一种基于大数据的渠道协同满意度调查方法及系统技术方案

本发明专利技术公开了一种基于大数据的渠道协同满意度调查方法及系统，方法包括如下步骤：步骤一、偏好模型构建；步骤二，内容压缩规则构建；步骤三，优化服务部署；步骤四，生成调查任务；步骤五，执行调查任务。系统包括：偏好模块、内容压缩模块、调查模块，所述偏好模块，包括获取模块、处理模块、训练模块，用于获取被调查者数据并进行整理，通过机器学习发现被调查者的偏好；所述内容压缩模块，用于压缩调查数据，使调查项能更适用于被调查者；所述调查模块，基于所述偏好模块和所述内容压缩模块，生成并执行调查任务。

A survey method and system of channel collaborative satisfaction based on big data

【技术实现步骤摘要】
一种基于大数据的渠道协同满意度调查方法及系统
本专利技术涉及满意度调查
，尤其是涉及了一种基于大数据的渠道协同满意度调查方法。
技术介绍
随着医疗服务的日益完善，患者满意度调查日益受到重视，患者满意度是患者及家属对医疗机构所提供服务质量的直接评价，也是医疗机构获取外界意见及建议的重要渠道，医院能够参照患者满意度对所属医护人员进行内部考核，并针对患者集中反馈的薄弱环节进行改进；卫生行政部门可以据此掌握群众健康需求、监管医疗机构基本状况，以便统筹规划医疗机构的进一步发展方向。当前不少医疗机构采用基于概率抽样的满意度调查方法，医疗机构按一定时间（月、季、年）进行满意度调查，由医院内设部门（或委托第三方调查机构）具体完成调查任务。调查对象为医院的就诊患者，约定门诊患者、出院患者样本量比例（也有医院按照不同科室、病区确定患者样本量），抽取方法包括配额偶遇、分层随机等。调查途径包括面访和电访。通过对样本的调查结果的统计和分析，来推断整个机构的服务状况。也有不少医疗机构采用基于自助填写的满意度调查方法，由医院或自行组织，借助网络满意度调查系统完成。该方法通常由三部分组成：调查入口、调查填写网页、调查统计分析，（1）调查入口：由带有机构标识的链接，通过院内二维码图片、微信入口菜单等方式提供，引导患者方便地进入调查；（2）调查填写网页：由多个调查项组成的网页，患者可在自有设备上完成填写和提交至服务器；（3）调查统计分析：根据所收到的反馈数据，计算得到社会评价情况。以上方法仍存在的局限性：（1）由于不了解患者就诊情况，调查问卷存在无效的内容引起患者的反感，例如很多病人没有做检查也会被问及对检查（医技）部门的服务态度感受；（2）调查渠道单一，患者参与意愿不高，例如上班族可能对工作时间接到调查报有抵触情绪；（3）调查接触时间缺乏控制，错过离院一周内的最佳接触时间段；（4）未充分发挥多种渠道的协同作用，调查覆盖面窄，样本缺乏代表性。以上因素均会不同程度地引发患者拒绝接受调查或中途退出调查，无效调查增加，调查工作量增加，其中第（1）、（2）、（3）种因素会导致回收率偏低，第（4）点则会影响调查结果的客观性、有效性。
技术实现思路
为解决现有技术的不足，实现多渠道人性化的调查，提高调查客观性、有效性，本专利技术采用如下的技术方案：一种基于大数据的渠道协同满意度调查方法，包括如下步骤：步骤一，偏好模型构建，通过对历史调查数据的整理、统计和分析，得到患者特征与调查渠道、调查时段之间的隐含关联，建立患者群体对调查渠道、调查时段的偏好模型；包括如下步骤：（1）数据收集：确定候选数据项，包括诊疗数据、个体属性；获取调查的历史数据；获取患者的个体信息；通过患者标识将所述患者的个体信息与所述调查的历史数据建立关联形成单个数据集；对所述数据集的数据进行格式转换；数据脱敏，包括对所述数据集按规则进行变换、排除敏感项、降低时间数据的精度；使数据内容不能逆向推导出患者真实身份，但仍可保持调查历史数据与患者档案之间的关联，从而使数据可以安全合规地用于分析利用；（2）数据整理，包括数据剔出、分层抽样有效性检验、数据清理，识别所述数据集中有用部分并进行清洗转换，对所述数据集中的数据项，逐一进行探查，排除不适宜作为特征的数据内容，对部分缺失的内容进行填充处理；（a）数据项剔除，分析所述数据项之间的相关性，识别相似的数据项，只保留其中的一个；舍弃质量差、采集到的值不多、与预想值域偏差大的数据项；排除与调查结果弱相关性的数据项；（b）分层抽样有效性检验，采用分层抽样法，根据所选数据项的特征对所述数据集进行抽样；所述特征是患者个人信息，所述分层即对所述特征分别进行分段后即获得分组数据，通过对各特征分层的数据量进行统计汇总，查验是否存在校本数据，来判定数据是否有效；（c）数据清理，包括缺失数据的填充、数据的转换映射、连续数值的散列处理；（3）训练算法，将患者特征数据作为输入数据，将实际调查时段、调查渠道作为类别，通过机器学习训练数据集，发现所述输入数据与所述类别之间的相关性，从而得到优选的调查时段、调查渠道的算法模型；包括如下步骤：（a）数据分离，将所述数据集拆分为输入数据和类别，所述输入数据是所述数据项的特征，所述类别包括调查渠道、调查时段；（b）数据标准化，输入特征数据的数值范围并不一致，不便于神经网络的处理，需要将所述特征的值规划到同一数值范围内；（c）将类别进行独热编码，有多种类别便将每条训练数据的类别转化为多维向量；（d）划分训练集和测试集，为防止过拟合，将所述数据集按一定的比例划分为训练集和测试集，训练集用于得到的神经网络模型，测试集用于测试神经网络的泛化能力；（e）训练神经网络，输入数据集中每条数据的特征，通过神经网络计算输出结果，并将所述结果与训练集中的类别进行对比，得出偏差值；通过偏差值对所述神经网络进行逐步调优，直到偏差值满足预期精度要求；步骤二，内容压缩规则构建，包括个性化选项的识别与激活规则建立、递进式激活规则建立，控制调查问卷的题量，提升互动的效率；（1）个性化选项的识别与激活规则建立，识别调查项与疾病类型、诊疗方式的相关性；激活规则包括激活项、激活条件，所述激活项是对历史调查问卷中缺省的调查项，默认不在所述调查问卷中显示；所述激活条件是当患者个体诊断数据中涉及了对应的调查项时，激活对应的调查项；（2）递进式激活规则建立，对调查项进行两两组合，标识出存在递进依赖关系的组合，将被依赖项的特定应答项作为依赖项的递进激活条件；（3）建立综合评价规则，合并相似项，针对综合评价项的设置和回收分析，提供一对多评价的解决思路，一个评价项有多个评价主体，针对多个所述评价主体，分别设置其权重，从而可以将单项评价转换成多个主体的评价结果；步骤三，优化服务部署，将偏好模型和内容压缩规则转化为可以调用的调查优化服务、内容压缩服务，所述调查优化服务包括渠道优选服务、时段优选服务；所述渠道优选服务，输入调查对象的基本信息，得到按所述调查对象接受程度排列的调查渠道列表；时段优选服务，输入调查对象的基本信息，得到按所述调查对象接受程度排列的调查时段列表；内容压缩服务，输入问卷内容项列表、患者就诊记录，得到激活的问卷项列表；步骤四，生成调查任务，包括如下步骤：（1）调查样本数据同步，包括同步所述患者的个体信息和所述调查的历史数据；为保证任务的时效，同步时间在患者离院后即行开始；（2）调查内容压缩，调用内容压缩服务，根据同步的调查样本数据，调取激活规则进行对照，对满足激活条件的项进行激活；（3）调查对象过滤，根据不宜调查的特征信息和不宜调查对象的问卷反馈，将不宜调查的对象移出调查队列；所述不宜调查的特征信息包括：重症住院、已死亡、已投诉、加入免打扰名单的对象；所述不宜调查对象的问卷反馈包括：未回复调查或回复不希望继续推送调查；...

【技术保护点】
1.一种基于大数据的渠道协同满意度调查方法，其特征在于，包括如下步骤：/n步骤一，偏好模型构建，通过对历史调查数据的整理、统计和分析，得到患者特征与调查渠道、调查时段之间的隐含关联，建立患者群体对调查渠道、调查时段的偏好模型；包括如下步骤：/n（1）数据收集：/n确定候选数据项，包括诊疗数据、个体属性；/n获取调查的历史数据；/n获取患者的个体信息；/n通过患者标识将所述患者的个体信息与所述调查的历史数据建立关联形成单个数据集；/n对所述数据集的数据进行格式转换；/n数据脱敏，包括对所述数据集按规则进行变换、排除敏感项、降低时间数据的精度；/n（2）数据整理，包括数据剔出、分层抽样有效性检验、数据清理，识别所述数据集中有用部分并进行清洗转换，对所述数据集中的数据项，逐一进行探查，排除不适宜作为特征的数据内容，对部分缺失的内容进行填充处理；/n（a）数据项剔除，分析所述数据项之间的相关性，识别相似的数据项，只保留其中的一个；舍弃质量差、采集到的值不多、与预想值域偏差大的数据项；排除与调查结果弱相关性的数据项；/n（b）分层抽样有效性检验，采用分层抽样法，根据所选数据项的特征对所述数据集进行抽样；所述特征是患者个人信息，所述分层即对所述特征分别进行分段后即获得分组数据，通过对各特征分层的数据量进行统计汇总，查验是否存在校本数据，来判定数据是否有效；/n（c）数据清理，包括缺失数据的填充、数据的转换映射、连续数值的散列处理；/n（3）训练算法，将患者特征数据作为输入数据，将实际调查时段、调查渠道作为类别，通过机器学习训练数据集，发现所述输入数据与所述类别之间的相关性，从而得到优选的调查时段、调查渠道的算法模型；/n包括如下步骤：/n（a）数据分离，将所述数据集拆分为输入数据和类别，所述输入数据是所述数据项的特征，所述类别包括调查渠道、调查时段；/n（b）数据标准化，将所述特征的值规划到同一数值范围内；/n（c）将类别进行独热编码，有多种类别便将每条训练数据的类别转化为多维向量；/n（d）划分训练集和测试集，将所述数据集按一定的比例划分为训练集和测试集，训练集用于得到的神经网络模型，测试集用于测试神经网络的泛化能力；/n（e）训练神经网络，输入数据集中每条数据的特征，通过神经网络计算输出结果，并将所述结果与训练集中的类别进行对比，得出偏差值；通过偏差值对所述神经网络进行逐步调优，直到偏差值满足预期精度要求；/n步骤二，内容压缩规则构建，包括个性化选项的识别与激活规则建立、递进式激活规则建立；/n（1）个性化选项的识别与激活规则建立，识别调查项与疾病类型、诊疗方式的相关性；激活规则包括激活项、激活条件，所述激活项是对历史调查问卷中缺省的调查项，默认不在所述调查问卷中显示；所述激活条件是当患者个体诊断数据中涉及了对应的调查项时，激活对应的调查项；/n（2）递进式激活规则建立，对调查项进行两两组合，标识出存在递进依赖关系的组合，将被依赖项的特定应答项作为依赖项的递进激活条件；/n（3）建立综合评价规则，合并相似项，一个评价项有多个评价主体，针对多个所述评价主体，分别设置其权重，从而可以通过一个评价项，获取多个主体的评价结果；/n步骤三，优化服务部署，将偏好模型和内容压缩规则转化为可以调用的调查优化服务、内容压缩服务，所述调查优化服务包括渠道优选服务、时段优选服务；/n所述渠道优选服务，输入调查对象的基本信息，得到按所述调查对象接受程度排列的调查渠道列表；/n时段优选服务，输入调查对象的基本信息，得到按所述调查对象接受程度排列的调查时段列表；/n内容压缩服务，输入问卷内容项列表、患者就诊记录，得到激活的问卷项列表；/n步骤四，生成调查任务，包括如下步骤：/n（1）调查样本数据同步，包括同步所述患者的个体信息和所述调查的历史数据，同步时间在患者离院后即行开始；/n（2）调查内容压缩，调用内容压缩服务，根据同步的调查样本数据，调取激活规则进行对照，对满足激活条件的项进行激活；/n（3）调查对象过滤，根据不宜调查的特征信息和不宜调查对象的问卷反馈，将不宜调查的对象移出调查队列；所述不宜调查的特征信息包括：重症住院、已死亡、已投诉、加入免打扰名单的对象；所述不宜调查对象的问卷反馈包括：未回复调查或回复不希望继续推送调查；/n（4）调查内容执行最优方式，调用所述渠道优选服务、所述时段优选服务，根据调查对象的差异，选择调查效果最优的调查渠道、最适宜的调查时段；/n步骤五，执行调查任务，根据最优调查渠道、最优调查时段排序执行调查任务，根据调查任务生成任务队列，并按时执行；对于存在递进式激活规则的调查任务，在执行过程中将患者的回复情况与激活规则进行对比，在符合激活条件的情形下，激活对应的调查项；通过满意度结果评价算法，得出调查对象的整体满意度情况；将满意度结...

【技术特征摘要】
1.一种基于大数据的渠道协同满意度调查方法，其特征在于，包括如下步骤：
步骤一，偏好模型构建，通过对历史调查数据的整理、统计和分析，得到患者特征与调查渠道、调查时段之间的隐含关联，建立患者群体对调查渠道、调查时段的偏好模型；包括如下步骤：
（1）数据收集：
确定候选数据项，包括诊疗数据、个体属性；
获取调查的历史数据；
获取患者的个体信息；
通过患者标识将所述患者的个体信息与所述调查的历史数据建立关联形成单个数据集；
对所述数据集的数据进行格式转换；
数据脱敏，包括对所述数据集按规则进行变换、排除敏感项、降低时间数据的精度；
（2）数据整理，包括数据剔出、分层抽样有效性检验、数据清理，识别所述数据集中有用部分并进行清洗转换，对所述数据集中的数据项，逐一进行探查，排除不适宜作为特征的数据内容，对部分缺失的内容进行填充处理；
（a）数据项剔除，分析所述数据项之间的相关性，识别相似的数据项，只保留其中的一个；舍弃质量差、采集到的值不多、与预想值域偏差大的数据项；排除与调查结果弱相关性的数据项；
（b）分层抽样有效性检验，采用分层抽样法，根据所选数据项的特征对所述数据集进行抽样；所述特征是患者个人信息，所述分层即对所述特征分别进行分段后即获得分组数据，通过对各特征分层的数据量进行统计汇总，查验是否存在校本数据，来判定数据是否有效；
（c）数据清理，包括缺失数据的填充、数据的转换映射、连续数值的散列处理；
（3）训练算法，将患者特征数据作为输入数据，将实际调查时段、调查渠道作为类别，通过机器学习训练数据集，发现所述输入数据与所述类别之间的相关性，从而得到优选的调查时段、调查渠道的算法模型；
包括如下步骤：
（a）数据分离，将所述数据集拆分为输入数据和类别，所述输入数据是所述数据项的特征，所述类别包括调查渠道、调查时段；
（b）数据标准化，将所述特征的值规划到同一数值范围内；
（c）将类别进行独热编码，有多种类别便将每条训练数据的类别转化为多维向量；
（d）划分训练集和测试集，将所述数据集按一定的比例划分为训练集和测试集，训练集用于得到的神经网络模型，测试集用于测试神经网络的泛化能力；
（e）训练神经网络，输入数据集中每条数据的特征，通过神经网络计算输出结果，并将所述结果与训练集中的类别进行对比，得出偏差值；通过偏差值对所述神经网络进行逐步调优，直到偏差值满足预期精度要求；
步骤二，内容压缩规则构建，包括个性化选项的识别与激活规则建立、递进式激活规则建立；
（1）个性化选项的识别与激活规则建立，识别调查项与疾病类型、诊疗方式的相关性；激活规则包括激活项、激活条件，所述激活项是对历史调查问卷中缺省的调查项，默认不在所述调查问卷中显示；所述激活条件是当患者个体诊断数据中涉及了对应的调查项时，激活对应的调查项；
（2）递进式激活规则建立，对调查项进行两两组合，标识出存在递进依赖关系的组合，将被依赖项的特定应答项作为依赖项的递进激活条件；
（3）建立综合评价规则，合并相似项，一个评价项有多个评价主体，针对多个所述评价主体，分别设置其权重，从而可以通过一个评价项，获取多个主体的评价结果；
步骤三，优化服务部署，将偏好模型和内容压缩规则转化为可以调用的调查优化服务、内容压缩服务，所述调查优化服务包括渠道优选服务、时段优选服务；
所述渠道优选服务，输入调查对象的基本信息，得到按所述调查对象接受程度排列的调查渠道列表；
时段优选服务，输入调查对象的基本信息，得到按所述调查对象接受程度排列的调查时段列表；
内容压缩服务，输入问卷内容项列表、患者就诊记录，得到激活的问卷项列表；
步骤四，生成调查任务，包括如下步骤：
（1）调查样本数据同步，包括同步所述患者的个体信息和所述调查的历史数据，同步时间在患者离院后即行开始；
（2）调查内容压缩，调用内容压缩服务，根据同步的调查样本数据，调取激活规则进行对照，对满足激活条件的项进行激活；
（3）调查对象过滤，根据不宜调查的特征信息和不宜调查对象的问卷反馈，将不宜调查的对象移出调查队列；所...

【专利技术属性】
技术研发人员：汪健，阎孝文，纪翔，
申请(专利权)人：杭州健海科技有限公司，
类型：发明
国别省市：浙江;33