劉敏　張曉川　楊旭

摘? 要：在IT服務(wù)過程中，普遍存在滿意度數(shù)據(jù)采集單一、滿意度分析不全面、滿意度預(yù)測機制簡單，以及缺少滿意度智能糾錯機制等問題，為此設(shè)計一種基于多源數(shù)據(jù)匯集和決策樹的滿意度提升技術(shù)，利用滿意度決策樹模型，對多IT系統(tǒng)和多渠道來源的滿意度數(shù)據(jù)進行了歸一化處理和融合。提出滿意度智能計算模型，為滿意度管理、預(yù)警、智能微調(diào)及自動糾錯提供計算基礎(chǔ)。引入剪枝優(yōu)化的記憶化搜索算法，對滿意度數(shù)據(jù)進行智能糾錯。通過建立分層次、多角度、全方位的滿意度管理模式，有效提升IT系統(tǒng)服務(wù)滿意度，具有廣泛的應(yīng)用前景。

關(guān)鍵詞：多源數(shù)據(jù)匯集；剪枝優(yōu)化；智能糾錯；內(nèi)部滿意度；決策樹

中圖分類號：TP39? ? 文獻標識碼：A? 文章編號：2096-4706（2023）13-0126-06

Satisfaction Improvement Technology Based on Multi-source Data Collection and Decision Tree

LIU Min， ZHANG Xiaochuan， YANG Xu

（China Mobile Communications Group Guangdong Co.， Ltd.， Guangzhou? 510623， China）

Abstract： In the process of IT services， there are many problems such as single satisfaction data collection， incomplete satisfaction analysis， simple satisfaction prediction mechanism， and lack of intelligent error correction mechanism for satisfaction. Therefore， a satisfaction improvement technology based on multi-source data collection and decision tree is designed. Using satisfaction decision tree model， the satisfaction data from multiple IT systems and multi-channel are normalized and integrated. Propose an intelligent calculation model for satisfaction， providing a computational basis for satisfaction management， early warning， intelligent fine-tuning， and automatic error correction. The memoization search algorithm for pruning optimization is introduced to intelligently correct the satisfaction data. By establishing a hierarchical， multi-angle， and comprehensive satisfaction management mode， IT system service satisfaction can be effectively improved， which has broad application prospects.

Keywords： multi-source data collection; pruning optimization; intelligent error correction; internal satisfaction; decision tree

0? 引? 言

數(shù)字化大潮為業(yè)務(wù)部門提供了精細運營、改善管理的新手段。而業(yè)務(wù)部門為了改善部門績效，吃足數(shù)字化紅利，拋出了海量且持續(xù)快速增長的IT需求。IT部門在巨大的壓力下不堪重負，而業(yè)務(wù)部門對IT需求支撐和系統(tǒng)服務(wù)方面，卻越來越不滿意。因此如何高效精確地進行IT內(nèi)部服務(wù)滿意度管理勢在必行。

現(xiàn)有主流的滿意度管理，都是針對公司某一產(chǎn)品使用的外部用戶進行滿意度管理，通過電話、問卷等方式，收集外部用戶對公司產(chǎn)品的使用滿意度數(shù)據(jù)，生成滿意度結(jié)果，并對這些外部用戶進行關(guān)懷。缺少對IT服務(wù)面向的公司內(nèi)部員工的滿意度管理，導(dǎo)致公司內(nèi)部需求響應(yīng)、IT投訴方面的問題得不到及時解決。

現(xiàn)有主流的滿意度管理實現(xiàn)功能比較單一簡單，通過錄入滿意度調(diào)查問卷、采集某個IT系統(tǒng)的滿意度信息生成滿意度結(jié)果數(shù)據(jù)，沒有從公司整體角度出發(fā)考慮滿意度管理，對公司涉及的多個業(yè)務(wù)系統(tǒng)也沒有進行綜合考慮和滿意度關(guān)聯(lián)管理。滿意度數(shù)據(jù)來源單一，數(shù)據(jù)不全面，沒有進行通盤考慮和關(guān)聯(lián)分析，這些因素都會影響最終的IT內(nèi)部服務(wù)質(zhì)量。

1? 現(xiàn)有IT滿意度管理存在的問題

我們在IT服務(wù)過程中，面臨缺乏有效的內(nèi)部員工滿意度管理，滿意度數(shù)據(jù)采集單一、滿意度分析不全面、滿意度預(yù)測機制簡單、缺少滿意度微調(diào)糾錯機制等問題。

1.1? 缺乏有效的內(nèi)部員工滿意度管理

現(xiàn)有主流的滿意度管理，都是針對公司產(chǎn)品使用的外部用戶進行滿意度管理，并對這些外部用戶進行關(guān)懷。缺少對IT服務(wù)面向的公司內(nèi)部員工的滿意度管理，致使公司內(nèi)部需求響應(yīng)、IT投訴方面的問題得不到及時解決。

1.2? 滿意度分析不全面

現(xiàn)有技術(shù)方案中的滿意度原始數(shù)據(jù)采集來源都比較單一，采集來源來自某個系統(tǒng)或某批次滿意度調(diào)查數(shù)據(jù)的錄入，沒有進行多系統(tǒng)的通盤考慮和滿意度關(guān)聯(lián)分析，沒有從公司整體角度出發(fā)考慮滿意度管理。

1.3? 滿意度預(yù)測機制簡單

現(xiàn)有技術(shù)方案只涉及滿意度排名或某一項業(yè)務(wù)或人員滿意度情況，只是簡單地進行滿意度標準值和滿意度權(quán)重值進行計算，在滿意度預(yù)測的精確性和全面性方面，存在較大的改善空間。

1.4? 缺少滿意度微調(diào)糾錯機制

現(xiàn)有技術(shù)方案輸出的滿意度結(jié)果數(shù)據(jù)出現(xiàn)誤差或紕漏情況，需要人工介入調(diào)整，修正難度大而且容易出現(xiàn)差錯。

2? 滿意度提升技術(shù)方案

為了解決上述技術(shù)問題，在目前主流滿意度架構(gòu)模型的基礎(chǔ)上，結(jié)合運營商的業(yè)務(wù)支撐系統(tǒng)、經(jīng)營分析系統(tǒng)、在線支撐系統(tǒng)、IT工單系統(tǒng)等滿意度數(shù)據(jù)收集處理流程特點，提供了一種基于多源數(shù)據(jù)匯集和決策樹的滿意度提升技術(shù)，具體為：

1）多源系統(tǒng)的滿意度數(shù)據(jù)獲取和融合：針對公司內(nèi)部IT使用人員，支持從多個IT系統(tǒng)中獲取滿意度原始數(shù)據(jù)，并對結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化等多種滿意度數(shù)據(jù)進行標準化和歸一化處理和融合。

2）決策樹存儲和智能計算：滿意度原始數(shù)據(jù)在標準化、歸一化處理后，構(gòu)造決策樹模型和各項滿意度指標智能計算方法，輸出人員部門、IT服務(wù)、時間等多維度系統(tǒng)滿意度數(shù)據(jù)和滿意度發(fā)展趨勢信息，為滿意度預(yù)警算法和滿意度微調(diào)算法奠定了存儲基礎(chǔ)和計算基礎(chǔ)。

3）基于決策樹模型的滿意度預(yù)警機制：基于決策樹模型，對滿意度偏低、滿意度大幅度下降的人員部門、IT服務(wù)進行實時預(yù)警，同時針對多系統(tǒng)和多人員的滿意度情況進行通盤考慮和關(guān)聯(lián)分析，從公司整體角度找出不滿意本質(zhì)原因并進行針對性解決。

4）基于記憶化搜索的滿意度智能糾錯機制：基于剪枝優(yōu)化后的記憶化搜索算法，進行滿意度智能微調(diào)和自動糾錯，在滿意度數(shù)據(jù)出現(xiàn)偏差時及時準確地修正，保障滿意度預(yù)警和不滿意因素處理的準確性，避免出現(xiàn)IT服務(wù)的重大偏差及系統(tǒng)的重大故障。

通過打造了一套完備的IT內(nèi)部服務(wù)滿意提升技術(shù)，不斷提高IT內(nèi)部服務(wù)滿意度，讓IT系統(tǒng)的使用更符合實際應(yīng)用和業(yè)務(wù)要求，減少公司的業(yè)務(wù)損失，達到降本增效目的。

3? 滿意度提升技術(shù)實現(xiàn)

3.1? 多源系統(tǒng)的滿意度數(shù)據(jù)匯集和融合

本系統(tǒng)從多源系統(tǒng)里獲取滿意度原始數(shù)據(jù)，包括業(yè)務(wù)支撐系統(tǒng)、客服系統(tǒng)、經(jīng)營分析系統(tǒng)、IT工單系統(tǒng)以及滿意度數(shù)據(jù)錄入等多個渠道，實時獲取需求、投訴、故障等滿意度原始數(shù)據(jù)。獲取的數(shù)據(jù)包括結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)，通過識別、解釋、歸一化處理后生成標準化滿意度原始數(shù)據(jù)。

多源系統(tǒng)滿意度數(shù)據(jù)的匯集和融合主要流程如圖1所示。每個子系統(tǒng)采集過來的滿意度原始數(shù)據(jù)格式不一樣，從接口內(nèi)容協(xié)議配置中獲取對應(yīng)的協(xié)議解釋信息，從中分揀出與滿意度相關(guān)的時間、員工、渠道、系統(tǒng)、業(yè)務(wù)、滿意度情況等關(guān)鍵信息，通過滿意度基礎(chǔ)信息標簽庫、人員信息標簽庫進行進一步解釋處理，將業(yè)務(wù)類型、員工歸屬等信息細化和融合，生成滿意度標準化原始數(shù)據(jù)。采集過來的滿意度原始數(shù)據(jù)如無法解釋處理，通過人工介入處理后再生成滿意度標準化原始數(shù)據(jù)。

3.2? 構(gòu)建滿意度決策樹存儲模塊

滿意度記錄存儲數(shù)據(jù)為：時間、系統(tǒng)、滿意度一級分類、滿意度二級分類、滿意度三級分類、員工姓名、員工部門、部門歸屬、是否滿意、備注等。存儲模塊中引入數(shù)據(jù)管理模塊，管理模塊主要負責(zé)數(shù)據(jù)清理備份、索引優(yōu)化等數(shù)據(jù)管理任務(wù)。

滿意度決策樹存儲模塊是滿意度提升技術(shù)的核心，根據(jù)歸一化、標準化后的滿意度原始數(shù)據(jù)計算各個時間點或時間段內(nèi)、業(yè)務(wù)、員工、部門等多個維度的滿意度標準分、權(quán)重值、權(quán)重比和預(yù)警值等滿意度指標信息，用決策樹數(shù)據(jù)結(jié)構(gòu)進行存儲，后續(xù)通過智能計算，為滿意度分析預(yù)警裝置生成滿意度決策點、滿意度熱點報表、明細報表、不滿意占比圖表、滿意度趨勢圖和分級預(yù)警等提供數(shù)據(jù)支撐。

本模塊引入滿意度標準分、權(quán)重值、權(quán)重比和預(yù)警值四個滿意度概念詞，并以決策樹數(shù)據(jù)結(jié)構(gòu)進行存儲：

1）滿意度標準分S：某個員工或部門對某個IT服務(wù)小類的滿意度歸一化和標準化的得分。第i個節(jié)點（可為某個員工或某個部門）員工或部門第j個滿意度指標（可為滿意度一級指標、二級指標或三級指標）在時間k點（可為時間區(qū)間或某個時間點）滿意度標準分Sijk計算式如下：

N為該節(jié)點下不滿意人員數(shù)，當N為1時表示一人不滿意；M為在該時間點的滿意度采集量；Pj為第j個滿意度指標權(quán)重系數(shù)；引入對數(shù)函數(shù)log2N為不滿意人數(shù)越多不滿意度得分越高。

2）滿意度權(quán)重值W：根據(jù)IT服務(wù)的重要程度，通過與滿意度標準分關(guān)聯(lián)計算出可以衡量某個員工或部門某個IT服務(wù)小類的與滿意度重要程度相關(guān)的滿意度得分數(shù)值。用滿意度權(quán)重值可以算出各員工部門或IT服務(wù)分類的滿意度排名情況。

第i個節(jié)點（可為某個員工或某個部門）員工或部門第j個滿意度指標（可為滿意度一級指標、二級指標或三級指標）在時間k點（可為時間區(qū)間或某個時間點）滿意度權(quán)重值Wijk計算式如下：

Oij為該節(jié)點微調(diào)系數(shù)，初始值為1，人工介入后需增加該節(jié)點權(quán)重值，可將Oij設(shè)置大于1，反之設(shè)置為0至1之間。

3）滿意度權(quán)重比V：根據(jù)某個人員或部門某個IT服務(wù)小類的滿意度權(quán)重值，計算出其在某個IT系統(tǒng)、某個IT服務(wù)或某個部門的占比情況。

第i個節(jié)點（可為某個員工或某個部門）員工或部門第j個滿意度指標（可為滿意度一級指標、二級指標或三級指標）在時間k點（可為時間區(qū)間或某個時間點）滿意度權(quán)重比Vijk計算式如下：

4）滿意度預(yù)警值E：通過關(guān)聯(lián)滿意度權(quán)重值計算得出的某個人員或部門某個IT服務(wù)小類的預(yù)警評估值，用該數(shù)值與事先配置的預(yù)警閾值進行比對后進行預(yù)警處理。

第i個節(jié)點（可為某個員工或某個部門）員工或部門第j個滿意度指標（可為滿意度一級指標、二級指標或三級指標）在時間k點（可為時間區(qū)間或某個時間點）滿意度預(yù)警值Eijk計算式如下：

其中，N為該節(jié)點下不滿意人員數(shù)。

5）差值增量趨勢率Q：計算某個時間段內(nèi)時間點從1到n的滿意度權(quán)重值差值增量趨勢率計算式如下：

通過提取不同開始時間點到指定結(jié)束時間的滿意度權(quán)重值，經(jīng)過多次迭代計算可以提高趨勢預(yù)測數(shù)據(jù)精準率，差值增量趨勢率絕對值越大滿意度波動越大，滿意度權(quán)重值差值增長率為正表示滿意度權(quán)重值在增加，滿意度在下降，滿意度權(quán)重值差值增長率為負表示滿意度權(quán)重值在降低，滿意度在上升，有正有表示在上下波動。

各個系統(tǒng)上的每一種滿意度指標或IT服務(wù)類型不同，緊急程度和重要程度都不同，IT服務(wù)越敏感、影響程度越大對于滿意度的影響程度越大，在不滿意投訴量相等的情況下越容易觸發(fā)預(yù)警。因此引入滿意度權(quán)重系數(shù)來計算滿意度評分信息，IT服務(wù)越重要滿意度權(quán)重系數(shù)越大。

滿意度權(quán)重系數(shù)在滿意度指標關(guān)鍵信息模型中進行配置管理。滿意度指標關(guān)鍵信息模型主要包括滿意度唯一標識、滿意度歸屬的IT系統(tǒng)、IT服務(wù)分類、指標級別、權(quán)重系數(shù)、預(yù)警閾值等信息。舉例說明如表1所示。

滿意度計算評測模塊通過構(gòu)造樹形數(shù)據(jù)結(jié)構(gòu)模型，使用因子分析和聚合聚類分析方法對滿意度標準化原始數(shù)據(jù)分析計算，將員工、IT服務(wù)小類設(shè)計為兩個不同維度的基礎(chǔ)因子，以這兩個因子的不同組合組成細粒度滿意度數(shù)據(jù)，然后根據(jù)員工組織結(jié)構(gòu)和IT服務(wù)分類等級梯度自下向上聚合聚類，計算出不同員工組織結(jié)構(gòu)、不同IT服務(wù)大小維度的粗粒度滿意度數(shù)據(jù)。

3.3? 記憶化搜索算法智能微調(diào)和自動糾錯

滿意度分析預(yù)警模塊生成滿意度告警數(shù)據(jù)后，IT負責(zé)人對這部分數(shù)據(jù)進行及時分析、核實和處理。IT負責(zé)人通過故障處理、流程優(yōu)化、人員關(guān)懷等措施提高了某個IT服務(wù)或某個部門員工滿意度后，滿意度決策樹上的某些節(jié)點上的滿意度標準分、權(quán)重值需要進行相應(yīng)的微調(diào)或糾錯。

滿意度數(shù)據(jù)的智能微調(diào)糾錯功能由滿意度微調(diào)糾錯模塊實現(xiàn)。滿意度決策樹上的每個節(jié)點每個滿意度指標對應(yīng)一個滿意度微調(diào)系數(shù)，滿意度微調(diào)系數(shù)默認為1。IT負責(zé)人可在客戶端修改微調(diào)系數(shù)并輸入微調(diào)系數(shù)生效的開始時間點和結(jié)束時間點，這樣可對某個員工或部門對某個IT服務(wù)在某段時間內(nèi)的滿意度評分數(shù)據(jù)進行微調(diào)。

IT負責(zé)人提交滿意度微調(diào)系數(shù)修改后，滿意度數(shù)據(jù)開始重新計算，從滿意度決策樹上此節(jié)點出發(fā)到樹根路徑上所經(jīng)過的所有節(jié)點都需重跑滿意度數(shù)據(jù)。后續(xù)觸發(fā)滿意度分析預(yù)警裝置重新處理更新滿意度數(shù)據(jù)和預(yù)警信息。相關(guān)節(jié)點滿意度數(shù)據(jù)智能微調(diào)糾錯關(guān)鍵點和流程：

3.3.1? 剪枝優(yōu)化

我們在求樹的深度時使用深度搜索算法對不滿意數(shù)據(jù)進行了一次遍歷，用于記錄搜索結(jié)果，在微調(diào)糾錯模塊中復(fù)用這個搜索結(jié)果，在后面的搜索中進行剪枝優(yōu)化。如圖2所示，比如OA系統(tǒng)的頁面出錯故障，對本次滿意度預(yù)警和滿意度微調(diào)無關(guān)，可以直接剪枝。

3.3.2? 記憶化搜索

在搜索微調(diào)每個節(jié)點時，先判斷該節(jié)點的值是否曾經(jīng)微調(diào)過，如果曾經(jīng)微調(diào)過，直接拿過來使用；如果沒有微調(diào)過，遞歸微調(diào)，并存儲該微調(diào)結(jié)果。具體步驟如下：

1）創(chuàng)建訪問路徑堆棧用于存儲滿意度決策樹上的被訪問節(jié)點，和搜索結(jié)果（用于剪枝）。

2）采用深度優(yōu)先遍歷算法（DFS搜索算法）從樹根開始遍歷滿意度決策樹，當往下搜索時向堆棧添加被訪問節(jié)點元素（堆棧的入棧push操作），向上返回時刪除最后一個被訪問節(jié)點元素（堆棧的出棧pop操作），直至搜索到目標節(jié)點。如圖3所示。

搜索過程中，會進行相應(yīng)的剪枝處理，提高搜索效率。如圖4所示，葉子節(jié)點T6為目標調(diào)整節(jié)點，那么會對T1和T2及他們的分支都進行剪枝處理，提高搜索效率。

3）如果目標節(jié)點為葉子節(jié)點則返回訪問路徑堆棧，計算過程中先判斷該節(jié)點的值是否曾經(jīng)微調(diào)過，僅對沒有微調(diào)過的節(jié)點進行重新計算。如圖5所示，葉子節(jié)點T6為目標調(diào)整節(jié)點，返回的訪問路徑堆棧元素為T0、T2、T6，對這三個節(jié)點進行滿意度微調(diào)。

4）如果目標節(jié)點為非葉子節(jié)點，為保證能使?jié)M意度決策樹上的上下節(jié)點數(shù)據(jù)保持一致，該目標節(jié)點下的所有節(jié)點都應(yīng)重新計算滿意度數(shù)據(jù)。對于非葉子的目標節(jié)點，采用廣度優(yōu)先遍歷算法（BFS搜索算法）從目標節(jié)點開始繼續(xù)遍歷以此節(jié)點為樹根節(jié)點下的所有節(jié)點，每訪問的一個節(jié)點都依次存放到訪問路徑堆棧中。

如圖6所示，非葉子節(jié)點T2為目標調(diào)整節(jié)點，返回的訪問路徑堆棧元素為T0、T2、T6、T7，對這四個節(jié)點進行滿意度微調(diào)。

5）根據(jù)返回的訪問路徑堆棧從最后一個元素開始重新按照滿意度標準分、權(quán)重值、預(yù)警值計算公式重新計算并更新該節(jié)點的滿意度數(shù)據(jù)，完成滿意度智能微調(diào)糾錯。

4? 結(jié)? 論

基于多源數(shù)據(jù)匯集和決策樹的滿意度提升技術(shù)，針對公司內(nèi)部員工對IT服務(wù)的不滿意進行預(yù)警，從公司整體角度考慮進行預(yù)警，著眼于精確預(yù)警和多系統(tǒng)、多人員的關(guān)聯(lián)預(yù)警。

該技術(shù)利用滿意度決策樹模型，對多IT系統(tǒng)和多渠道來源的滿意度數(shù)據(jù)進行了歸一化處理和融合，處理效率高，分析和統(tǒng)計滿意度方便，是滿意度預(yù)警算法和滿意度微調(diào)算法的數(shù)據(jù)存儲基礎(chǔ)。引入了剪枝優(yōu)化的記憶化搜索算法，通過該算法進行滿意度數(shù)據(jù)的智能糾錯，在滿意度數(shù)據(jù)出現(xiàn)偏差時及時準確地進行修正，保障滿意度預(yù)警及不滿意因素處理的準確性，大大減少的人工檢查和人工修正工作量，節(jié)省人力成本。

該技術(shù)適用于針對多IT系統(tǒng)的服務(wù)滿意度管理涉及的系統(tǒng)設(shè)計、滿意度指標計算、滿意度數(shù)據(jù)智能糾錯范疇，立足于公司或部門整體角度考慮的IT系統(tǒng)服務(wù)不滿意問題解決，從時間、IT服務(wù)大小類、部門架構(gòu)等不同維度的滿意度進行監(jiān)控、本質(zhì)原因分析和報表輸出，可有效提升IT系統(tǒng)服務(wù)滿意度，具備廣泛的使用前景。

參考文獻：

[1] 王冠宇.ExtJs框架在社區(qū)信息服務(wù)系統(tǒng)滿意度中的應(yīng)用研究 [J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2012（6）：36-38.

[2] 張佳鈺，寇金橋，劉寧鐘.基于濾波器分布擬合的神經(jīng)網(wǎng)絡(luò)剪枝算法 [J].計算機技術(shù)與發(fā)展，2022，32（12）：136-141.

[3] 周翔宇，高仲合，趙镥瑤，等.剪枝優(yōu)化的文本區(qū)域檢測算法 [J].計算機與數(shù)字工程，2022，50（9）：2059-2064.

[4] 李屹，魏建國，劉貫偉.模型剪枝算法綜述 [J].計算機與現(xiàn)代化，2022（9）：51-59.

[5] 王偉，王彬.基于記憶化搜索的RFID防碰撞算法 [J].計算機工程，2017，43（8）：132-137+143.

[6] 萬朵，胡謀法，肖山竹，等.面向邊緣智能計算的異構(gòu)并行計算平臺綜述 [J].計算機工程與應(yīng)用，2023，59（1）：15-25.

[7] 聶婕，左子杰，黃磊，等.面向海洋的多模態(tài)智能計算：挑戰(zhàn)、進展和展望 [J].中國圖象圖形學(xué)報，2022，27（9）：2589-2610.

[8] 韓廷錦.基于多源數(shù)據(jù)融合的智慧公共文化服務(wù)體系研究 [J].信息技術(shù)與信息化，2022（12）：132-135.

[9] 潘建宏，王磊，樊家樹，等.一種基于知識圖譜技術(shù)的多源異構(gòu)數(shù)據(jù)融合、共享方法 [J].電子設(shè)計工程，2022，30（23）：185-188+193.

[10] 錢肖，馬翔，呂磊炎，等.基于知識圖譜的電網(wǎng)調(diào)度告警關(guān)聯(lián)規(guī)則與決策樹算法 [J].電氣傳動，2022，52（22）：60-65.

作者簡介：劉敏（1975—），女，漢族，浙江臺州人，工程師，碩士，研究方向：大數(shù)據(jù)、人工智能等；張曉川（1971—），男，漢族，廣東龍川人，正高級工程師，碩士，研究方向：大數(shù)據(jù)、人工智能等；楊旭（1976—），男，漢族，湖南長沙人，工程師，學(xué)士，研究方向：大數(shù)據(jù)、人工智能等。

收稿日期：2023-02-09