刘 乾

（中国联合网络通信有限公司济南软件研究院，济南 250100）

1 引言

伴随着5G、物联网的发展，传统运营商计费系统逐渐无法满足市场需要，在计费时需要更多关注此刻是否需要真正计费，是否之前有类似收费场景，是否该用户的订购可能存在异常，类似业务验证制约着运营商业务的发展，人工智能计费迫在眉睫。

2 传统计费现状及趋势分析

传统计费架构无法进行人工智能架构整合，存在实现难度大，整体架构变更复杂，改造成本巨大，主要表现在如下三点：

2.1 系统架构老化

运营商现有计费架构中，传统计费应用后台一般依托于传统文件系统，话单以文件的形式存在于系统中，计费的整过程可认为是文件搬迁的过程。原始话单经预处理、分拣、排重、批价、入库等流程完成话单计算及优惠的话单处理主流程并未发生大的改变，话单处理流程多，配置复杂的诟病并未得到解决，同时此类技术框架存在先天不足，其前端数据来源于交换层，既得数据类型单一化，资料数据来源于前端CRM，整个数据前端均为外界，自身控制能力弱。

2.2 与智能化背道而驰

计费模块原有主流框架结构下，后台实现主要通过C/C++基础语言提升系统性能，程序更趋向于数据计算，人工智能的应用场景弱。计费模块属于运营商后台应用模块，对客户而言几乎无感知，区别于客户可见的前台界面，计费模块后台应用给用户提供详单计费、用户优惠、短信提醒、实时信控、低消赠款等功能，客户感受到的是实实在在的计费服务，人工智能或多或少存在部分数据偏差，可能造成用户计费差异，对用户影响较大。

2.3 业务捆绑复杂

当前中国三大运营商的计费系统因其业务复杂，整个计费系统需要支撑手机、固话、宽带及相互捆绑业务受理，每日完成数亿次语音、流量、短信等话单实时批价，尽可能早完成各种短信提醒、实时信控，实时完成用户充值缴费发票打印等业务。近年来，在互联网模式的冲击下，各系统底层实现了部分接口的相互调用，对于复杂业务，存在一项业务需要调用多个系统模块接口牵一发而动全身。如此复杂的系统，在进行人工智能研究时，存在多种未知因素，造成模型分析、训练学习存在较大偏差，且各个应用模块底层实现不一，部分功能经过多轮迭代后，已不具备进行人工智能的条件。

综上所述，结合现有计费系统的特点，在进行智能计费演进过程中需要注意如下几个点：

（1）大数据模型改造。现有计费系统中，在设计底层表数据时一般参考之前的业务现状进行设计，人工智能分析需要定义模型，用户画像等，从不同的纬度提取数据，需要将之前的数据模型改造为智能计费系统可用的模型。

（2）大数据模型沉淀。结合新的智能计费系统模型，对原始数据系统进行数据格式转换，对复杂数据进行冗余处理。

（3）数据预学习。针对不同的计费产品，在模拟测试环境中或上线之前能够对现有产品业务特点进行学习，并进行实时演练，保证数据准确性。

（4）人工智能方法经验总结。进行人工智能演进的整体过程中，在完成数据挖掘、机器学习、深度学习之后，对运营商总体的模型特点进行分析，构建各级神经网络，从整体分析人工智能演进改造点。

3 智能计费系统架构

计费系统在部分业务特点上无法进行人工智能建模，所以针对智能计费的系统架构可以根据不同模块的特点进行构建。整体而言，智能计费需实现如下功能：

（1）统一批价引擎主要实现费用计费、账务优惠、信用控制、固定费计算，并对智能预测引擎、智能模型引擎、智能测试分析等模块提供接口访问。

（2）数据存储为底层数据存储承载，智能计费系统需对用户资料、产品资料、累积量信息、费用信息等用户相关信息进行存储，并支持快速批量数据导入智能化平台供其使用。

（3）智能标准库该库主要存储新业务产品数据在测试期间产生的标准数据、按业务标准指定的标准数据，是用户画像的基准，可进行数据分析学习，是智能计费系统的核心底层数据。

（4）智能实时分析系统具备批量学习、实时学习功能，该系统从数据存储、批价引擎接口中提取数据，每天按批量或增量模式进行学习分析，汇总分析结果。

（5）智能预测引擎是根据智能实时分析系统生成的学习结果，对用户画像、模型计算进行细化，用户行为发生变化时，记录范围信息，更新相关数据。

（6）智能模型引擎主要进行数据挖掘、用户画像、模型分析，其输入来源于智能预测引擎，通过智能化分析数据，对历史数据进行挖掘分析，形成分析结果输出。

4 智能计费系统支撑效果展望

智能计费系统实现后可以在以下几个方面体现支撑效果。

（1）用户行为画像分析，根据用户资料及相关数据进行数据建模分析，对用户的订购习惯、缴费习惯、话费消费情况，详单查询关注度等多纬度进行建模分析，对不同的业务画像的人进行分类，制定不同的营销策略。

（2）用户订购习惯实时分析，根据不同的用户画像信息，在话单实时处理过程中，针对该用户的行为特点制定具体的计费策略，在合理的区间范围内，保证用户不产生投诉，完成产品价值提升。

（3）精准营销、广告推送，根据不同用户画像信息，指定具体的产品优惠策略信息，借助社会商业信息，进行精准营销，对于某一事件内特定产品用户，进行精准广告推送，提升产品竞争力。

（4）人工智能化提醒、预提醒，在用户费用、流量可使用量、资源量等数据即将用尽时，根据用户画像类型定义，按用户类型进行个性化提醒，智能化分析用户使用行为，保障生产稳定。

（5）新产品业务完善度补偿，在进行新产品推广过程中，对新产品进行实时人工智能监控，以前期测试数据、业务量化数据作为训练指标，实时获取生产数据与训练数据进行对比，当发现偏离训练模型的情况，及时预警，并提供可优化意见。

（6）异常行为分析，对用户订购行为，详单费用、账单费用，查询行为进行人工智能分析，尽可能快的区分用户异常行为，在发现可能离网用户时及时对结果进行反馈，减少离网用户数。

5 结束语

在5G和互联网时代，各运营商为了增强自身竞争力，必然会不断推出各种业务，也会不断集成互联网企业的各种业务，来满足用户的多种需求。如何在复杂业务中，发挥人工智能的优势所在，是运营商核心竞争力的综合体现。目前人工智能的相关预测可能与现实情况中存在预测差异，如何在计费系统中选择可以进行人工智能分析的模型进行预研开发是一个核心点，同时在各模块人工智能后，如何保证各模块能协同工作，也是智能计费演进的关键点。毋庸置疑，智能计费系统是后续计费系统的主流，各运营商应根据自身的业务特点进行分批剥离，实现智能化之路。