戴耀方 查天杰

1 中国移动通信集团江苏有限公司无锡分公司；2 南京瑞玥科技有限公司

0 引言

集团语音专线是集团市场基础业务之一，对集团市场业务拓展起着至关重要的作用。随着固网由PSTN/NGN向IMS演进，集团语音专线也随之由IMS网络来承载。IMS网络与接入无关的特性使得接入终端种类繁多，且随着与铁通网络的融合及集团市场的迅速拓展，集团规模正快速扩大。面对“终端繁杂”与“业务规模发展”的形势，当前以“网络性能”为核心的网络运维方式存在如下不足：一是缺乏对市场业务发展的有效支撑，优异的网络性能未能完全转化为市场价值；二是缺乏对用户满意度的关注，网络性能的持续提升未与用户满意度提升形成正相关。

面对上述问题，无锡分公司以市场价值与用户价值为导向，期望通过大数据分析及机器学习技术，对运维过程中产生的数据（话单数据、CRM数据、网络数据等）进行挖掘、整合，基于机器学习算法建立分析模型，为市场发展提供趋势预警，为网络维护提供优化依据，提升集团语音专线的发展与维护效率。

1 技术方案

1.1 方案简述

引入大数据分析及机器学习技术，搭建基于大数据分析模型的运维工具，分析、挖掘、整合运维过程中产生的各类大数据，以市场价值与用户价值为导向，为市场部门、网络部门提供价值趋势分析，有效支撑市场发展，提升网络维护效率。方案示意图如表1所示。

图1 方案框架图

1.2 关键技术

（1）应用模型

搭建基于大数据分析模型的运维工具平台，包括数据库、数据模型、应用三部分，见图2。

图2 应用模型图

（2）数据模型

1）建立基于话单大数据的模型

建立数据模型，研究每个集团专线的话务突变及变化趋势。模型分两个部分，第一部分是话务量突变模型（按天、持续十天）；第二部分是话务趋势模型（月、日）。

第一部分：话务量/次数突变模型。

集团通话习惯学习分类：

考察集团用户周末专线使用情况，将用户分类。

Set1={周六、周日无通话的集团}

Set2={周六有通话、周日无通话的集团}

Set3={周六、周日均有通话的集团}

Set4={周日有通话、周六无通话的集团}

首先，采用某月份用户数据，统计每个集团周一到周日的话务情况。并统计每个集团专线通信天数。首先不考虑周末是否通信，图3是排除了周末两天后的通信天数箱线图。

图3 箱线图

从此图可以看出，虽然各组的箱线图都比较长，但从集中程度来看Set1和Set4通信天数普遍较少。而Set3的通信天数普遍较多。

话务突变指标的衡量：

异常值排序：运用IQR（四分位距）来标准化每个集团的通信话务量/次数，并将指标NDTP的排序，作为异常值排序的标准，见公式（1）。

其中，是该集团话务量/次数的中位数； IQR是该集团话务量/次数的四分位距。

为了避免异常值对整体数据的影响，模型在衡量数据集中程度时，用中位数来衡量；模型中在衡量离散程度时，使用四分位距来衡量。但是这样衡量，由于Set1和Set4中有部分样本无通信天数较多，因此会出现中位数和四分位距均为零的情况。这种情况在计算突变排序时，指标就不够理想。

对于这种情况，修正异常值排序衡量标准：

以某一集团为例，将该集团话务序列拆分为时间上的出现通话的稀疏度指标和话务量上的话务量多少的离散度指标，如图4所示。

图4 离散度指标图

集团异常指标排序流程如图5（以总话务为例）。

图5 异常指标流程图

第二部分：话务趋势模型。

研究总话务的变化趋势，每天给出趋势为增和趋势为减的指标值。首先，为了平滑集团专线话务序列，对数据做移动平均，见公式（3）：

对得到的移动平均序列做按天环比率，见公式（4）：

模型衡量趋势指标，见公式（5）、（6）：

Z1记录话务持续增或减的天数，认为持续的时间越长，则该集团呈现越稳定的增或减。Z2记录话务持续t天增或减的程度。下面给出话务增或减趋势排序的流程图（图6）：

图6 话务趋势排序流程图

2 应用实例

2.1 市场支撑能力

（1）价值客户分析

图7 客户价值分析图

基于话务趋增模型，整合CRM数据，测算客户价值增长空间，输出单个营销区域和全网用户的top10（月），市场部门可依此主动挖掘客户潜力、调整服务等级等，提升客户价值及忠诚度。

（2）用户离网分析

发展一个新用户比挽留一个老用户，成本要高的多。本方案基于话务趋减模型，整合CRM数据，结合用户流失模型预测用户离网趋势及预警，输出单个营销区域和全网用户的top100（月），并区分用户的价值类别，提高离网预测准确性及挽留有针对性，市场部门可依此主动介入关怀用户，制定挽留政策，实现客户维系活动投资回报最大化。

图8 用户离网分析图

（3）沉睡用户分析

沉睡用户包括持续低业务量、无业务量、偶尔有业务量，平常的统计方法无法精确的识别这些用户的情况。这些用户潜在忠诚度不高等风险，且投资回报周期长。本方案基于话务趋减模型，整合CRM资费策略等数据，可精确到号码，输出零话务、低话务、低消费的用户，市场部门依此主动介入关怀，制定针对性的策略，激活业务量，提升用户生命周期价值。

图9 沉睡用户分析图

（4）用户业务需求分析

引入大数据分析及机器学习技术，整合话单、CRM大数据，可按比例排名输出集团语音专线每月的主被叫比例分析、各类型话务比例分析，市场部门可依此制定、优化资费策略，提升客户价值。

（5）竞争环境分析

基于话务趋势模型、离网分析模型，整合话单、CRM大数据，引入“朋友圈”分析模式，输出单条专线及区域异网话务占比数据，为市场部门了解竞争对手的市场占有及发展趋势、自身市场保有、被策反风险防范提供目标，另一方面也是预测可拓展空间、策反目标的精准参考。

图10 用户业务需求分析图

图11 竞争环境分析图

2.2 网络质量主动监测

（1）业务质量监控、问题定界定位

基于话务突变模型，整合CRM数据、网络数据，关联丰富的用户信息字段，自动定界定位问题，驱动传统运维实现自动化、智能化保障业务质量，降低运维成本，提升运维效率，

图12 信息字段图

图13 输出图

提升客户满意度。

（2）主动用户关怀

基于话务变化模型，预测单点、局部、全网潜在的网络不足及风险，为目标用户制定针对性的扩容、优化措施，为网络部门提供精准的网络分析、优化和扩容数据等，实现先于用户发现问题，主动关怀用户，提升运维价值。

（3）开通、维护支撑工具研发

快速解决问题是维系用户满意的重要因素。研发应用于移动终端的智能维护工具，解决专线开通、售后维护实际支撑难点，实现anywhere test，节约人力成本，提升开通、问题处理时效和客户感知。

主要功能：

1）人工拨测程序，验证客户号码开户正常与否、主被叫业务（包括基本业务、附加业务、增值业务）是否正常；

2）自动学习、分析拨测信令及媒体信息，推送修复步骤、故障关键字、微案例；

3）提供案例库，供装维人员二次人工搜索，用于故障修复借鉴及日常学习。

图14 信息字段图

3 结束语

本方案转变传统“网络性能”为核心的维护模式，积极探索以“市场支撑与用户关怀”为导向的价值运维方式，进一步加强前端与后端协同，全面促进业务发展效率。

集团语音专线是为政府、企业等大客户提供的语音业务，涉及各行各业，业务质量关系到社会安全、社会生产等。以商业价值为导向、以客户感知为中心的“价值运维”能对集团语音专线业务进行主动的、精准的性能监测预警，先于用户发现网络故障及隐患，为客户关怀部门提供主动的客户分析和关怀，为网络部门提供精准的网络优化和扩容数据等，有助于打造一张高质量高性能的稳定网络，保障各行各业的生产，助力社会和谐。

集团语音专线是公司重点产品，价值运维能有效的支撑市场发展，提升网络维护效率，为公司业务发展带来更大价值，也是面向未来网络运维转变的趋势。