譜的用戶演化分析流程如圖2所示。

　　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(wú)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(lái)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(zhǎng)、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(lái)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。

　　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(yǔ)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(wú)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(lái)輔助預(yù)測(cè)。

　　步驟3：在中國(guó)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(yíng)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。

　　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(yíng)工作中正式應(yīng)用。據(jù)統(tǒng)計(jì)，正式應(yīng)用以來(lái)，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(wàn)名用戶的維系挽留，推薦成功率達(dá)32%，帶來(lái)直接經(jīng)濟(jì)收入超4700萬(wàn)元。該方案的生產(chǎn)運(yùn)營(yíng)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(yíng)銷收入拓展

　　該方案成果應(yīng)用于存量用戶智慧運(yùn)營(yíng)體系，以機(jī)器學(xué)習(xí)算法、知識(shí)圖譜對(duì)運(yùn)營(yíng)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(yíng)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(yíng)銷、權(quán)益營(yíng)銷等，共完成1100萬(wàn)次營(yíng)銷，成功104萬(wàn)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(wàn)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(yíng)，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(wàn)戶，同比減少36.7%；運(yùn)營(yíng)用戶離網(wǎng)率低于大網(wǎng)離網(wǎng)率，挽回流失用戶12.4萬(wàn)戶，戶均挽回?fù)p失46.5元，年挽回?fù)p失（在網(wǎng)收益）3459萬(wàn)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(yíng)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(guó)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(yǔ)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(yíng)銷人員的權(quán)益推薦、用戶維系以及策略制定等運(yùn)營(yíng)工作。與此同時(shí)，本文以AI技術(shù)驅(qū)動(dòng)運(yùn)營(yíng)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(yíng)的認(rèn)知分析圖譜具有重要價(jià)值。

　　本方案對(duì)中國(guó)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(yíng)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(yíng)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(yǔ)義分析能力的認(rèn)知推理，在電信運(yùn)營(yíng)商業(yè)務(wù)推薦、存量運(yùn)營(yíng)、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(wàn)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(wú)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(yíng)人員提供了有力抓手。

　　結(jié)論

　　本方案利用無(wú)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(yíng)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(wú)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(yíng)、服務(wù)推薦等場(chǎng)景取得良好效果。