一种预测客户满意度的五位一体方法技术

本发明专利技术公开了一种预测客户满意度的五位一体方法，所述方法通过对客户指标进行量化，定义为时间、客户、位置、事件、感知五类特征指标，通过大数据算法，找到影响客户满意度的相关指标及影响力，构建五位一体分析模型，建立主观用户满意度的客观定义，实现对客户满意度的预测。本发明专利技术方法可形成客户满意度的五位一体模型，实现客户满意度的描述和预测，定位客户满意度的重点影响力指标，能替代现有传统的针对客户满意度的大规模市场调研，并且能通过全量样本完整描述客户满意度，能针对客户投诉，针对性解决客户的核心问题，快速解决投诉，提升客户满意度。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，所述方法通过对客户指标进行量化，定义为时间、客户、位置、事件、感知五类特征指标，通过大数据算法，找到影响客户满意度的相关指标及影响力，构建五位一体分析模型，建立主观用户满意度的客观定义，实现对客户满意度的预测。本专利技术方法可形成客户满意度的五位一体模型，实现客户满意度的描述和预测，定位客户满意度的重点影响力指标，能替代现有传统的针对客户满意度的大规模市场调研，并且能通过全量样本完整描述客户满意度，能针对客户投诉，针对性解决客户的核心问题，快速解决投诉，提升客户满意度。【专利说明】
本专利技术涉及大数据分析
，具体涉及。
技术介绍
对于电信运营商及移动互联网来说，以客户为中心，关注客户的需求、客户的体验，提升客户满意度是重点工作内容，而对于用户来说，个性化、差异化、定制化的服务需求使得用户感知越发难以描述，包含主观性质的用户满意度难以定义。获取客户满意度的传统方式包括市场调研、客户服务，响应周期长，服务客户范围局限，难以满足当前激烈的市场竞争需求和较高的业务时效性要求。现有技术方式下，客户满意度难以描述及分析，一是不同指标对客户满意度的影响力存在差异，二是如何描述客户的主观情绪，三是如何建立可预测的客户满意度模型。
技术实现思路
本专利技术要解决的技术问题是:针对如何通过指标量化客户满意度，如何利用大数据算法通过量化指标构建客户满意度预测模型问题，本专利技术提供。本专利技术所采用的技术方案为: ，所述方法通过对客户指标进行量化，定义为时间(WHEN)、客户(WHO )、位置(WHERE )、事件(WHAT )、感知(HOW)五类特征指标，通过大数据算法，找到影响客户满意度的相关指标及影响力，构建五位一体分析模型，建立主观用户满意度的客观定义，实现对客户满意度的预测。所述客户指标进行量化过程如下: 收集面向客户的样本数据，匹配出与客户感知点、不满意因素相对应的各类指标数据，对数据进行清洗和标准化，按照客户、时间、位置、事件、感知五类特征指标进行归纳，其中:针对客户(WHO)特征包括客户基本特征、资费敏感特征、营销喜好特征、客户投诉特征、历史满意度特征等，描述客户的基本情况和主观情绪，如在网时间长、ARPU等； 针对时间(WHEN)特征包括时间基本特征、节假日特征、时间段特征等，描述客户的时间周期； 针对位置(WHERE)特征包括位置基本特征、常驻区域特征、移动性特征等，描述客户的活动范围； 针对事件(WHAT)特征包括业务基本特征、业务喜好特征、新业务接受度特征等，描述客户的日常爱好； 针对感知(HOW)特征包括端到端感知质量特征等，描述客户的客观体验。ARPU(ARPU-Average Revenue Per User)即每用户平均收入，用于衡量电信运营商业务收入的指标。所述构建五位一体分析模型过程如下: 通过大数据算法，对五类特征指标的客户满意度影响力进行排序，构建客户满意度影响力模型;通过对特征指标重要性进行排序，得出所有特征指标的影响力;通过匹配实际业务经验，并通过模型稳定性、模型准确性、模型效率以及指标关联性步骤进行模型迭代优化，模型优化时，特征指标数及数据量越多，优化越明显。所述客户满意度的预测过程如下:根据构建的五位一体模型，分析得出客户的满意度值，预测单个客户或客户群体的满意度情况，定位客户满意度低的关键影响力指标，实现有重点有针对性的问题解决，提升客户满意度。本专利技术的有益效果为: 本专利技术方法可形成客户满意度的五位一体模型，实现客户满意度的描述和预测，定位客户满意度的重点影响力指标，提升客户满意度，一方面能替代现有传统的针对客户满意度的大规模市场调研，并且能通过全量样本完整描述客户满意度，能针对客户投诉，针对性解决客户的核心问题，快速解决投诉，提升客户满意度，另一方面，基于大数据算法，五位一体模型能更智能化主动地发现新的客户满意度影响力指标，相比已有的相对固化的满意度影响力模型，能快速实现智能迭代和模型优化，适应新的市场变化。【附图说明】图1为本专利技术五位一体方法示意图。【具体实施方式】下面结合说明书附图，通过【具体实施方式】对本专利技术进一步说明: 实施例1: 如图1所示，，所述方法通过对客户指标进行量化，定义为时间(WHEN)、客户(WH0)、位置(WHERE)、事件(WHAT)、感知(HOW)五类特征指标，通过大数据算法，找到影响客户满意度的相关指标及影响力，构建五位一体分析模型，建立主观用户满意度的客观定义，实现对客户满意度的预测。实施例2: 在实施例1的基础上，本实施例所述客户指标进行量化过程如下: 收集面向客户的样本数据，匹配出与客户感知点、不满意因素相对应的各类指标数据，对数据进行清洗和标准化，其中，清洗规则包括空值处理、异常值处理等，标准化可统一按照标准权重进行数值标准化； 按照客户、时间、位置、事件、感知五类特征指标进行归纳，如客户基本特征、资费敏感特征、营销喜好特征、客户投诉特征、历史满意度特征、时间基本特征、节假日特征、时间段特征、位置基本特征、常驻区域特征、移动性特征、业务基本特征、业务喜好特征、新业务接受度特征、端到端感知质量特征等，其中: 针对客户(WHO)特征包括客户基本特征、资费敏感特征、营销喜好特征、客户投诉特征、历史满意度特征等，描述客户的基本情况和主观情绪，如在网时间长、ARPU等； 针对时间(WHEN)特征包括时间基本特征、节假日特征、时间段特征等，描述客户的时间周期； 针对位置(WHERE)特征包括位置基本特征、常驻区域特征、移动性特征等，描述客户的活动范围； 针对事件(WHAT)特征包括业务基本特征、业务喜好特征、新业务接受度特征等，描述客户的日常爱好； 针对感知(HOW)特征包括端到端感知质量特征等，描述客户的客观体验。实施例3: 在实施例1或2的基础上，本实施例所述构建五位一体分析模型过程如下: 通过大数据算法，包括随机森林、LOGIT等算法，对五类特征指标的客户满意度影响力进行排序，构建客户满意度影响力模型;通过对特征指标重要性进行排序，得出所有特征指标的影响力；荣富哦匹配实际业务经验，并通过模型稳定性、模型准确性、模型效率以及指标关联性等步骤进行模型迭代优化，模型优化时，特征指标数及数据量越多，优化越明显。得出的五位一体模型验证了在客户满意度预测模型中，客户(WHO)特征指标是影响力最高的指标，客户(WHO)特征指标中投诉特征、历史满意度特征、资费敏感特征是最重要的指标类，包括历史投诉、历史满意度、ARPU变化值、ARPU、在网时长等，而这类指标正是能一定程度描述人的主观情绪的指标。实施例4: 在实施例3的基础上，本实施例所述客户满意度的预测过程如下:根据构建的五位一体模型，分析得出客户的满意度值，预测单个客户或客户群体的满意度情况，定位客户满意度低的关键影响力指标，实现有重点有针对性的问题解决，提升客户满意度。以上实施方式仅用于说明本专利技术，而并非对本专利技术的限制，有关
的普通技术人员，在不脱离本专利技术的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本专利技术的范畴，本专利技术的专利保护范围应由权利要求限定。【主权项】1.，其特征在于:所述方法通过本文档来自技高网...

【技术保护点】
一种预测客户满意度的五位一体方法，其特征在于：所述方法通过对客户指标进行量化，定义为时间、客户、位置、事件、感知五类特征指标，通过大数据算法，找到影响客户满意度的相关指标及影响力，构建五位一体分析模型，建立主观用户满意度的客观定义，实现对客户满意度的预测。

【技术特征摘要】

【专利技术属性】
技术研发人员：沈林江，张笑笑，
申请(专利权)人：浪潮通信信息系统有限公司，
类型：发明
国别省市：山东;37