周慧珺，龍濤，陳景航

(1 中山火炬職業(yè)技術(shù)學(xué)院, 中山 528436；2 中國移動通信集團(tuán)廣東有限公司中山分公司，中山 528400）

1 引言

隨著互聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等技術(shù)的發(fā)展，越來越多的軟件利用TD-LTE等技術(shù)接入網(wǎng)絡(luò)，采用Android手機(jī)、iPhone手機(jī)、平板電腦等訪問移動設(shè)備軟件，實(shí)現(xiàn)4G移動數(shù)據(jù)通信和語音通信，進(jìn)一步實(shí)現(xiàn)了人類生活的信息化、智能化和便捷化。TD-LTE網(wǎng)絡(luò)覆蓋面積非常大，覆蓋環(huán)境涉及崇山峻嶺、丘陵溝壑、高樓大廈等，較多的障礙物非常容易遮擋信號，另外雷電、風(fēng)雨、冰雪和斷電等事故多發(fā)，也容易造成基站無法工作，信號傳輸中斷，引起移動客戶的投訴。

目前，中國移動客戶數(shù)以億計，因此產(chǎn)生的投訴量非常大，每一條投訴信息都需要客服人員進(jìn)行處理，如果不對投訴信息進(jìn)行分類，投訴處理進(jìn)度就會非常慢，無法及時回復(fù)客戶，造成客戶轉(zhuǎn)網(wǎng)或離網(wǎng)，不利于占有市場和提升企業(yè)利潤[1]。因此，本文基于筆者多年的工作實(shí)踐，提出采用數(shù)據(jù)挖掘算法針對海量投訴數(shù)據(jù)進(jìn)行分類，將投訴信息自動化地歸納到每一個類別中，實(shí)現(xiàn)對投訴信息的分類處理，進(jìn)一步改進(jìn)客戶服務(wù)水平。

2 移動客戶投訴數(shù)據(jù)處理現(xiàn)狀及存在問題

目前，移動客戶投訴頻發(fā)，投訴條數(shù)以千萬計，但是處理投訴的客服人員少，從雜亂無章的海量投訴信息中隨機(jī)地進(jìn)行人工分類速度慢，因此對投訴信息進(jìn)行分類，將其劃分為網(wǎng)絡(luò)類、業(yè)務(wù)類等分配到每一個客服組中，可以迅速地獲取投訴處理口徑，提高處理速度[2]。目前，移動客戶投訴數(shù)據(jù)分類慢，客戶信息處理時效性較低，客戶服務(wù)水平低下，反饋速度慢[3]。具體描述如下：

（1）客戶投訴數(shù)據(jù)分類慢。移動通信客戶的投訴種類非常多，這些投訴信息涉及流量業(yè)務(wù)、語音業(yè)務(wù)、數(shù)據(jù)業(yè)務(wù)、基礎(chǔ)業(yè)務(wù)、終端業(yè)務(wù)、集團(tuán)業(yè)務(wù)、家庭業(yè)務(wù)、國際/港澳臺業(yè)務(wù)、信息安全等，但是對這些業(yè)務(wù)進(jìn)行人工對比分析的速度非常慢，無法從海量數(shù)據(jù)中實(shí)時地將投訴信息進(jìn)行分類[4]。

（2）客戶信息處理時效性較低。處理客戶投訴時，由于不同的業(yè)務(wù)描述關(guān)鍵詞不同，也有可能同樣的投訴信息描述的關(guān)鍵詞不同，因此容易造成信息處理混亂，因此人工匹配關(guān)鍵詞很慢，客戶投訴信息處理的時效性非常低，另外也非常容易產(chǎn)生反饋錯誤[5]。

（3）沒有實(shí)現(xiàn)簡單問題自動回復(fù)。由于投訴數(shù)據(jù)全靠人工、半人工進(jìn)行比對，所以許多數(shù)據(jù)分析需要人工映射，沒有實(shí)現(xiàn)簡單的投訴問題自動化回復(fù)功能，因此大大地增加了客服人員的工作量，大大地降低了投訴處理水平，降低了客戶的感知[6]。

因此，為了解決客戶投訴處理速度慢、服務(wù)水平低、解決投訴不準(zhǔn)確的問題，本文引入K均值算法，該算法可以將客戶投訴劃分為不同類型，分發(fā)給每一個處理人員。

3 基于K均值的移動客戶投訴數(shù)據(jù)處理算法設(shè)計

為了能夠更加準(zhǔn)確的發(fā)現(xiàn)移動客戶投訴數(shù)據(jù)信息，本文引入了基于K均值的大數(shù)據(jù)挖掘算法，該算法假設(shè)移動客戶投訴數(shù)據(jù)集合可以使用X={x1，x2，…xn}進(jìn)行描述，這些數(shù)據(jù)集中包含了K條投訴記錄，其中mi可以描述第i個簇的中心，i=1，2，…k。另外，也可以使用uj(xi)描述使用K均值算法挖掘移動客戶投訴記錄中的而相關(guān)信息，比如第xi個樣本對第j類的隸屬度，這樣引入模糊數(shù)學(xué)的K均值算法目標(biāo)函數(shù)可以使用公式（1）描述。

其中，常數(shù)b是一個模糊度控制因子，其可以根據(jù)實(shí)際需求調(diào)節(jié)模糊度。算法執(zhí)行過程中可以針對目標(biāo)函數(shù)求導(dǎo)，獲取最優(yōu)解，具體的最優(yōu)解如公式（2）和公式（3）所示。

在程序?qū)崿F(xiàn)過程中，基于模糊數(shù)學(xué)的K均值聚類算法可以使用以下偽代碼描述。

算法輸入?yún)?shù)包括四個，分別是移動客戶投訴記錄數(shù)據(jù)、包含N條投訴記錄、用戶期望得到的K個簇、模糊度控制因子b。

算法輸出：用戶期望得到的K個簇。

算法步驟：

（1）針對N條投訴記錄進(jìn)行初始化，將其隨機(jī)的劃分到K個簇中，并且可以指定每一個簇的中心為mi。

（2）使用公式（3）計算每一個投訴記錄的隸屬度，這樣就可以得到投訴記錄的隸屬概率。

（3）然后針對步驟（2）處理的結(jié)果進(jìn)行排序，選擇最大隸屬度值的數(shù)據(jù)劃分到一個簇，使用公式（2）重新計算K個簇的中心值mi。

（4）然后重復(fù)性操作步驟（2）和步驟（3），遍歷移動客戶投訴記錄數(shù)據(jù)集中的每一個數(shù)據(jù)對象，直到隸屬度不再發(fā)生任何變化時，算法終止。

4 移動客戶投訴處理改進(jìn)后的優(yōu)勢

為了更好地驗(yàn)證移動客戶投訴數(shù)據(jù)處理成效，本文采集了廣東移動2017年6月和7月的投訴數(shù)據(jù)，預(yù)處理之后每個月選擇183萬條處理工單，詳細(xì)數(shù)據(jù)如表1所示。

實(shí)驗(yàn)設(shè)計：2017年6月投訴工單量采用傳統(tǒng)方法進(jìn)行分類，7月份采用K均值進(jìn)行分類。7月份60萬條流量業(yè)務(wù)的處理時間是0.4 s，6月份耗費(fèi)1.3 s，數(shù)據(jù)處理速度提高了70%；7月份183萬條工單的平均處理時間為0.34 s，6月份平均處理時間為1.16 s，因此利用數(shù)據(jù)挖掘方法可以提高處理速度，縮短處理時效，分類時間如圖1所示。

K均值算法不僅可以提高移動客戶投訴數(shù)據(jù)處理時效，還可以更加準(zhǔn)確地對其進(jìn)行分類。為了驗(yàn)證本文數(shù)據(jù)處理的準(zhǔn)確度，可以對7月份數(shù)據(jù)進(jìn)行分類，采用的對比方法包括不使用K均值方法和使用K均值方法兩類，詳細(xì)數(shù)據(jù)描述如表2所示。

通過對實(shí)驗(yàn)進(jìn)行分析，移動客戶投訴處理采用K均值算法之后，投訴處理具有很多優(yōu)勢，這些優(yōu)勢包括以下幾個方面。

表1 廣東移動客戶投訴工單量

表2 兩種算法的實(shí)驗(yàn)結(jié)果精確度對比

圖1 投訴工單分類處理時間（s）

（1）大幅度縮短投訴數(shù)據(jù)處理時間。K均值是一種數(shù)據(jù)分類算法，其可以對海量的投訴工單數(shù)據(jù)按照既定的模式進(jìn)行分類，將紛亂、無章的數(shù)據(jù)劃分到一個個簇中，在這個過程中全部進(jìn)行自動化處理，不需要人工進(jìn)行任何操作，也不需要輸入任何先驗(yàn)數(shù)據(jù)，因此數(shù)據(jù)處理時間就會大幅度縮短。

（2）進(jìn)一步提升投訴數(shù)據(jù)處理準(zhǔn)確度，方便客服人員反饋處理結(jié)果?？蛻敉对V的內(nèi)容非常多，這些內(nèi)容包括流量扣費(fèi)不合理、機(jī)卡分離不返費(fèi)、信息泄露、家庭賬戶扣費(fèi)不正常等，這些投訴既包括大眾市場業(yè)務(wù)，又包括集團(tuán)市場業(yè)務(wù)，投訴的內(nèi)容有可能涉及多個類別，既包括流量又包括語音等，采用K均值算法之后，數(shù)據(jù)處理的分析程度比較全面，可以根據(jù)不同類別的歸屬將其歸到某一類，然后由這一類客服人員進(jìn)行處理，可以更快向客戶反饋投訴結(jié)果。

5 結(jié)束語

隨著“互聯(lián)網(wǎng)+”時代的到來，移動4G通信也逐漸向5G時代邁進(jìn)，廣東移動服務(wù)的客戶也越來越多。隨著用戶文化水平的提升，越來越多的客戶開始重視自身權(quán)益，一旦出現(xiàn)信號不好、扣費(fèi)不合理、流量用得快等情況，移動客戶就會發(fā)出投訴信息。因此，處理數(shù)以億計的客戶投訴工單需要耗費(fèi)大量的人力、物力和財力，因此移動公司一直在致力于提升客戶服務(wù)水平，引入K均值等更加先進(jìn)的數(shù)據(jù)處理技術(shù)，及時、準(zhǔn)確地將投訴工單進(jìn)行分類，然后將處理結(jié)果反饋給客戶。

[1] 李睿穎, 柳炳祥, 萬義成. 一種基于K-Means算法的移動客戶聚類分析方法[J]. 數(shù)字技術(shù)與應(yīng)用, 2016(8):157-158.

[2] 劉璐璐, 惠曾強(qiáng). 一種基于K-均值聚類算法的站點(diǎn)結(jié)構(gòu)優(yōu)化研究[J]. 中國科技信息, 2016(20):68-69.

[3] 穆榮斌, 仲梁維. 基于K-均值算法的數(shù)據(jù)挖掘技術(shù)研究及應(yīng)用[J]. 軟件導(dǎo)刊, 2017,16(4):185-187.

[4] 饒喆, 唐雙喜, 劉國平. 基于蟻群粒子群混合算法的K均值聚類優(yōu)化算法研究[J]. 數(shù)字技術(shù)與應(yīng)用, 2015(4):122-123.

[5] 李鶯. 運(yùn)營商投訴行為的大數(shù)據(jù)分析及應(yīng)用[J]. 通信企業(yè)管理, 2016(10):67-69.

[6] 岳丹陽. 移動通信客戶投訴的智能診斷方法研究[J]. 中國新通信, 2016(17):1-3.