岳丹阳

【摘要】随着移动通信运营商提供的业务和应用服务的增加，移动通信客户的投诉数量也呈现爆炸式增长。如何快速有效地处理投诉，对于提高客户满意度和忠诚度至关重要。本文提出一种基于贝叶斯网络的客户投诉智能诊断方法，从大量历史投诉处理数据中识别出造成客户投诉的主要因素，建立智能诊断的贝叶斯网络模型。对某移动通信公司的410条投诉数据进行诊断，并和实际工程师的诊断结果进行分析比较，验证了该方法的有效性与合理性。

【关键词】移动通信 客户投诉 投诉处理 智能诊断

一、引言

随着网络通讯的普及和移动通信技术的快速发展，企业在为客户提供各种业务和应用服务的同时将面临着越来越多来自不同方面不同渠道的客户投诉信息。客户不仅通过电话，而且能够通过网络、微博、微信等方式进行投诉，投诉数据每日呈现爆炸式增长，如何能及时有效地处理这些投诉，使客户满意，这对企业来说是个新的挑战。

在如今的大数据时代，数据挖掘技术有了很大的进步，若是能够利用这些技术，分析处理大量的历史投诉数据，诊断出导致顾客投诉的主要原因，从而快速地处理投诉，将有助于运营商提高客户响应时间，获得更高的顾客满意度。文献[1]研究了移动互联网背景下的多媒体智能客服系统，文献[2]介绍了一种基于智能客服机器人的即时通信客服系统；文献[3-4]提出将人工客服与智能客服相融合的方式，来提高移动电子商务消费者对商家客服的满意度，降低商家人工客服的工作量和消费者在线咨询的平均等待时间。本文将基于数据挖掘技术中的贝叶斯网络方法，首先对大量的历史投诉数据进行预处理，识别出影响顾客投诉的主要原因；然后基于历史数据进行机器学习，建立顾客投诉的智能诊断模型。该模型能够自动判断出导致客户投诉的原因，从而给客服部门和技术支持部门提供关于投诉处理的决策支持和意见参考。

二、移动通信客户投诉处理的现状

国外研究数据表明，会抱怨的客户实际上比普通客户更容易成为忠诚客户，企业发展一个新客户所花费的成本是留住一个老客户所需成本的两倍，而且长期客户对企业更忠诚。只要企业能够正确、合适地听取并处理好这些客户的诉求，这些投诉客户通常会成为企业口碑的宣传者和品牌的免费推广者，不仅可以消除客户的不满，还能为企业带来新的客户，将客户投诉转化为企业的利润和收益。

目前各大通信运营商对投诉问题的处理大多采用“一点受理、多点回复”的模式，如图1所示。客户服务中心的客服人员收到客户投诉后，如果能够简单判断出原因的，则直接给客户提供解决方案；如果原因复杂并涉及到移动通讯技术方面的，则将其投诉工单发送给相关技术支撑部门，由技术工程师给予相关的处理，并将解答通过工单方式反馈给客服中心，由客服人员回复给顾客。由于投诉问题的处理涉及多个部门，部门之间的沟通及信息传递不及时会大大地延长了投诉处理和解决的时间，不仅降低了投诉处理的效率，而且影响了客户对于投诉处理的满意度。更为重要的是，技术部门的人反映，客服部门传递来的工单30%以上并不是移动通信质量问题造成的投诉，而在于客户自身使用不当造成，例如手机终端配置不对或者使用感知不同等。如果客服人员能够具备更全面的知识体系，可以及时诊断出因客户自身原因造成的投诉，就会大大减少技术部门的工作量，从而提高投诉处理效率。

三、客户投诉的智能诊断

本文基于贝叶斯网络，建立一个面向移动通信客户投诉的智能诊断模型，帮助客服人员实现对移动通信客户投诉问题的诊断和分类，也为客服部门和技术支撑部门提供决策支持。客户投诉智能诊断的流程如图2所示。

其中的智能诊断过程主要包含数据预处理和贝叶斯网络构建两部分内容。当客服人员将投诉内容记录为工单信息输入该模型后，模型会结合历史数据及相关的专家知识，构建贝叶斯网络，进行机器学习，从而实现分类诊断。最终判断出客户投诉的故障原因是通信质量原因还是客户自身的原因。如果是前者，则将该工单传递给相关的专业部门解决；如果是后者，则客服人员可以与客户沟通，自行解决。

3.1数据预处理

投诉工单上的信息主要包含故障发生的时间、地点和客户的描述三大部分，客户投诉描述又可以细分为无线信号格的多少，能否上网，通话质量问题等方面。

当投诉工单传递给后台的技术支撑部门后，技术工程师会根据故障发生的时间、地点和手机号码来判断故障发生区域是否是信息干扰区域（D）、是否人群密集区域（F）、该区域的基站设备状态（BS）是否良好、是否拟建设区域（B）、该手机终端配置（MP）等方面的信息。

当这些信息从不同的数据库中提取出来以后，工程师再根据自己的专业知识来判断造成该投诉的原因（R）是：（1）移动通信质量问题；（2）客户自身原因；然后再根据原因的不同给出不同的处理方案。通过对这些信息进行预处理，采用1和0分别表示“是”和“否”，处理后的样本数据如表1所示。

由于影响顾客投诉的各因素之间的因果关系未知，本文先采用传统K2算法对样本数据进行结构学习，获得初始的贝叶斯网络，然后再融合专家知识对该网络进行修改。在贝叶斯网络结构确定后，采取最大似然估计法进行参数学习，完成客户投诉原因的诊断。整个系统借助数据挖掘软件SPSS modeler中的贝叶斯网络建模技术实现。

本文选取某通信公司2015年8月至9月的500条投诉数据，经过数据预处理后，删除部分无效投诉后得到410条数据，输入该软件中，得到客户投诉智能诊断的贝叶斯网络模型。采用该模型对410条历史投诉工单进行智能诊断，结果发现判断正确的有345条，错误的有65条，模型对故障原因归类的准确率为84.15%。

3.3结果分析

为了评价该智能诊断模型的有效性，我们将模型输出结果与实际工程师诊断结果进行比较，通过建立一个诊断评价矩阵，如表2所示，来验证模型的灵敏度和特异性。灵敏度表示模型正确判断是通信质量原因的准确度；特异性表示模型正确判断是客户自身原因的准确度。

TP（True positive）表示真实值为通信质量原因1且诊断为1，共有186条数据；TN（Time negative）实际是客户自身原因2且诊断为2，共计159条；FP（False positive）表示实际为通信质量原因但被诊断为客户自身原因，有39条数据；FN（False negative）表示实际为客户自身原因但被诊断为通信质量原因，有26条数据。由此，可得到该智能预测模型的灵敏度和特异度。

0.83，特异性==0.86

可见，模型在判断是客户自身原因的方面准确率稍高。

四、结论

面对客户投诉的不断增加，移动通信运营商如何加快投诉处理的效率，提高客服回复的准确率，对于保留老客户，提高客户满意度，具有至关重要的作用。目前对于涉及到无线信号、上网速度和通话质量等方面的投诉问题，是由客服人员传递给技术工程师手动处理，涉及到多个部门间的沟通，而且处理效率较低，时间较长。

本文提出一种基于贝叶斯网络的智能诊断方法来处理投诉问题。从客户投诉的历史大数据中挖掘影响客户投诉的主要因素，建立智能诊断的贝叶斯网络模型，对投诉问题进行分类诊断。以某公司的投诉数据为例进行验证，表明了该模型的诊断合理性和有效性。