一种基于评分卡模型的移动用户资费满意度评估方法

摘要

本发明涉及移动用户客情维护技术领域，具体为一种基于评分卡模型的移动用户资费满意度评估方法，包括以下步骤：采集用户用于构建评估模型的数据；对采集的数据进行分析和处理，根据建立资费满意度评估模型需求挑选特征项；有益效果为：本发明提出的基于评分卡模型的移动用户资费满意度评估方法，相较于传统的根据几个关键业务指标或者投诉数据进行客情维护的基础上，在不增加额外设备或者采集新的数据的基础上，基于评分卡模型、挖掘资费不满用户的特征分布趋势，预测哪些用户可能存在不满，便于运营侧提前进行分析并开展有针对性的客情维护手段，方便高效。

说明书

技术领域

本发明涉及移动用户客情维护技术领域，具体为一种基于评分卡模型的移动用户资费满意度评估方法。

背景技术

近年来随着我国通信市场个人用户趋于饱和，传统运营商均面临着用户难以增长的问题，竞争便从增量市场转到了存量市场，如4G用户向5G转化，语音用户向宽带用户转化等。

现有技术中，在如此激烈的市场竞争背景下，如何提高用户满意度，减少用户流失，成为运营商保持用户和收入增长的重要手段之一。要提升用户满意度，就需要运营商加强用户重点投诉原因的分析，解决满意度各类短板问题，不断提升服务品质，以期留住用户。当前运营商服务质量管理工作的主要问题在于，手工收集来源广泛的数据容易出错，且对比分析工作量繁重。因此，使用大数据挖掘技术辅助运营商改善用户满意度的需求亟待解决。

发明内容

本发明的目的在于提供一种基于评分卡模型的移动用户资费满意度评估方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于评分卡模型的移动用户资费满意度评估方法，所述方法包括以下步骤：

S1、采集用户用于构建评估模型的数据；

S2、对S1采集的数据进行分析和处理，根据建立资费满意度评估模型需求挑选特征项；

S3、基于S2输出的数据进行模型训练、评估和调优，输出移动用户资费满意度评估模型；

S4、将S3获取的评分模型转换为标准评分卡，依据所述标准评分卡评定用户的资费满意度分数。

优选的，用于构建评估模型的数据包括：基础信息、终端信息、投诉信息、五网属性、宽带信息、电视信息、套餐信息、消费行为、营销活动参与情况以及掌上营业厅使用情况；

基础信息：包括年龄、性别、入网时长、用户星级指标；

终端信息：包括是否合约机、是否4/5G终端指标；

投诉信息：包括是否历史投诉用户、当月投诉次数指标；

五网属性：包括是否集团网/家庭网用户指标；

宽带信息：包括是否宽带用户、宽带带宽指标；

电视信息：包括是否互联网电视用户、电视观看时长指标；

套餐信息：包括流量主体套餐名称、套餐费用指标；

消费行为：包括当月通话分钟数、当月流量使用数、当月短信条数指标；

营销活动参与情况：包括营销案个数、营销案到期月份指标；

掌上营业厅使用情况：包括掌厅登录天数、掌厅套餐业务接触次数指标。

优选的，对S1采集的数据进行分析和处理，根据建立资费满意度评估模型需求挑选特征项的具体操作如下：

如果用户对其资费套餐情况不满意，在被调研且反馈不满之前的一段时间内的行为、消费、属性信息会有一定的特征趋势，且与不存在资费套餐不满的用户有一定的特征分布差异，为了尽可能的扩充分析数据的体量，模型的样本并非同一个周期内的调研数据，相应的，在关联样本特征的时候，选择调研时间点之前的账期进行月度汇总，为了体现一定时间内的特征指标变动趋势，取前三个月的数据作为三个特征进行建模，S1中所涉及的每个指标全都进行汇总，然后对所有特征的缺失值进行统计，缺失度较高时进行剔除，不参与建模。

优选的，基于S2输出的数据进行模型训练、评估和调优，输出移动用户资费满意度评估模型的具体操作包括：

S31、变量分箱，对原始数据中的连续变量进行分段离散化，并将多状态的离散变量进行合并，减少离散变量的状态数；

S32、证据权重变换；

S33、变量筛选；

S34、构建逻辑回归模型；

S35、模型评价。

优选的，将S3获取的评分模型转换为标准评分卡，依据所述标准评分卡评定用户的资费满意度分数的具体操作如下：

将坏样本的概率表示为p，则好样本的概率为1-p，由逻辑回归的基本原理可得：

定义比率来表示客户资费不满的相对概率：

评分卡的分值定义为比率对数的线性表达式为：

Score＝A-B×log(odds)＝A-B(w

与现有技术相比，本发明的有益效果是：

本发明提出的基于评分卡模型的移动用户资费满意度评估方法，相较于传统的根据几个关键业务指标或者投诉数据进行客情维护的基础上，在不增加额外设备或者采集新的数据的基础上，基于评分卡模型、挖掘资费不满用户的特征分布趋势，预测哪些用户可能存在不满，便于运营侧提前进行分析并开展有针对性的客情维护手段，方便高效。

附图说明

图1为本发明方法流程图。

具体实施方式

为了使本发明的目的、技术方案进行清楚、完整地描述，及优点更加清楚明白，以下结合附图对本发明实施例进行进一步详细说明。应当理解，此处所描述的具体实施例是本发明一部分实施例，而不是全部的实施例，仅仅用以解释本发明实施例，并不用于限定本发明实施例，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。

请参阅图1，本发明提供一种技术方案：一种基于评分卡模型的移动用户资费满意度评估方法，所述方法包括以下步骤：

S1、采集用户基础信息、终端信息、投诉信息、五网属性、宽带信息、电视信息、套餐信息、消费信行为、营销活动参与情况、掌上营业厅使用情况等用于构建评估模型的数据；

S2、对S1步骤采集的数据进行分析和处理，根据建立资费满意度评估模型需求挑选特征项；

S3、基于S2输出的数据进行模型训练、评估和调优，输出移动用户资费满意度评估模型；

S4、将S3获取的评分模型转换为标准评分卡，依据所述标准评分卡评定用户的资费满意度分数。

本发明为一种基于评分卡模型的移动用户资费满意度评估方法，所述步骤S1为采集用户基础信息、终端信息、投诉信息、五网属性、宽带信息、电视信息、套餐信息、消费信行为、营销活动参与情况、掌上营业厅使用情况等用于构建评估模型的数据，具体如下：

基础信息：包括年龄、性别、入网时长、用户星级等指标；

终端信息：包括是否合约机、是否4/5G终端等指标；

投诉信息：包括是否历史投诉用户、当月投诉次数等指标；

五网属性：包括是否集团网/家庭网用户等指标；

宽带信息：包括是否宽带用户、宽带带宽等指标；

电视信息：包括是否互联网电视用户、电视观看时长等指标；

套餐信息：包括流量主体套餐名称、套餐费用等指标；

消费行为：包括当月通话分钟数、当月流量使用数、当月短信条数等指标；

营销案信息：包括营销案个数、营销案到期月份等指标；

掌厅使用信息：包括掌厅登录天数、掌厅套餐业务接触次数等指标。

本发明为一种基于评分卡模型的移动用户资费满意度评估方法，所述步骤S2为对S1步骤采集的数据进行分析和处理，根据建立资费满意度评估模型需求挑选特征项，具体如下：

本步骤涉及模型目标选择和特征项选择两部分。具体的，如果用户对其资费套餐情况不满意，其在被调研且反馈不满之前的一段时间内的行为、消费、属性等信息会有一定的特征趋势，且与不存在资费套餐不满的用户有一定的特征分布差异，为了尽可能的扩充分析数据的体量，模型的样本并非同一个周期内的调研数据，相应的，在关联样本特征的时候，选择调研时间点之前的账期进行月度汇总，为了体现一定时间内的特征指标变动趋势，取前三个月的数据作为三个特征进行建模，S1中所涉及的每个指标全都进行汇总，然后对所有特征的缺失值进行统计，缺失度较高时进行剔除，不参与建模。

本发明为一种基于评分卡模型的移动用户资费满意度评估方法，所述步骤S3为基于S2输出的数据进行模型训练、评估和调优，输出资费满意度评估模型，具体如下：

本步骤建立评估模型包括：S31、变量分箱；S32、证据权重变换；S33、变量筛选；S34、构建逻辑回归模型；S35、模型评价。

其中S31变量分箱即对原始数据中的连续变量进行分段离散化，并将多状态的离散变量进行合并，减少离散变量的状态数，此步骤能够有效处理特征变量中的缺失值和异常值，简化逻辑回归模型，降低模型过拟合的风险，提高模型的泛化能力。本发明基于CART(分类与回归树)算法对连续变量进行最优分箱。

特征变量分箱结束后，进行S32证据权重(Weight of Evidence，WOE)变换，其能够表示当前分箱中资费不满用户和无不满用户的体量比值，和所有样本(随机挑选)中这个比值的差异，WOE越大，差异越大，当前分组里的不满客户(坏样本，无资费不满用户为好样本，下同)的可能性就越大，反之，当前分组里的不满客户响应的可能性就越小。WOE计算公式为：

其中Bad

初步挑选的变量可能与目标变量相关性较低，为了保障建模效果，完成WOE编码之后，需要进行S33变量挑选。为此，本方案基于信息价值(information value，IV)挑选单变量，IV值越大，表示自变量的预测能力越强，其计算公式如下

式中，N代表变量分箱数量。除了单变量筛选之外，为了保障逻辑回归模型转化为标准评分卡的时候变量的可解释性，本方案基于方差膨胀系数(variance inflationfactor，VIF)衡量所选变量的多重线性严重程度，当某个变量的VIF大于阈值时，逐一剔除解释变量。

变量挑选结束之后需要进行步骤S34构建逻辑回归模型，逻辑回归公式为：

其中

本发明为一种基于评分卡模型的移动用户资费满意度评估方法，所述步骤S4为将训练模型转换为标准评分卡，依据所述标准评分卡评定用户资费不满等级，具体如下：

将坏样本的概率表示为p，则好样本的概率为1-p，由逻辑回归的基本原理可得：

此处定义比率来表示客户资费不满的相对概率：

评分卡的分值定义为比率对数的线性表达式为：

Score＝A-B×log(odds)＝A-B(w

A与B是常数，B前面的负号代表资费不满程度越高，得分越低，本发明中高分值代表对资费较为满意的用户，低分值代表资费不满用户，式中A与B未知，可以通过将两个已知或假设的分值带入计算得到：某个特定不满概率下的预期评分，odds为w

本发明选取的评分卡参数为：P

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。