一种基于熵值法的欠费停复电投诉倾向预测方法技术

本发明专利技术涉及欠费停复电投诉倾向预测领域，具体是涉及一种基于熵值法的欠费停复电投诉倾向预测方法。基于熵值法构建的投诉倾向预测模型；获取源数据宽表，将其包括的最终指标及其取值作为投诉倾向预测模型的输入值，根据投诉倾向预测模型计算各个用户标准化之后的最终综合得分，若用户的最终综合得分高于第一阈值，则判定该用户有投诉倾向。依据熵值法判断用户是否为敏感用户，能够识别客户投诉特征及变化规律，预测客户投诉风险，有效减少投诉压力，拓展服务深度,提高工作效率和提升服务水平。

A Prediction Method of Complaint Tendency of Arreared Outage and Return Based on Entropy Value Method

The invention relates to the field of prediction of complaint tendency of arrears and outages, in particular to a prediction method of complaint tendency of arrears and outages based on entropy method. A complaint tendency prediction model based on the entropy method is constructed. The source data breadth table is obtained, and the final indicators and their values are taken as the input values of the complaint tendency prediction model. The final comprehensive score of each user after standardization is calculated according to the complaint tendency prediction model. If the final comprehensive score of the user is higher than the first threshold, the user will be judged to have complaint tendency. According to the entropy method to judge whether the user is a sensitive user, it can identify the characteristics and changing rules of customer complaints, predict the risk of customer complaints, effectively reduce the pressure of complaints, expand the depth of service, improve work efficiency and improve service level.

【技术实现步骤摘要】
一种基于熵值法的欠费停复电投诉倾向预测方法
本专利技术涉及欠费停复电投诉倾向预测领域，具体是涉及一种基于熵值法的欠费停复电投诉倾向预测方法。
技术介绍
客户是否投诉是反映客户关系的关键指标之一，能够体现客户的真实感受，当客户产生了投诉行为，公司就会处于被动响应的状态，降低了供电公司的服务质量，提高了投诉数量。传统主观判断认知客户模式的直观性差、精准度低、用时长，无法应对不断发展延伸的业务带来的人工话务强度增大、精准服务能力低下、对客户认知有待提升的情况，客户的服务成本高居不下，工作效率和服务水平亟待提升。
技术实现思路
为解决上述技术问题，本专利技术提供了一种基于熵值法的欠费停复电投诉倾向预测方法。该预测方法能够识别客户投诉特征及变化规律，预测客户投诉风险，有效减少投诉压力，拓展服务深度,提高工作效率和提升服务水平。为实现上述目的，本专利技术采用了以下技术方案：一种基于熵值法的欠费停复电投诉倾向预测方法，包括基于熵值法构建的投诉倾向预测模型；获取源数据宽表，将其包括的最终指标及其取值作为投诉倾向预测模型的输入值，根据投诉倾向预测模型计算各个用户标准化之后的最终综合得分，若用户的最终综合得分高于第一阈值，则判定该用户有投诉倾向。优选的，基于熵值法构建的投诉倾向预测模型的具体步骤如下：S20，建立最终指标数据矩阵A:其中，Xij为源数据宽表中的第i个用户的第j个最终指标的取值，i≤n，j≤m；n为用户总数；m为最终指标的总数。S21，对最终指标数据矩阵A中的Xij均进行非负数化处理，得到X′ij；S22，计算第i个用户的第j个最终指标的取值占所有用户第j个最终指标的取值的比值Pij：S23，计算每个最终指标的熵值ej：其中，S24，计算每个最终指标的差异系数gj：gj＝1-ejj＝1,2,…,mS25，计算每个最终指标的权重Wj：S26，计算每个用户的综合得分Si：其中，为第j个最终指标的标准化取值；S27，计算各个用户标准化之后的最终综合得分其中，max(Si)为所有用户的综合得分中的最大值。进一步优选的，步骤S21中的对最终指标数据矩阵A中的Xij均进行非负数化处理，得到非负数化处理之后的X′ij，具体步骤如下：对于Xij越大，客户越容易发生投诉行为，Xij的非负数化处理的公式为：对于Xij越大，客户越不容易发生投诉行为，Xij的非负数化处理的公式为：其中，max(X1j,X2j,…,Xnj)为X1j,X2j,…,X2j中的最大值；min(X1j,X2j,…,Xnj)为X1j,X2j,…,X2j中的最小值。优选的，获取源数据宽表的具体步骤如下：S41，获取多个工单主表以及客户计量点表和计量点关系表，关联多个工单主表、客户计量点表和计量点关系表，生成原始数据宽表，原始数据宽表包括多个原始指标及其取值。S42，对原始数据宽表中的原始指标进行处理，获得源数据宽表，源数据宽表包括多个最终指标及其取值。进一步优选的，步骤S41的具体步骤如下：S411，获取多个工单主表、客户计量点表和计量点关系表，工单主表包括日冻结电量表、客户信息表、流程表、停电信息表、复电信息表、应收表、预收表、实收表、业务办理表、服务申请表和电表状态表及其包括的多个原始指标以及多个原始指标的取值；其中，客户信息表、流程表、停电信息表、复电信息表、应收表、预收表、实收表、服务申请表和电表状态表均包括户号；业务办理表和服务申请表均包括工单号；客户计量点表和客户信息表均包括用户账号，客户计量表还包括电表号，计量点关系表包括计量点编号和电表号，日冻结电量表包括计量点编号；S412，业务办理表和服务申请表通过工单号进行关联，生成含有户号的业务服务申请表；客户信息表和客户计量点表通过用户账号进行关联，生成含有户号和电表号的信息计量表；信息计量表和计量点关系表通过电表号进行关联，生成含有户号、电表号和计量点编号的信息关系表，信息关系表和日冻结电量表通过计量点编号进行关联，生成含有户号、电表号和计量点编号的电量信息表；S413,业务服务申请表、电量信息表、流程表、停电信息表、复电信息表、应收表、预收表、实收表和电表状态表通过其共有的户号进行关联，生成原始数据宽表。进一步优选的，步骤S42具体步骤如下：去除原始数据宽表包括的电话号码为“0”、“00”、“000”和电话号码位数小于六位数字的用户所对应的原始指标的取值。去除原始数据宽表包括的业务服务申请表中已经发生投诉行为的用户所对应的原始指标的取值。删除原始数据宽表中的两个相关系数高于设定值的原始指标及其取值。去除原始数据宽表中每个原始指标的最大取值和最小取值。去除原始数据宽表中业务服务申请表中的所有用户均没有发生投诉行为所对应的原始指标及其取值。获得源数据宽表。进一步优选的，将用户的最终综合得分按照从大到小的顺序进行排序，若用户的排列序号高于第二阈值，则判定该用户有投诉倾向。进一步优选的，最终指标包括一个月内提意见的数量、一个月内故障报修的数量、一个月内打投诉电话的数量、一个月内业务咨询的数量、三个月内故障报修的数量、三个月内打投诉电话的数量、三个月内业务咨询的数量和三个月内提建议的数量本专利技术的有益效果如下：(1)获取源数据宽表，将源数据宽表中包括的最终指标及其取值作为基于熵值法构建的投诉倾向预测模型的输入值，根据投诉倾向预测模型计算各个用户标准化之后的最终综合得分，并将其按照从大到小的顺序进行排序，若用户的排列序号高于阈值，则判定该用户有投诉倾向，否则该用户没有投诉倾向。依据熵值法判断用户是否为敏感用户，能够识别客户投诉特征及变化规律，预测客户投诉风险，有效减少投诉压力，拓展服务深度,提高工作效率和提升服务水平。(2)选取多个工单主表，多个工单主表关联成一个原始数据宽表，原始数据宽表包括了用于构建投诉倾向预测模型所需要的原始指标及其取值，原始数据宽表将用户的户号和该用户所有的原始指标及其取值关联到一张表中，方便获取建模所需要的数据。(3)去除原始数据宽表电话号码为“0”、“00”、“000”和电话号码位数小于六位数字，这部分数据为无效数据，去除这些数据能够提高计算速度。去除已经有过投诉行为的用户，这部分用户为敏感用户，不需要预测，也能判断出这部分用户有投诉倾向。去除这些用户，能够提高预测的准确度。去除所有用户都没有发生过投诉行为的原始指标，能够去除和投诉倾向无关的原始指标及其取值，提高预测的准确性；去除原始指标的最大取值和最小取值，能够进一步提高预测的准确性。(4)去除相关系数高于设定值的原始指标及其取值，以确保依据熵值法构建模型结果的可信度，减少计算量，提高工作效率。附图说明图1为本专利技术的算法流程图。具体实施方式为便于理解，下面结合实施例和附图对本专利技术中的具体结构作进一步描述。实施例1获得原始数据宽表，其具体步骤如下：S1，获取11个工单主表以及客户计量点表和计量点关系表，工单主表包括日冻结电量表、客户信息表、流程表、停电信息表、复电信息表、应收表、预收表、实收表、业务办理表、服务申请表和电表状态表及其包括的多个原始指标以及多个原始指标的取值，11个工单主表中的包括了建模所需要的所有的原始指标；其中，客户信息表、流程表、停电信息表、复电信息表、应收表、预收表、实收表、服务申请表和电表状态表均包括户号；业务本文档来自技高网...

【技术保护点】
1.一种基于熵值法的欠费停复电投诉倾向预测方法，其特征在于：基于熵值法构建的投诉倾向预测模型；获取源数据宽表，将其包括的最终指标及其取值作为投诉倾向预测模型的输入值，根据投诉倾向预测模型计算各个用户标准化之后的最终综合得分，若用户的最终综合得分高于第一阈值，则判定该用户有投诉倾向。

【技术特征摘要】
1.一种基于熵值法的欠费停复电投诉倾向预测方法，其特征在于：基于熵值法构建的投诉倾向预测模型；获取源数据宽表，将其包括的最终指标及其取值作为投诉倾向预测模型的输入值，根据投诉倾向预测模型计算各个用户标准化之后的最终综合得分，若用户的最终综合得分高于第一阈值，则判定该用户有投诉倾向。2.如权利要求1所述的投诉倾向预测方法，其特征在于，基于熵值法构建的投诉倾向预测模型的具体步骤如下：S20，建立最终指标数据矩阵A:其中，Xij为源数据宽表中的第i个用户的第j个最终指标的取值，i≤n，j≤m；n为用户总数；m为最终指标的总数；S21，对最终指标数据矩阵A中的Xij均进行非负数化处理，得到X′ij；S22，计算第i个用户的第j个最终指标的取值与所有用户第j个最终指标的取值的比值Pij：S23，计算每个最终指标的熵值ej：其中，S24，计算每个最终指标的差异系数gj：gj＝1-ejj＝1,2,…,mS25，计算每个最终指标的权重Wj：S26，计算每个用户的综合得分Si：其中，为第j个最终指标的标准化取值；S27，计算各个用户标准化之后的最终综合得分其中，max(Si)为所有用户的综合得分中的最大值。3.如权利要求2所述的投诉倾向预测方法，其特征在于，步骤S21中的对最终指标数据矩阵A中的Xij均进行非负数化处理，得到非负数化处理之后的Xi′j，具体步骤如下：对于Xij越大，客户越容易发生投诉行为，Xij的非负数化处理的公式为：对于Xij越大，客户越不容易发生投诉行为，Xij的非负数化处理的公式为：其中，max(X1j,X2j,…,Xnj)为X1j,X2j,…,X2j中的最大值；min(X1j,X2j,…,Xnj)为X1j,X2j,…,X2j中的最小值。4.如权利要求1所述的预测方法，其特征在于，获取源数据宽表的具体步骤如下：S41，获取多个工单主表以及客户计量点表和计量点关系表，关联多个工单主表、客户计量点表和计量点关系表，生成原始数据宽表，原始数据宽表包括多个原始指标及其取值；S42，对原始数据宽表中的原始指标进行处理，获得源数据宽表，源数据宽表包括多个最终指标及其取值。5.如权利要求4所述的预测方法，其特征在于，步骤S41的具体步骤如下：S41...

【专利技术属性】
技术研发人员：刘辉舟，欧阳昱，张波，周开保，金备，左松林，徐晓耘，叶磊，陈伟，倪妍妍，王峰，唐亮，尤佳，赵骞，刘单华，
申请(专利权)人：国网安徽省电力有限公司，
类型：发明
国别省市：安徽,34