[发明专利]一种电力客户多次来电服务风险预警的方法

权利要求书

1.一种电力客户多次来电服务风险预警的方法，其特征在于，包括如下步骤：

步骤1：获取95598工单来电数据；

步骤2：对工单来电数据集进行分析；具体过程如下：

步骤2.1：确定近30天为建模时间窗口，获取95598客户在建模时间窗口的工单来电数据；

步骤2.2：对以上数据进行异常数据剔除、异常数据平均值补齐预处理，得到处理后的客户数据；

步骤2.3：构建模型基础特征；具体包括：最近一次工单状态、最近一次来电与上一次来电时间差、最近一次来电时间段、15天内来电通话时长、15天天来电工作时长、15天内工单派发次数、15天内工单立即完结次数、15天内催办次数、15天内来电工单类型风险评分、15天内13时-18时来电次数、15天内19时-22时来电次数、15天内23时-次日6时来电次数、15天内7时-12时来电次数、15天内来电触发关键词次数、15天内故障报修类型来电次数、15天内投诉类型来电次数、15天内综合业务类型来电次数、7天内是否再次来电；

步骤2.4：针对预处理后的来电工单数据及产生风险原因进行数据建模分析：

步骤2.4.1：使用设置好的XGBoost模型参数(n_estimators＝100，learning_rate＝0.05)进行Boosting(提升)算法训练，每一个叶子节点的输出组成组合特征向量；具体过程如下：

Boosting(提升)算法：给定输入向量x和输出变量y组成的若干训练样本；

D＝{(x₁，y₁)，(x₂，y₂)，...，(X_n，y_n)}

目标是找到一个近似函数其中：系数α_m为各个弱学习器的权重，h_m(x)为弱学习器，m＝1,2,3……,M使得损失函数最小；

构造的新组合特征向量是取值0/1的，向量的每个元素对应于Xgboost模型中树的叶子结点；当一个样本点通过某棵树最终落在这棵树的一个叶子结点上，那么在新特征向量中这个叶子结点对应的元素值为1，而这棵树的其他叶子结点对应的元素值为0；新特征向量的长度等于XGBoost模型里所有树包含的叶子结点数之和；

步骤2.4.2：推导引发客户产生风险的指标和阈值，配置规则体系；

推导出引发客户产生风险的指标包括：

事件敏感信息：停电、供电设备位置、赔偿、收费、诉求未及时解决、对往期诉求处理结果不满意；

情绪敏感信息：情绪激动、投诉意愿、投诉倾向、升级投诉、升级反映、媒体曝光、上级、领导、电视台、微博、抖音、直播、律师、申请挂机、没有权利、继续投诉、网络、记者、快手、朋友圈、消费者协会；

步骤2.5：通过客户服务数据分析平台对来电工单数据进行分析得出预警结果；具体过程如下：

步骤2.5.1：将XGBoost模型训练得到的组合特征输入Logistic回归模型中，通过分类器训练后，得到客户在未来三天内再次来电概率，进行风险事前预警；具体过程如下：

Logistic回归属于广义线性回归模型，函数公式如下：

构造一个Cost函数(损失函数)，该函数表示预测的输出(h)与训练数据类别(y)之间的偏差；考虑所有训练数据的“损失”，将Cost求和或者求平均，记为J(θ)函数，表示所有训练数据预测值与实际类别的偏差；使用的是梯度下降法找到J(θ)函数的最小值；

步骤2.5.2：根据规则体系的数据分析结果，进行风险事中定位；具体过程如下：

所述来电工单数据包括客户来电工单数据、客户诉求轨迹数据两部分；

根据该风险预警规则，对经过数据分析的客户进行预警；所述风险预警规则包括风险名称、风险预警周期、风险预警阈值、风险种类，在设定风险预警规则体系时，首先配置风险预警周期，即来电工单风险预警监测周期，配置风险预警阈值，并根据阈值的范围对应为高风险、中风险、低风险，最后配置风险种类，展现不同风险种类下潜在的风险；

所述预警数据包括：风险等级、风险类型、首次预警时间、最近预警时间、风险处理时间、风险处理内容、风险处理人员；

所述预警周期包括小时、天；预警等级包括高风险、中风险、低风险；预警类型包括情绪升级客户、停电情绪客户、疑似特殊客户、疑难业务客户、超期风险客户、对内投诉客户、已有投诉客户、线下诉求客户、潜在投诉客户、处理不满客户、风险高分客户、报备特殊客户、疑似中介客户。