基于联合神经网络的投诉预测模型研究

doi:10.11959/j.issn.1000-0801.2024006

Abstract

Abstract:

By conducting in-depth exploration on the key factors affecting repeat complaints of telecom operators, this study aimed to improve service quality and construct a risk prediction model.Based on the operator’s customer service data, the study employed Logistic regression, BP neural network, and their combined modeling methods.The Logistic regression model identified five major influencing factors, predicting the probability of repeat complaints with an accuracy of 80.0%.The BP neural network selected 81 influencing factors, achieving a prediction accuracy of 90.6%.On this basis, a combined model was constructed with an accuracy rate of up to 92.8%.After practical application in a provincial telecom operator, the repeat complaint rate decreased by 3.2%, demonstrating a significant impact.Strong support is provided for improving the service quality of telecom operators and reducing repeat complaints, which is of great significance for the development of the telecom industry in China.

Key words: AI customer service, joint modeling, repeated complaint, Logistic regression, deep learning model

CLC Number:

TP393

Xiaoliang MA, Ying LIU, Jie GAO. Research on a complaint prediction model utilizing joint neural networks[J]. Telecommunications Science, 2024, 40(1): 48-58.

Figures/Tables 18

模型	MSE	MSE下降	MAPE	MAPE下降
BP神经网络模型	55.07	—	$9 . 529 %$	—
联合模型	50.83	-4.24	$8 . 124 %$	$1 . 405 %$

	实际重复投诉/宗	实际非重复投诉/宗
预测重复投诉/宗	$2613$	$313$
预测非重复投诉/宗	4 866	63 942
整体准确率	$92 . 78 %$	—

干预前的重复投诉率	干预后的重复投诉率	下降
10.47%	7.27%	$- 3 . 2 %$

References 16

[6]	ZHANG J F , FU Q , DU J Z . Study on the manipulation anticipation of listed companies’ stock prices based on Logistic model[J]. Journal of Xi’an University of Technology, 2018,34(2): 240-245.
[7]	邵志高 . 基于二元 logistic 回归模型的收入异动影响未来股票收益研究[J]. 湖南科技大学学报(社会科学版), 2017,20(5): 103-111.
	SHAO Z G . On the impact of revenue abnormal variation on future stock returns based on the binary logistic model[J]. Joumal of Hunan University of Science ＆ Technology (Social Science Edition), 2017,20(5): 103-111.
[8]	陈蒙蒙, 方振红, 涂文怡 ,等. 基于Logistic回归模型的心脏病预测模型构建及效果分析[J]. 医院管理论坛, 2022,39(2): 32-35.
	CHEN M M , FANG Z H , TU W Y ,et al. Regression model effect analysis of heart disease prediction model based on logistic[J]. Medical Management, 2022,39(2): 32-35.
[9]	孙敬怡 . 基于智能算法的中青年居民健康状况与疾病预警模型研究[D]. 天津:天津中医药大学, 2021.
	SUN J Y . Research on health status and early warning model of disease of young and middle-aged residents based on intelligent algorithm[D]. Tianjin:Tianjin University of Traditional Chinese Medicine, 2021.
[10]	张艳莉 . 基于 Logistic 回归算法的企业顾客抱怨管理机制的构建[J]. 科技通报, 2014,30(5): 156-159.
	ZHANG Y L . Enterprise management mechanism for build customer complaints based on logistic regression algorithm[J]. Bulletin of Science and Technology, 2014,30(5): 156-159.
[11]	庄贵军, 朱美艳 . 顾客抱怨行为与重购意愿的logistic回归分析[J]. 商业经济与管理, 2009,211(5): 90-96.
	ZHUANG G J , ZHU M Y . Logistic regression analysis of customer complaint behavior and repurchase intention[J]. Journal of Business Economics, 2009,211(5): 90-96.
[1]	中国政府网. 中华人民共和国消费者权益保护法[Z]. 2013-10-25.
	GOV. Consumer rights protection law of the National People's Congress of the People's Republic of China[Z]. 2013-10-25.
[2]	马晓亮, 刘英, 杜德泉 ,等. 电信运营商 AI 客服平台技术研究与应用分析[J]. 电信科学, 2023,39(9): 141-152.
	MA X L , LIU Y , DU D Q ,et al. Research and application analysis of artificial intelligence-based customer service platform technologies for telecom operators[J]. Telecommunications Science, 2023,39(9): 141-152.
[3]	雷霆, 陈小鹏 . 降低网络客户重复投诉率策略研究[J]. 信息与电脑(理论版), 2022,34(1): 208-210,215.
	LEI T , CHEN X P . Research on strategies of Xi’an Mobile to reduce repeated complaints rate of network customers[J]. Information ＆ Computer, 2022,34(1): 208-210,215.
[4]	韩鹏 . 强化故障全程管控有效压降重复投诉[J]. 通信管理与技术, 2021,175(5): 50-51,62.
	HAN P . Strengthening full-process management of faults to effectively reduce repetitive complaints[J]. Technical ＆ Operation Exchanges, 2021,175(5): 50-51,62.
[5]	李航 . 统计学习方法[M]. 北京: 清华大学出版社, 2012.
	LI H . Statistical learning methods[M]. Beijing: Tsinghua University Press, 2012.
[6]	张建锋, 付强, 杜金柱 . 基于 Logistic 模型的上市公司股票价格操纵预判研究[J]. 西安理工大学学报, 2018,34(2): 240-245.
[12]	罗鑫, 张金林 . 基于多时间尺度复合深度神经网络的股票价格预测[J]. 武汉金融, 2020,249(9): 32-40.
	LUO X , ZHANG J L . Stock price prediction based on multi-time scale composite deep neural network[J]. Wuhan Finance, 2020,249(9): 32-40.
[13]	唐思源, 杨敏, 白金牛 . 基于深度卷积神经网络的肺结节检测与识别[J]. 科学技术与工程, 2019,19(22): 241-248.
	TANG S Y , YANG M , BAI J N . Lung nodules detection and recognition based on deep convolutional neural networks[J]. Science Technology and Engineering, 2019,19(22): 241-248.
[14]	周文杰, 严建峰, 杨璐 . 基于深度学习的用户投诉预测模型研究[J]. 计算机应用研究, 2017,34(5): 1428-1432.
	ZHOU W J , YAN J F , YANG L . Research on prediction model of complaint based on deep learning[J]. Application Research of Computers, 2017,34(5): 1428-1432.
[15]	穆晓玛 . 主流客户投诉预测模型的对比与研究[J]. 智能计算机与应用, 2018,8(5): 100-102,105.
	MU X M . Comparison and research of several mainstream customer complaint prediction models[J]. Intelligent Computer and Applications, 2018,8(5): 100-102,105.
[16]	周志华 . 机器学习[M]. 北京: 清华大学出版社, 2016.
	ZHOU Z H . Machine learning[M]. Beijing: Tsinghua University Press, 2016.

Metrics

Recommended 0

No Suggested Reading articles found!

“客服工单数据”特征项	“业务支撑系统”特征项
服务类别	语音套餐名称	关联副卡套餐外使用流量（后付费）
是否有前单	无宽套餐名称	本月注册终端系统型号
工单总历时	近6个月内欠费停机次数	本月注册终端品牌
工单流转次数	用户信用额度	最近一次更换终端时间
回访结果	套餐内总可用流量	上上个月出账金额
挂起次数	套餐内已使用流量	上个月出账金额
是否为升级工单	是否超流量用户（后付费）	12个月内最近一次充值渠道
客户星级	套餐外超流量值（后付费）	12个月内最近一次充值操作系统
是否小额快速退费	当月关联副卡上网流量	12个月内最近一次充值方式
受理时长	当月出账金额	是否开通5G功能
关键信息	是否欠费用户	是否5G终端
投诉风险	当月累计欠费金额	实际速率
投诉客户情绪	是否5G套餐用户	套餐速率
受理内容，如出现曝光、越级、媒体标识	当月上网流量（出账）	是否高竞争网格
处理内容	欠缴月份	是否城中村网格
是否认可	是否敏感客户（VIP）	是否商业网格
退费与否	是否黑名单用户	是否敏感客户（非VIP、VPN）
是否受理	停机类型	落地局向ID
支持内容，如出现追、催标识	停机原因	落地局向名称
是否有协查单	半年内投诉次数	落地营服ID
服务类别	累计投诉次数	落地营服名称
	客户编码	用户装机地址ID
	客户名称	装机地址
	客户星级	接入方式
	揽装人工号	是否FTTH+HUB
	网点名称	揽装工号ID
	套餐内总可用通用流量	缴费方式名称
	套餐内已使用通用流量	缴费银行账号
	套餐外使用流量（后付费）	缴费账户类型
	3个月内投诉次数	缴费账户名称

变量	测量特征	赋值
自变量	是否有前单	0=否；1=是
	工单总历时	连续值，例如：13.48、9.22
	工单流转次数	连续值，例如：6、4
	回访结果	0=不参与；1=基本满意；2=满意；3=不满意
	挂起次数	连续值，例如：0、1、2
	是否为升级工单	0=否；1=是
	客户星级	0=无星；1=1星；2=2星；…；7=7星
	是否小额快速退费	0=否；1=1
	受理时长	连续值，例如：103、156
因变量	是否重复投诉	0=否；1=是

变量	Pearson相关系数
是否有前单	0.342
工单总历时时长	0.265
工单流转次数	0.235
挂起次数	0.225

变量	回归系数	p值
是否有前单	0.133	0.005
工单总历时时长	0.054	0.025
工单流转次数	0.051	0.023
挂起次数	0.093	0.016
受理时长	0.043	0.039

参数名	参数值
激活函数	ReLU
L2正则项	0.000 1
迭代次数	1 000
隐含层神经元数	100

Research on a complaint prediction model utilizing joint neural networks

RichHTML

PDF下载

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 18

References 16

Related Articles 2

Metrics

Recommended 0

重复投诉预测模型	预测准确率	比Logistic回归模型提高
Logistic回归模型	80.09%	—
BP神经网络模型	90.61%	+10.52%
联合模型	92.78%	+12.69%

[1]	Xiaoliang MA, Ying LIU, Dequan DU, Guoxin ZHANG. Research and application analysis of artificial intelligence-based customer service platform technologies for telecom operators [J]. Telecommunications Science, 2023, 39(9): 141-152.
[2]	Xiaoliang MA, Ying LIU, Dequan DU, Lingling AN. Key technologies and development trends of intelligent customer service for operators [J]. Telecommunications Science, 2023, 39(5): 76-89.

模型	p值	AIC值	BIC值
最终模型	0.017	75.277	88.302