打开文本图片集

摘要：某通信运营商基于O域B域多维大数据，生成移网用户端到端单用户感知画像，建立了用户体验与网络指标的映射关系；通过对单用户画像数据聚类分析，生成感知差用户栅格图，精准开展网络优化和感知提升；同时依托AI预测分析，生成高概率投诉用户清单，提前对用户进行安抚和问题处理，高效压降用户投诉。

关键词：用户体验；映射关系；AI预测；投诉概率

一、引言

各通信运营商积极提升网络指标，但是用户真实感受改善不够明显，主要体现为投诉率居高不下，用户满意度测评不理想等；没有真正建立以客户体验为中心的规建维优营服一体化运营体系，一定程度上影响了客户感知的进一步提升。

二、研究与实践

（一）搭建数据底座。整合O域、B域以及无线MR等数据，打造统一数据底座，解决数据孤岛等问题，底座分为数据源、数据采集、平台层和应用层，数据中台层提供数据标签管理、数据可视化和数据网格化管理。应用层将建立相应的展示平台，目前已实现单用户画像、用户感知评价、用户投诉概率预测等能力。

（二）用户感知评价模型设计。用户感知评价因子从网络覆盖、语音业务、数据业务三个方面选取，主要包括单用户粒度的弱覆盖、语音掉话次数、语音网络失败次数、用户上下行MOS值、速率等指标，分别对各因子做权重赋分，最终生成单用户感知评价模型。

（三）亚健康用户入格。为便于发现网络问题，将单用户感知差指标进行聚类汇总，超过一定异常次数的用户散布到300米*300米的物理栅格上，根据该栅格散布的用户数量使用不同颜色做区分。入格规则如表1所示：

（四）投诉概率预测

1、所需数据。移网网络用户B域、O域数据，包括但不限于用户年龄、资费、终端名称等基础信息，以及语音和数据业务感知指标，主要包括掉话次数、语音网络失败次数、视频卡顿次数等。

2、预测算法。按照图1所示，首先对于处理好的数据，分为网络侧数据和非理性数据分别进行训练，使用多种机器学习算法进行判别，然后根据准确率（Accuracy）选取KNN、随机森林、SVM、lightGBM、BP神经网络这5个弱分类器进行训练，最后使用组合预测的方法： ， 其中 是组合函数， 是第i个模型的预测，对于每个弱分类器得到的结果，进行综合投票，只要5个弱分类器投票结果得到4票，则会认为该用户会投诉。

（五）实现功能

1、亚健康用户栅格分布。300米*300米栅格亚健康用户分布，不同颜色区分异常用户量，便于网络优化部门根据区域精准开展网络优化布局，如图2所示。

2、单用户端到端感知画像。如图3所示，基于语音掉话、视频卡顿、MOS值、弱覆盖等维度对单用户进行综合画像，根据影响用户健康度因素，给出当前需重点关注问题和处理建议，便于精准施策，不断提升用户感知，尤其适用于对VIP用户的精准保障。

3、用户投诉概率预测

根据预测用户投诉概率，精准开展用户维系，将高概率投诉用户名单定期提供给地市，通过客服外呼等方式了解用户真实感知，提前做好安抚，并根据用户反馈结果优化预测模型，提升预测准确度。

三、结束语

基于用户基本信息、感知指标和历史投诉等数据，开展用感知画像，同时引入AI进行用户投诉概率预测，协同规建维优营服开展网络质量提升和用户投诉压降，目前已推广到网优、客服和地市使用，取得良好效果。用户感知评价模型、用户投诉概率预测算法和大数据聚类分析思路可全国迭代推广。