针对电力客户服务中用户诉求的分析

针对电力客户服务中用户诉求的分析

郝景昌

（ 国家电网有限公司客户服务中心 ，天津 300309 ）

摘要：人民对电力服务的要求越来越高，以及随着电力客服中心向智能化的转型，对客户诉求的关联性分析的需求也越来越迫切。本文利用Apriori算法，一方面对客户重复来电的轨迹开展分析，定位了客户体验欠佳和省公司服务的短板问题，为省公司提升服务质量提供支撑。另一方面对电费相关业务中，来电客户一通电话中，反映的不同诉求点的开展分析，为智能IVR引导话术和服务流程设计提供了支撑。

关键字：关联规则 Apriori算法；重复来电；客户诉求；智能服务

1. 研究背景

随着人民生活水平的提升，用电量日益增长，随之而来的是客户对用电服务品质的要求也越来越高。电力客服中心是国网与客户的主要触点，其对客户诉求的响应速度、问题处理速度、服务的专业性及共情度将直接体现电网企业的品牌形象和服务理念。要真正做到用心服务，需要深入洞察客户诉求，分析诉求发展规律，定位服务中存在的问题，为进一步优化服务提供支撑。与此同时，电力客服中心也处在传统客服向智能客服转变的浪潮中，需要机器人替代人工来满足客户的诉求。当前，针对客户进行画像、分析客户投诉行为等工作已在开展，但是电力客户诉求关联性分析相对缺乏。因此，本文对电力客户重复来电的诉求集合、同一通电话中反映的问题点集合开展关联分析，定位客户诉求发展轨迹和特点，为智能服务体系设计和提升服务体验提供支撑。

2. Apriori关联规则算法

关联规则就是在大量数据中，找到隐含的相关项的算法，具有代表性的为购物篮案例。分析不同顾客购物篮中的商品间的关联性，可以将顾客经常一起购买的商品放在一起（如啤酒和尿布），方便客户消费，从而提升客户感知。

（1）总体思路

Apriori规则是典型的挖掘频繁项集合的算法，它的总体思路为第一次在大数据集上提取可行的关联规则，通过连接产生候选项和支持度，然后通过剪枝生成频繁项集。

（2）指标

关联规则的强度，用支持度（Support）、置信度(Confidence)和提升度(Lift)三个指标衡量。

为了更好地理解上述指标，以购物篮来说明：

表1 客户购物篮举例

支持度：指的是数据集中，包含某项集A的记录占总体数据集的比例。

Support(A)=P(A) (1)

上例中Support(尿布)=3/4=0.75。

置信度：指的是项集A发生，则项集B发生的概率。

Confidence(A->B)=P(B|A) (2)

上例中Confidence(尿布->啤酒)=P(尿布∩啤酒)/P(尿布)=0.5/0.75=0.67。

支持度：表示包含A的项集中同时包含B的比例，与包含B项集的比例的比值。

Lift（A->B）= Confidence(A->B)/P(B)(3)

上例中Lift(尿布->啤酒)= Confidence(尿布->啤酒)/ P(啤酒)=0.67/0.5=1.33。

提升度主要用来检验置信度是否受A本身占比很高的影响，提升度越高于1说明A和B正相关性越高；越低于1说明两者负相关性越高；等于1，说明两者没有相关性。上面例子说明尿布和啤酒有一定正相关性。

在实际使用中，要根据经验确定最小支持度和置信度阈值，其中，最小支持度表示项目集在统计意义上的最低重要性，最小置信度表示关联规则的可靠性。同时，满足最小支持度和最小置信度阈值的规则成为强关联规则^[5]。

3.重复来电的关联规则分析

电力客服中心重复来电情况可以反映出客户诉求解决是否彻底，对于客服中心服务提升和省电力公司服务改进有着重要指导意义。

经统计，甘肃公司重复来电率最高，2次及以上重复来电量，占业务量的27.45%。客户咨询欠费停电、催办及咨询进度、欠费复电登记这三类业务是客户重复来电的主要诉求类型。利用Aprioi关联规则算法进一步挖掘客户诉求之间的关联性，以下为R语言程序程序代码和的运行结果。

根据实际业务需求，将支持度设置为10%，置信度设置为20%，最小链长设置为2，具体程序代码如下：

groceries <-read.transactions("gansuCF.csv", format="single",sep=",",cols=c(1,2))；

groceryrules=apriori(groceries,parameter = list(support=0.1,confidence=0.2,minlen=2))

inspect(groceryrules)；

plot(groceryrules,measure="confidence", method="graph", control=list(type="items"), shading = "lift").

运行结果如下：

在上述运行结果中，根据客户来电先后，挑选出符合业务逻辑的两条规则：

规则1：{欠费复电登记 ->客户催办}，支持度为14.17%，置信度为47.96%，提升度为1.90。具体业务释义为：说明有47.96%的客户在客服专员派发复电工单后，仍进行了催办，同时结合来电时间间隔可以看出甘肃公司复电效率较低，有待进一步提升。

规则2：{咨询欠费原因->欠费复电登记}，支持度为18.17%，置信度为40.49%，提升度为1.37。具体业务释义为：第一次来电，客户被停电后，来电咨询停电原因及询问复电时间，客服专员告知停电原因为欠费停电及复电操作流程，并让客户耐心等待；第二次来电，客户等待较长时间后，仍未复电成功，客服专员派发工单，让工作人员排查及处理。

由于来电三次的客户也相对较多，因此降低支持度，同时将链条设置为3，得到以下运行结果。

根据客户来电时间先后，挑选出符合业务逻辑的一条规则：

规则3：{欠费、欠费复电登记 ->客户催办}，支持度为8.04%，置信度为41.92%，提升度为1.41。客户具体来电轨迹为：第一次来电，询问停电原因及询问复电时间，客服专员告知停电原因为欠费停电及复电操作流程，并让客户耐心等待；客户等待较长时间后，第二次来电，此时仍未复电成功，客服专员派发工单，让工作人员排查及处理；第三次来电，客户较为着急，对复电进度进行催办。

4. 电费类诉求关联分析

当前电力客服中心在智能化转型的初步阶段，电量电费业务是智能IVR服务的重点。本次利用关联规则提取客户常问的关联问题，在智能IVR引导话术中对关联性诉求进行提醒，从而达到提升智能机器人的意图识别准确率的目的。该分析是首先对一通人工电话中，客户的诉求点进行梳理，进而分析一通电话中客户诉求点之间的关联关系。

根据实际业务需求，将支持度设置为10%，置信度设置为20%，最小链长设置为2，结果可以看出，电量电费异常和电费结算周期关联性较大；查欠费、抄表日期和底数及查当期电量电费两两关联性较大。

结合业务规则，可以看出，反映电费电量异常的客户对结算周期、电价也很关注；查当期电费电量的客户，对抄表日期和底数及是否欠费也很关注。

5.结论

本文利用Apriori关联算法分别对客户重复来电和电费类客户诉求进行了关联分析，为省公司服务改进和智能IVR引导话术提供了支撑。

参考文献：

[1] 马 亮. 基于客户画像的客户诉求管理[J]. 电力需求侧管理，2016,18（S1）：98-100.

[2] 张 慧. 客户投诉业务工单的诉求分析[J]. 电力需求侧管理，2017,19(2): 57-60.

3