王鋮岑 何均均 王江舟

中國移動通信集團(tuán)江蘇有限公司南通分公司

0 引言

近年來，移動家庭寬帶業(yè)務(wù)飛速發(fā)展，面對寬帶業(yè)務(wù)同質(zhì)化嚴(yán)重的形勢，如何在日趨激烈的市場競爭中贏得客戶，并提升客戶粘性，網(wǎng)絡(luò)質(zhì)量、服務(wù)質(zhì)量和用戶滿意度成為了關(guān)鍵因素。

目前，寬帶質(zhì)量和服務(wù)存在五個急需改善的問題（見圖1）：

圖1 寬帶質(zhì)量和服務(wù)存在的問題

（1）網(wǎng)絡(luò)質(zhì)量定性定量困難。網(wǎng)絡(luò)質(zhì)量零散、相關(guān)數(shù)據(jù)關(guān)聯(lián)困難，無法統(tǒng)一呈現(xiàn)，依靠人工分析，各個層面分析依靠自有專業(yè)團(tuán)隊，導(dǎo)致問題無法徹底暴露和解決。

（2）網(wǎng)絡(luò)問題定位準(zhǔn)確率低。目前利用各類網(wǎng)管輔助定障，準(zhǔn)確度只有40%，無法支撐大數(shù)據(jù)分析和應(yīng)用。

（3）服務(wù)前后綜合質(zhì)量量化困難。目前對不滿意用戶的維護(hù)，基本依靠上門處置優(yōu)化，但根據(jù)對用戶回訪分析，50%以上的用戶答復(fù)無明顯改善，只是對上門表示認(rèn)可滿意。

（4）評價維度較少。目前較好的評價體系主要基于家庭寬帶一戶一線的特性，健康度評測以個性評價為主，依托于故障投訴、網(wǎng)絡(luò)性能、套餐資費(fèi)等顯性直觀的指標(biāo)進(jìn)行整體評價。與手機(jī)業(yè)務(wù)相比，流程業(yè)務(wù)長，用戶側(cè)環(huán)境復(fù)雜，質(zhì)差界面不清晰。

（5）評價體系科學(xué)性有待提高。目前家客業(yè)務(wù)維度廣，評價主體多，缺乏對用戶行為及個體主觀感受的深度挖掘，使得用戶個體的服務(wù)體驗(yàn)評價差異未能有效體現(xiàn)。

1 技術(shù)研究

1.1 總體方案

總體方案如下：

（1）基礎(chǔ)數(shù)據(jù)獲取及預(yù)處理：初選感知點(diǎn)、匹配指標(biāo)，對用戶行為、故障、性能、業(yè)務(wù)感知、反饋評價、裝維記錄等抽取、標(biāo)簽化及預(yù)處理。

（2）指標(biāo)篩選收斂：對連續(xù)指標(biāo)變量進(jìn)行分箱處理、數(shù)據(jù)無量綱化處理；選擇算法構(gòu)建模型，進(jìn)行關(guān)聯(lián)指標(biāo)篩選。

（3）模型優(yōu)化：選取樣本數(shù)據(jù)進(jìn)行模型驗(yàn)證和迭代優(yōu)化；得到各變量權(quán)重系數(shù)，計算各寬帶用戶滿意度得分。

（4）滿意度短板分析：對全網(wǎng)用戶進(jìn)行畫像分析，指出短板指標(biāo)，并通過聚類輸出個體及共性不滿意問題點(diǎn)。

（5）滿意度提升：問題點(diǎn)派單到責(zé)任單元主動整治；滿意度低用戶提升服務(wù)響應(yīng)優(yōu)先級。

1.2 技術(shù)實(shí)現(xiàn)方案

技術(shù)實(shí)現(xiàn)方案如圖2 所示。

圖2 基于AI 畫像的家寬用戶多維健康體系技術(shù)實(shí)現(xiàn)方案

1.2.1 特征抽取與數(shù)據(jù)預(yù)處理

基于DPI 系統(tǒng)、PON 業(yè)務(wù)支撐平臺、IP 數(shù)據(jù)網(wǎng)管、HGU軟探針等實(shí)時性指標(biāo)，抽取家寬滿意度相關(guān)數(shù)據(jù)，包括服務(wù)質(zhì)量、業(yè)務(wù)質(zhì)量、家庭網(wǎng)絡(luò)質(zhì)量、承載網(wǎng)絡(luò)質(zhì)量、用戶行為等，并完成滿意度數(shù)據(jù)探索分析、滿意度特征清洗等模型訓(xùn)練前的特征處理過程。

1.2.2 滿意度模型迭代訓(xùn)練

對NPS 等滿意度調(diào)研樣本和基于經(jīng)驗(yàn)值估樣本，進(jìn)行過采樣處理，構(gòu)建不滿意標(biāo)簽用戶訓(xùn)練數(shù)據(jù)。通過基于強(qiáng)化學(xué)習(xí)的三階段機(jī)器學(xué)習(xí)自動化設(shè)計、基于自適應(yīng)連續(xù)篩選的模型選擇、基于多保真度和貝葉斯優(yōu)化的超參優(yōu)化，實(shí)現(xiàn)匹配AI計算12 種差異化模型。如圖3 所示。

圖3 基于自適應(yīng)連續(xù)篩選的模型選擇流程

1.2.3 模型應(yīng)用與畫像輸出

基于優(yōu)化后的模型，周期性對全網(wǎng)用戶進(jìn)行滿意度評價，為每用戶輸出滿意度得分和影響滿意度的短板因素。同時提供區(qū)縣、小區(qū)維度的滿意度對比、趨勢、共性因素等專題分析等功能。

2 關(guān)鍵技術(shù)與創(chuàng)新點(diǎn)

基于AI 畫像的家寬用戶多維健康體系是基于DPI 系統(tǒng)、PON 業(yè)務(wù)支撐平臺、IP 數(shù)據(jù)網(wǎng)管、HGU 軟探針等實(shí)時性指標(biāo)，并同步整合用戶上網(wǎng)行為、投訴反饋等信息，進(jìn)行系統(tǒng)開發(fā)及大數(shù)據(jù)處理，為全網(wǎng)寬帶建立滿意度評價體系。輸出低滿意度用戶短板清單，針對低滿意度用戶問題點(diǎn)閉環(huán)整治，同時支持差異化服務(wù)響應(yīng)，實(shí)現(xiàn)感知修復(fù)。

2.1 多系統(tǒng)融合開發(fā)

該體系基于DPI 系統(tǒng)、PON 業(yè)務(wù)支撐平臺、IP 數(shù)據(jù)網(wǎng)管、HGU 軟探針等實(shí)時性指標(biāo)，并同步整合用戶上網(wǎng)行為、投訴反饋等信息，進(jìn)行系統(tǒng)開發(fā)及大數(shù)據(jù)處理。

2.2 基于AI 的機(jī)器學(xué)習(xí)

通過選取3 種算法對滿意度模型進(jìn)行訓(xùn)練效果對比分析和交叉驗(yàn)證，同時在訓(xùn)練樣本的調(diào)查和經(jīng)驗(yàn)抽取階段，細(xì)分用戶不同場景（如：城市小區(qū)、農(nóng)村等），實(shí)現(xiàn)不同場景的差異化評價訓(xùn)練，經(jīng)過模型測試評價，最終選擇確定偏向真實(shí)的滿意度模型。

2.3 多維度呈現(xiàn)

經(jīng)機(jī)器學(xué)習(xí)后，生成全網(wǎng)家寬用戶質(zhì)量的定制畫像，并可從區(qū)縣、網(wǎng)格、小區(qū)維度輸出滿意度短板。同時，可從營銷維度呈現(xiàn)質(zhì)差路由器，從服務(wù)維度呈現(xiàn)質(zhì)差TOP 小區(qū)，從而多手段齊頭并進(jìn)，提升客戶感知。

2.4 端到端智能畫像

通過端到端的42 個屬性綜合分析，實(shí)現(xiàn)云管端三個維度的畫像，從宏觀上體現(xiàn)滿意度現(xiàn)狀和痛點(diǎn)，從微觀上實(shí)現(xiàn)弱項(xiàng)深鉆，并專項(xiàng)提升。如表1 所示。

表1 端到端智能畫像屬性表

?

3 應(yīng)用效果

3.1 整體應(yīng)用情況

家寬用戶多維健康體系于2020 年1 月初步搭建完成，自運(yùn)行以來，累計發(fā)現(xiàn)端到端問題1738 起，其中云端問題162 起、管道端問題381 起、戶端1195 起。

針對第一批846 名質(zhì)差家寬用戶訓(xùn)練輸出，呈現(xiàn)數(shù)據(jù)如圖4 所示（數(shù)據(jù)未全量呈現(xiàn)）。

圖4 第一批質(zhì)差家寬用戶訓(xùn)練輸出數(shù)據(jù)

通過對用戶回訪發(fā)現(xiàn)，846 名用戶中成功回訪用戶251 名，其中188 名質(zhì)量問題點(diǎn)與平臺輸出一致，47 名用戶反饋寬帶使用無問題，16 名用戶因不在家，對使用情況不清楚。該體系應(yīng)用成功率超80%，成功率約為原輔助定障系統(tǒng)的2 倍。

根據(jù)AI 構(gòu)建的模型為每位用戶進(jìn)行滿意度打分，得分區(qū)間采用歸一算法進(jìn)行分布區(qū)間的調(diào)整。如下分值統(tǒng)計是基于80-100 的區(qū)間分布規(guī)則，通過對各區(qū)縣低于85 分用戶占比及95 分以上用戶占比分析，針對性地對通州、開發(fā)、啟東進(jìn)行弱項(xiàng)提升工作部署。如圖5 所示。

圖5 各區(qū)縣低于85 分用戶占比及95 分以上用戶占比分析

3.2 實(shí)際應(yīng)用效果

3.2.1 在運(yùn)維上產(chǎn)生的效果

（1）網(wǎng)絡(luò)問題分段準(zhǔn)確。在端到端的定界上，根據(jù)TCP的特征把控，成功將問題分為云端、管道端、戶端。發(fā)現(xiàn)并解決OTT、Cache、IDC 等質(zhì)差內(nèi)容源7 起，指導(dǎo)內(nèi)容源提升服務(wù)質(zhì)量和HTTP 成功率。指導(dǎo)管道端誤碼、光功率問題閉環(huán)23 起，處理戶端問題1000 余個。如圖6 所示。

圖6 網(wǎng)絡(luò)問題分段定位

（2）問題定位準(zhǔn)確度提升。根據(jù)訓(xùn)練和驗(yàn)證情況，目前準(zhǔn)確度接近80%。用戶滿意度可量化，根據(jù)各維度綜合答復(fù)，可真實(shí)體現(xiàn)網(wǎng)絡(luò)質(zhì)量滿意度情況。增加了8 大評價維度，通過模型算法得出綜合滿意度情況，結(jié)合用戶行為及個體主觀感受的深度挖掘，給用戶提供溫暖的家庭寬帶。

（3）創(chuàng)新帶來的效率提升。在本研究成果完成前，運(yùn)營商對用戶的實(shí)際感知情況處于離散、不完整呈現(xiàn)狀態(tài)，需通過多個平臺進(jìn)行數(shù)據(jù)采集，人工匯總進(jìn)行分析。本研究成果完成后將各平臺數(shù)據(jù)集中于一體，數(shù)據(jù)高度整合，且通過AI 進(jìn)行自動分析，輸出檢測報告。更快的訓(xùn)練效率、低內(nèi)存使用、更高的準(zhǔn)確率、支持并行化學(xué)習(xí)等創(chuàng)新優(yōu)勢將工作效率提升

85%。

3.2.2 在滿意度上產(chǎn)生的效果

（1）提升維護(hù)效率：基于滿意度畫像，可快速、準(zhǔn)確獲取多維度（場景、區(qū)域、類型、業(yè)務(wù)等）用戶感知情況，提前優(yōu)化感知變差的用戶或區(qū)域，使網(wǎng)絡(luò)優(yōu)化由解決用戶投訴的被動模式變?yōu)樘崆皟?yōu)化的主動模式，故障重復(fù)投訴率降低2.5pp，故障投訴減少350 次/月。

（2）提升網(wǎng)絡(luò)質(zhì)量：從基于AI 構(gòu)建的模型，多維度分析滿意度的短板因素，分析影響特征中的可整治要素，通過工單驅(qū)動提前實(shí)施整治，促進(jìn)短板改善，2020 年4 月到2020 年5 月寬帶網(wǎng)絡(luò)質(zhì)量滿意度從78.17 提升到80.64。

（3）重點(diǎn)用戶保障：通過重點(diǎn)監(jiān)控和優(yōu)化高優(yōu)先級用戶，使運(yùn)維工作由基本的網(wǎng)絡(luò)維護(hù)優(yōu)化提升為重點(diǎn)客戶用戶滿意度保障和提升。

（4）經(jīng)濟(jì)效益提升：隨著網(wǎng)絡(luò)質(zhì)量的提升，滿意度不斷提高，口碑效應(yīng)愈發(fā)明顯。新用戶及攜轉(zhuǎn)用戶數(shù)大幅增長，同比2019 年新用戶數(shù)增長了99%，收益同比增長1.5 億。

（5）社會效應(yīng)：本研究成果在通信互聯(lián)網(wǎng)行業(yè)內(nèi)起到示范帶頭作用，多家互聯(lián)網(wǎng)公司學(xué)習(xí)效仿。全國4 個省26 個地市直接或間接采用了本次研究成果，并取得突出成績。

4 結(jié)束語

基于AI 的家寬用戶多維健康體系，是基于用戶服務(wù)質(zhì)量、業(yè)務(wù)質(zhì)量、家庭網(wǎng)絡(luò)質(zhì)量、承載網(wǎng)絡(luò)質(zhì)量等信息的融合，通過數(shù)據(jù)清洗篩選、模型建立并訓(xùn)練數(shù)據(jù)等，最終為全網(wǎng)寬帶建立滿意度評分體系，輸出滿意度低用戶短板清單、質(zhì)差小區(qū)清單等，并針對低滿意度問題點(diǎn)閉環(huán)整治，同時差異化服務(wù)響應(yīng)，從而實(shí)現(xiàn)感知修復(fù)。該體系從主動優(yōu)化維護(hù)的角度，不僅可解決投訴用戶的問題訴求，而且可提升潛在投訴用戶的寬帶使用感知，從而帶來家庭寬帶質(zhì)量口碑的轉(zhuǎn)變。