栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > 资讯 > 高等教育 > 院校资讯

电力行业客户管理技术,基于文本分类技术和决策树的投诉解决方法

电力行业客户管理技术,基于文本分类技术和决策树的投诉解决方法

随着电力体制改革的深入推进和社会经济的快速发展,企业和居民对电力服务的 要求越来越高,电力市场的营销和服务竞争面临新格局,迫切的需要改变传统的工作模式, 树立市场化服务意识,适应市场格局变化,而提升服务水平、减少客户投诉、赢得客户信任, 是当前供电企业迫切解决的问题。95598客服系统作为直接面向客户,与客户沟通交流的渠 道,而存储话务数据的数据库管理系统拥有海量的客户数据,该部分客户数据主要分为结 构化数据和非结构化数据两部分。目前,针对从结构化数据提取的客户诉求信息的利用程 度远远不够,同时对工单中来电内容的非结构化文本数据也没有经过系统的分析,难以根 据客户的历史来电信息对客户的未来投诉实现事前预测。

问题拆分

从数据库管理系统获取用户信息,包括用户档案信息和客服工单信息,并促使用户历史事件发生确定预判周期及用于预判的特征数据集;确定预判群体范围;本发明可以在用户来电时,准确地判别用户的投诉窗口倾向程度,为设计策略库和手术不同的安抚和引导策略提供参考,利用从结构化数据提取的客户诉求信息,同时对工单中来电的非结构化文本数据进行系统分析,根据客户的历史来电信息对客户的未来投诉实现事前预测,可以减少客户投诉问题,企业减少的良好社会形象。

问题解决

1 .一种基于文本分类技术和决策树的投诉倾向判断方法,其特征在于,包括下述步骤: 步骤1,从数据库管理系统获取用户信息,包括用户档案信息和客服工单信息,并据此 建立用户历史来电情况表; 步骤1 .1,确定获取用户信息的时间窗; 步骤1 .2,确定预判周期及用于预判的特征数据集; 步骤1 .3,确定预判群体范围; 步骤1 .4,确定所需的原数据字段,所述原数据字段包括用户编号、业务类别代码、工单 来源代码、来电内容、接通时间和挂机时间; 步骤2,将用户历史来电情况表输入分析计算平台并进行数据预处理,得到模型数据 集; 步骤2 .1,根据原数据字段构造所需变量; 步骤2 .2,数据质量检查; 步骤2 .3,数据清洗,所述数据清洗包括异常值处理和缺失值处理,并输出数据质量良 好的历史来电情况表; 步骤2 .4,训练集计算; 步骤2 .5,数据变换,将连续型变量转换为离散型数据; 步骤3,制定越级分类规则对全量训练集的用户进行投诉倾向判断; 所述越级分类规则为: 其中TYPE为用户类别,为1时表示越级投诉群体,为0时表示非越级投诉群体; 步骤4,基于历史来电数据,根据越级分类规则对用户进行类别区分,将用户分为越级 投诉倾向群体和非越级投诉倾向群体两大类,其中,越级投诉倾向群体为12398、12345历史 来电行为客户群体;非越级投诉群体为历史来电行为特征未通过12398和12345来电的群 体; 步骤5,针对所述越级投诉倾向群体,在下一个预判周期内的类别标记为“投诉高倾 向”,同时得到非越级投诉数据集; 步骤5 .1,根据客服工单信息表中工单来源代码,判断用户来电历史途径是否为12398 或12345; SUM(CASE WHEN GDLYDM= '06 'THEN 1 ELSE 0 END) SUM(CASE WHEN GDLYDM IN('07 ','08 ','13 ')THEN 1 ELSE 0 END) 其中“GDLYDM”表示“工单来源代码”,“06”表示12398来电;“07”、“08”、“13”均表示 12345来电; 步骤6,制定文本分类规则对所述步骤5中获得的非越级投诉数据集进行投诉倾向判 断;

步骤7,运用文本分类进行识别、匹配,识别来电内容包含特殊字眼的用户群体; 步骤7 .1,剔除非文字信息; 步骤7 .2,剔除停用词;步骤7 .3,文本切分词; 步骤7 .4,构建情感词典; 步骤7 .5,词匹配,根据构建的情感词典,使用词语文本匹配的方法找出来电内容包含 特殊字眼的客户群体; 步骤8,针对来电内容包含特殊字眼群体,则该类群体在下一个预判周期内的类别标记 为“投诉高倾向”,同时得到非越级投诉、历史工单无特殊字眼的数据集; 步骤9,根据所述步骤8中获得的非越级投诉、历史工单无特殊字眼的数据集,制定决策 树分类规则,对非越级投诉、历史工单无特殊字眼的用户进行投诉倾向判断;步骤10,进行特征选择,在特征选择后的训练集上执行决策树算法,确定投诉倾向预测 模型,输出投诉风险标签; 步骤10 .1,所述特征选择可分为业务类别特征、电话拨打行为特征、回访特征和回复特 征四大维度; 所述业务类别特征,是指用户历史不同业务办理类型的来电情况,包括故障报修次数、 咨询次数、举报次数、建议次数、意见次数和投诉次数六个类型; 所述电话拨打行为特征,是指用户历史来电的拨打行为,为来电拨打时长; 所述回访特征,是指用户来电后工单处理情况回访结果,包括回访不满意次数和是否 存在回访投诉两个类型; 所述回复特征,是指用户对于工单处理的回复结果,为客户回复满意度;客户回复满意 度能够反应客户本次电话事件的问题解决程度,直接关系到客户投诉倾向的程度,客户回 复满意度包括回复不满意次数、回复满意次数和回复非常满意次数; 步骤10 .2,构造决策树,对各特征值的取值范围作定义; 利用ID3算法构造决策树,选择公式进行给定样本所需的期望信息计算; 其中,I为给定样本的期望值,S是s个数据样本的集合,即S指的是一个数据集合,其中 包含s个数据样本,假定类标号属性具有m个不同值,定义m个不同类Ci (i=1 ,2 ,3 ,…,m),设 Si是类Ci的样本数,Pi是任意样本属于Ci的概率,用Si,s来估计; 根据以下公式计算熵值: 其中,E(A)为各个特征的熵值,Sij是子集Sj中类Ci的样本数; 最后计算各个特征的信息增益,由期望信息和熵值可以得到相应的信息增益值;对于 在分支上将获得的信息增益可以由以下公式得到: Gain(A)=I(S1 ,S2 ,…,Sm )‑E(A), 其中,Gain(A)为各个特征的信息增益; 步骤10 .3,基于上述计算得出各个特征的信息增益,最终确定特征包括拨打时长、回访 不满意次数、投诉次数和是否存在回访投诉,进而得出决策树;步骤10 .4,提取分类规则,得出投诉风险标签。

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/news/1513901.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号