基于现场抢修工单的电力客户满意度分析系统和方法与流程

本发明属于电网信息化领域，具体为基于现场抢修工单的电力客户满意度分析系统和方法。

背景技术：

随着“互联网+”新业态的发展，持续推进“互联网+营销服务”电力新服务创新实践，强化线上渠道建设，加快营业厅智能化升级，已成为企业提供服务的发展趋势。为此，利用大数据、云计算、物联网和移动互联等新技术推动智能电网，可带来提质增效的变化。

服务正逐步成为企业的核心竞争力，对服务满意度的调查也成为企业发现服务问题，提升服务质量的重要手段。然而，传统满意度调查是通过抽样调研来实现，从管理提升的角度看，其数据获取周期受限制，时间相对滞后，而且调研成本较高；同时，抽样调研受样本影响大，存在调研结果与实际情况偏差的风险。如何高效、准确地得到用户满意度调查，并分析用户不满意的原因，成为当前的服务难题。

可见，现有技术需要更多的人力成本实现客户满意度的测评，且随着数据维度的增多、数据量的不断增大、多维数据的不断产生，大大增加了满意度测评的整体难度和工作量，提高了测评及分析的成本。

技术实现要素：

有鉴于此，本发明的目的在于提供基于现场抢修工单的电力客户满意度分析系统和方法，以解决现有满意度测评无法高效、准确感知客户诉求，并无法深度分析客户诉求不满的真实原因，而导致的服务成本较高且服务质量不佳的问题。

为此，本发明的分析系统采用如下技术方案：基于现场抢修工单的电力客户满意度分析系统，包括：

数据预处理模块，用于对抢修工单进行预处理，包括数据清洗、数据规约、数据异常值修复、数据缺失值填补；

指标体系构建模块，根据数据预处理模块的预处理结果，将电力客户满意度评价与具体业务过程相联系，根据业务实际情况构造全面刻画现场抢修工作质量和效率的衍生指标，并形成满意度分析指标体系；

模型构建模块，用于根据满意度分析指标体系构建抢修工单的多维度宽表数据，构建随机森林模型对客户意见中未评价部分进行预测；

分析决策模块，用于根据模型预测结果对客户诉求进行全面感知，多维度分析影响现场抢修客户满意度的因素，为决策提供数据支撑。

本发明基于现场抢修工单的电力客户满意度分析方法，包括以下步骤：

s301、对抢修工单进行预处理，包括数据清洗、数据规约、数据异常值修复、数据缺失值填补；

s302、根据预处理结果，将电力客户满意度评价与具体业务过程相联系，根据业务实际情况构造全面刻画现场抢修工作质量和效率的衍生指标，并形成满意度分析指标体系；

s303、根据满意度分析指标体系构建抢修工单的多维度宽表数据，构建随机森林模型对客户意见中未评价部分进行预测；

s304、根据模型预测结果对客户诉求进行全面感知，多维度分析影响现场抢修客户满意度的因素，为决策提供数据支撑。

本发明与现有技术相比，具有如下优点及有益效果：基于现场抢修工单进行挖掘分析，尤其针对在实际业务中占比高达30％的未评价工单进行预测；在原有满意率计算公式基础上，计算相应衍生指标形成满意度分析体系，构建随机森林模型，完善满意度分析体系，解决了客户诉求感知不全面的问题，支撑服务管理决策，提升供电服务品质，提高客户满意度。本发明未评价工单指客户未进行相应评价的工单，现有技术由于缺少了30％的未评价工单对应的数据，因而客户满意度分析方法中对客户诉求的感知是不全面的，因此满意度分析的结果不准确，未能全面反映客户的满意度分布情况。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一种实施例中基于现场抢修工单的客户满意度分析系统的结构示意图；

图2是bagging算法的示意图；

图3是本发明一种实施例中基于现场抢修工单的客户满意度分析方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和有点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本实施例公开了基于现场抢修工单的电力客户满意度分析系统，请参见图1，该系统包括数据预处理模块100、指标体系构建模块200、模型构建模块300、分析决策模块400。本实施例的分析系统可评价抢修工单满意程度，在对所涉及的工单数据进行深入挖掘之前，先通过数据预处理模块对数据的探索分析、数据异常值的修复、数据缺失值的填补，以及通过指标体系构建模块对衍生指标的构造，为后续模型构建提供数据基础，再通过分析决策模块全面感知客户诉求。

本实施例的分析系统以现场抢修工单为数据基础，参考国网业务支持系统中抢修相关工单内容，并结合95598工单表、抢修过程表、部门扩展表、抢修单扩展表、抢修单统计信息表、抢修派工信息表、抢修队伍班组信息表、未完成抢修表、抢修过程详情表等全方位数据，通过数据预处理模块，从抢修的及时性、人员服务态度、各个地市满意度分布情况等多方面分析现场抢修工作现状；指标体系构建模块在原有满意率计算公式基础上，结合上述多个维度构建衍生指标，包括：人员态度、停电信息通知及时性、通知抢修速度、到场速度、抢修速度、承诺到场时间完成情况、报修内容的关键词提取及分组统计，形成满意度分析指标体系；在此基础上，模型构建模块将客户意见已知的样本按照7：3的比例划分为训练集与测试集，其中训练集共有样本204005个，测试集样本87431个，用训练集构建含有5000棵决策树的随机森林回归模型；利用随机森林回归模型对实际业务中占比高达30％的不评价工单进行预测，完善满意度分析指标体系，解决客户诉求感知不全面的问题，支撑服务管理决策，提升供电服务品质，提高客户整体满意度。

在本实施例的实施过程中，数据预处理模块对现场抢修工单进行数据清洗、数据规约、异常值处理、缺失值处理；指标体系构建模块将电力客户满意度评价与具体业务过程相联系，根据业务实际情况构造全面刻画现场抢修工作质量和效率的满意度分析指标体系，对现场抢修工作进行全面衡量，并应用于后续模型构建；模型构建模块根据所构建的满意度分析指标体系，并结合抢修工单的多维度宽表数据，对客户意见中不评价部分进行预测，用于对客户诉求的全面感知，从而深入分析客户满意度的因素，并为后续决策提供相应的数据支撑；分析决策模块，根据模型预测结果，对现场抢修满意度的因素进行多维分析，对后续业务部门的相关工作进行决策支撑。

数据预处理模块100对现场抢修工单进行数据探索分析、数据异常值修复、缺失值填补等处理，具体包括客户意见修复及一般化处理、人员态度处理、停电信息通知及时性处理、通知速度处理、到场速度处理、修复速度处理、报修内容处理，以及各个字段的缺失值修复处理。

其中，数据异常值修复主要是对客户意见的修复，由于客户意见中包含空值及表述态度不清晰字样。在对客户意见修复时，主要包括三个步骤：第一，用抢修单关联95598工单表，再利用95598工单表中的客户意见对抢修单中的客户意见进行修复补充；第二，根据抢修单中客户意见的关键词，包括满意、知晓、认可、理解、不予评价等，对客户意见进行归一化处理，处理之后关键词为：非常满意、满意、一般满意、不满意、非常不满意、不评价；第三，根据数据中挖掘的业务逻辑，当客户意见为空，且抢修单状态不是已归档，但故障内容中包含归档字样的工单，认为其客户意见为满意，并对相关工单中客户意见进行修复。

缺失值填补也叫空值修复，主要是在数据探索过程中，存在重要字段取值为空的现象，包括所属地市名称、是否确认故障点、是否包含重要客户、故障信息、故障设备产权、处理结果、是否跳闸，根据各指标中不同的取值对满意度的贡献程度，利用贡献程度最大的取值对各个字段空值进行填补。对于承诺到达时间，利用均值对其空值进行修复。

指标体系构建模块200根据数据预处理模块的预处理结果，将电力客户满意度评价与具体业务过程相联系，根据业务实际情况构造全面刻画现场抢修工作质量和效率的衍生指标，并形成满意度分析指标体系；所构建的指标体系用于对现场抢修工作的全面衡量，并应用于后续的模型构建部分。各衍生指标分别介绍如下：

人员态度：对于95598工单表，受理内容或者受理意见中存在人员态度相关内容时，包括人员态度不好、人员态度恶劣、客户对人员态度存在异议、人员态度差、人员态度强硬、人员态度欠佳、人员态度冷淡、语气强硬、存在谩骂、存在争吵等；通过清洗工单表的受理内容或者受理意见中包含的申请单编号，再与抢修单表进行关联，构造人员态度衍生指标。

停电信息通知及时性：对抢修单中，故障描述或报修内容中存在停电信息相关内容时，尤其包括“客户报修多户无电”、“无停电信息”、“无在途报修工单”；通过对故障描述和报修内容字段的清洗，构造停电信息通知及时性衍生指标。

通知抢修速度：主要通过构造通知抢修时间差、通知抢修时间范围两个衍生指标来反应通知抢修的速度，其中通知抢修时间差为通知抢修时间与接单登记时间的差值；通知抢修时间范围根据前述差值统计得到，主要包括统计错误、0.5小时内通知抢修、0.5-1小时内通知抢修、1-2小时内通知抢修、2-3小时内通知抢修、3-24小时内通知抢修、24-48小时内通知抢修、48-72小时内通知抢修、72小时内未通知抢修，其中统计错误代表通知抢修时间早于接单登记时间，可能属于系统记录错误，归属异常值范畴。

到场速度：主要通过到达抢修现场时间差、到达抢修现场时间范围两个衍生指标来进行反应，其中到达抢修现场时间差为记录到达时间与通知抢修时间的差值；到达抢修现场时间范围根据前述差值统计得到，主要包括统计错误、0.5小时内到达现场、0.5-1小时内到达现场、1-2小时内到达现场、2-3小时内到达现场、3-24小时内到达现场、24-48小时内到达现场、48-72小时内到达现场、72小时内未到达现场，其中统计错误代表记录到达时间早于通知抢修时间，可能属于系统记录错误，归属异常值范畴。

抢修速度：主要通过修复过程时间差、修复过程花费时间范围两个衍生指标来进行反应，其中修复过程时间差为记录修复时间与记录到达时间的差值；而修复过程花费时间范围根据前述差值统计得到，主要包括统计错误、0.5小时内修复成功、0.5-1小时内修复成功、1-2小时内修复成功、2-3小时内修复成功、3-24小时内修复成功、24-48小时内修复成功、48-72小时内修复成功、72小时内未修复成功，其中统计错误代表记录修复时间早于记录到达时间，可能属于系统记录错误，归属异常值范畴。

承诺到场时间完成情况：通过对是否超时字段的探索发现，该字段有将近20％的缺失值，可以通过是否超出承诺到场时间范围来进行修复；而是否超出承诺到场时间范围指的是承诺到达时间与到达抢修现场时间差的差值，以此衍生指标来反应是否按照约定时间到达抢修现场，也能从一定程度上反应客户意见。

报修内容的关键词提取及分组统计：对报修工单中的报修内容文本信息的关键词进行提取，包括投诉5号键、缺相、一户无电、多户无电、继电器异常等，并按照关键词类别对报修内容进行分组统计，包括一户或多户无电、缺相、电能或电表质量、线路下垂、继电器状态问题、线段、烧表、接触不良、树碰线、设备故障、线路接错、冒火或冒烟、其他报修内容。

所构建的满意度分析指标体系，其数据维度包括：所属地市名称、是否电网故障、是否确认故障点、是否包含重要客户、抢修单状态、故障信息、故障设备产权、处理结果、是否跳闸、通知抢修时间、到达抢修现场时间、修复过程时间、承诺到达时间、通知抢修时间范围、到达抢修现场时间范围、修复过程时间范围、客户意见、是否超时、停电信息通知及时性、工单编号及类型、报修内容关键词提取及分组、人员态度。

模型构建模块300，用于根据满意度分析指标体系构建抢修工单的多维度宽表数据，构建随机森林模型对客户意见中未评价部分进行预测。

本实施例中，模型构建模块用训练集构建的随机森林模型是一种集成算法(ensemblelearning)，它属于bagging类型，如图2所示，通过组合多个弱分类器，最终结果通过投票或取均值，使得整体模型的结果具有较高的精确度和泛化性能，其可以取得不错成绩，主要归功于“随机”和“森林”，一个使它具有抗过拟合能力，一个使它更加精准。在随机森林模型中，大量的决策树形成随机森林；而随机森林的构造过程，包括以下步骤：

步骤1：假如有n个样本，则有放回的随机选择n(n<＝n)个样本(每次随机选取一个样本，然后返回继续选择)；利用所选择的n个样本训练一个决策树，作为弱分类器；

步骤2：假设样本有m个属性，当决策树的每个节点需要分裂时，随机从这m个属性中选取出m个属性，满足条件m<<m；然后从m个属性中采用某种策略(比如说信息熵、信息增益、信息增益比、基尼系数等)来选择1个属性作为该节点的分裂属性；

步骤3：决策树形成过程中每个节点都要按照步骤2来分裂，一直到不能够再分裂为止。如果下一次该节点选出来的那一个属性是刚刚其父节点分裂时用过的属性，则该节点已经达到了叶子节点，无须继续分裂了。

按照步骤1～3建立大量的决策树，这样就构成了随机森林。对于新的样本，多颗决策树采用投票选举的方法判定其类别。

从上面的步骤可以看出，随机森林的随机性体现在每棵树的训练样本是随机的，树中每个节点的分类属性也是随机选择的。有了这2个随机的保证，随机森林就不会产生过拟合的现象了。

基于前述的指标体系及相应的多维度宽表数据，由于客户意见中非常满意和不满意的样本数量极少，如果进行多分类，会造成样本数量极度不均衡而导致模型失效，因此选取客户意见不为空的291436个样本，在构造模型时把客户意见为不满意和一般满意的样本作为目标，共有23796个样本，把满意和非常满意归为非目标对象，共有267640个样本。把客户意见已知的样本以7:3的比例划分为训练集与测试集，其中训练集共有样本204005个，测试集样本87431个。用训练集构造含有5000颗决策树的随机森林回归模型。用来预测测试集中客户意见为不满意的概率。根据样本中非常满意、满意、一般满意和不满意的分布情况，选取预测概率阈值为0.275来对预测样本的不满意度取值进行区分，分析结果如表1所示：

表1分析结果

结合二类问题的混淆矩阵及分析结果，对命中率及覆盖率计算公式进行说明，并对lr模型和随机森林分别计算命中率及覆盖率，得出模型结论及对比情况如表2所示：

表2模型结论及对比

由表2可以看出，随机森林模型命中率比lr模型高61.82％，覆盖率比lr模型高57.16％。

分析决策模块400用于根据模型预测结果对客户诉求进行全面感知，深入地多维度分析影响现场抢修客户满意度的因素，为后续业务部门相关工作的决策提供数据支撑。

本实施例中，分析决策模块根据随机森林模型，预测客户意见为空的现场抢修工单中可能的客户意见，并计算满意度iv值，再根据预测结果进行多维度统计分析，包括地市维度、通知抢修速度分布范畴维度、到场速度分布范畴维度、承诺到达时间范畴维度、修复速度分布范畴维度、抢修单状态分布维度、人员态度分布维度、停电通知及时性维度，构建完善的客户服务评估体系，高效、准确地分析出客户不满意所处的具体维度及原因，有的放矢地提升供电服务质量，并有效感知客户真实诉求，完善抢修服务体系，并针对实际工作提出相应建议，提高客户整体满意度。

其中，分析决策模块的多维度统计分析，从不同角度对指标数据的建模过程进行信息统计，得到相应的统计报表。所述统计报表包括数据质量报表、数据预处理结果类报表、指标体系分布特征类报表、模型结果类报表、分析策略类报表。统计分析的过程具体依据上述基于现场抢修工单的客户满意度分析系统日常的各类报表信息，从不同角度对指标数据的建模过程进行信息统计，得到相应的统计报表，可以满足不同业务部门的统计需求，为后续的信息分析工作提供了依据。

实施例2

本实施例为基于现场抢修工单的客户满意度分析方法，该方法与实施例1基于现场抢修工单的客户满意度分析系统基于相同的发明构思。请参见图3，该方法包括如下步骤：

s301：对现场抢修工单进行数据清洗、数据规约、异常值处理、缺失值处理等数据预处理，具体包括客户意见修复及一般化处理、人员态度处理、停电通知及时性处理、通知速度处理、到场速度处理、修复速度处理、各个字段的缺失值修复处理、报修内容的一般化处理。

s302：根据数据预处理结果，将电力客户满意度评价与具体业务过程相联系，根据业务实际情况构造全面刻画现场抢修工作质量和效率的衍生指标，并形成满意度分析指标体系；所构建的指标体系用于对现场抢修工作的全面衡量，并应用于后续的模型构建。

s303：根据满意度分析指标体系构建抢修工单的多维度宽表数据，构建随机森林模型对客户意见中未评价部分进行预测。

s304：根据预测结果对客户诉求进行全面感知，深入地多维度分析影响客户满意度的因素，并为业务部门相关工作的决策提供数据支撑。

步骤s304还从不同角度对指标数据的建模过程进行信息统计，得到相应的统计报表，所述统计报表包括数据质量报表、数据预处理结果类报表、指标体系分布特征类报表、模型结果类报表、分析策略类报表。

对于本实施例描述基于现场抢修工单的客户满意度分析方法而言，由于在技术方案的实施上与实施例1基于现场抢修工单的客户满意度分析系统相对应，所以本实施例描述得比较简略，技术特征相对应之处请参见实施例1中基于现场抢修工单的客户满意度分析系统部分的说明即可，此处不再赘述。

综上所述，本发明具有如下优势：统一数据，即在对现场抢修工单数据进行统一的清洗、规约、异常处理、缺失处理，尤其是针对客户意见的修复及一般化处理、人员态度的处理、停电通知及时性的处理、通知速度的处理、到场速度的处理、修复速度的处理、报修内容的处理，以及各个字段的缺失值处理；统一指标体系，将电力客户满意度评价与具体业务过程相联系，根据业务实际构造全面刻画现场抢修工作质量和效率的指标体系，全面衡量现场抢修工作；统一模型，即根据指标体系构建现场抢修工单的多维度宽表之后，对客户意见未评价部分进行预测，全面感知客户诉求以及不满意的因素，让各地市单位在满意度测评上不受未评价部分工单的影响，统一模型的同时统一了计算标准；统一策略，即根据模型预测结果对后续业务部门相关工作进行决策支撑，使得同类工单对应的策略可以归类处理，减轻工作压力，改善后续业务部门相关工作。

为了描述的方便，描述以上装置时以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各模块、单元的功能在同一个或多个软件和/或硬件中实现。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

以上所述近似本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。