基于常驻小区的投诉热点聚类方法研究及应用

1 背景

伴随着LTE网络技术的不断发展，传统的语音业务迅速向移动互联网业务迁移，运营商所面临的网络特征、业务特征、终端特征都发生了明显的变化，传统的网管指标无法准确反映用户感知，网络指标好不代表用户感知就好。因此现网投诉用户的网络问题分析定位存在以下瓶颈。

（1）投诉定位耗时耗力存在大量重复性查询工作

传统的投诉处理方式是接收用户投诉工单之后，优化人员电话联系客户，与客户沟通投诉位置，然后对投诉位置的周边站点进行指标分析和告警查询，如无明显问题，则需前往现场进行测试及分析，提出优化调整方案。全程投诉处理时效性极低，重复性查询工作较大，在投诉高峰期，传统受理方式无法及时解决用户的投诉需求，影响客户感知和满意度。

（2）投诉分析对优化人员技能依赖性较大投诉处理质量无法保证

投诉处理人员对测试问题分析需要综合多方数据进行问题分析和方案确认，在问题定位和制定优化方案时往往需要依据现场优化人员的经验，如缺乏责任心、工作经验不足时则易造成问题定位不准确，处理不及时影响用户感知。

2 方法研究

2.1 主要做法

通过常驻小区筛选方法，对用户投诉进行初步定位，避免重复性的查询和定位工作，提升了投诉工单派发的精确性、处理的高效性，主要流程如图1所示。

图1 常驻小区投诉热点聚类分析流程

2.2 创新点

2.2.1 投诉用户常驻小区算法

精确定位投诉常驻小区，通过自行构建用户驻留小区数据依据（一种利用省公司平台数据，一种利用软采Uu口数据），投诉用户回溯时段选取，常驻小区定义规则和筛选算法，问题小区汇聚算法等一系列完整的创新方法准确定位问题小区。具体如图2所示。

图2 投诉用户常驻小区算法过程

（1）收集投诉用户：收集投诉用户信息，整理需要分析的投诉用户清单；

（2）用户硬采数据收集：收集投诉用户连续3天的硬采数据，整理忙、闲时数据信息；

（3）常驻小区筛选：通过常驻小区筛选算法，合理筛出投诉用户的常驻小区；

（4）问题小区汇聚：对投诉用户的常驻小区，进行聚类算法统计，找出热点问题小区；

（5）疑似热点分析：聚焦问题站点，通过聚类统计，筛选出投诉热点站点和投诉热点区域；

（6）问题原因定位：通过查询本站及周边站点故障信息和相关指标对问题可能产生的原因进行。

2.2.2 常驻小区筛选算法步骤

常驻小区定义：移动用户（存量投诉用户+新增投诉用户）在工作时段与非工作时段分别长期驻留的小区，称为该用户的工作时段常驻小区与非工作时段常驻小区。

数据选取时段：工作时段：9:00-12:00，14:00-17:00；非工作时段：20:00-24:00。

常驻小区筛选算法：连续3天，每天上午工作时段至少占用小区2个时间点，下午工作时段至少占用小区2个时间点，工作时段总共占用小区时间点≥4，则判断为工作时段的常驻小区；连续3天，每天非工作时段至少占用时间点，判断为非工作时段的常驻小区。

2.2.3 常驻小区汇聚算法

将全网投诉用户与常驻小区进行汇聚，统计所有常驻小区下投诉用户的数量，小区下投诉用户越多则该小区对用户感知影响越大，分析处理优先级越高。

（1）将常驻小区下投诉用户数≥5的定义为严重问题小区；

（2）5≥投诉用户数≥2的定义为普通问题小区。

2.2.4 投诉热点综合分析模型

现网投诉问题的主要通过现场数据测试采集及网管KPI指标分析，同时，4G网管指标能够反映网络整体接通和掉线问题，但缺乏用户维度的感知指标评价，无法真实反映用户实际感受。现有分析方法和手段对于发现无线网络问题的根源体现尚有不足，无法全面有效挖掘网络真实情况。

体现突破传统网管指标统计瓶颈，利用网管无线性能、软采数据、硬采控制面、硬采用户面4个维度的指标统计，结合宏观小区级与微观用户级，多维触发小区体检流程，通过标准流程的全面分析，形成核心问题定位、SP问题定位、无线问题定位，综合呈现、透视用户感知网络问题。

通过整合网管，软硬采等多维度数据，建立完善的小区模型，通过小区信息关联，专业知识库/经验库，实现对问题小区的精确分析及定位，准确输出异常问题小区清单，携带分析报表进行工单派发及问题处理，形成问题闭环，形成对各专业的工单派发及呈现的系统，全面支撑各专业优化工作的开展。

3 效果展示

3.1 投诉号码分析情况

基于平台常驻小区聚类投诉热点，7月22日～ 9月29日导入投诉用户107 329宗，有效数据95 340宗，分析比例为88.83%。通过平台数据关联分析，每天平均分析投诉用户约1 326宗。具体如图3所示。

图3 投诉号码分析情况

3.2 热点投诉分析情况

将投诉用户与常驻小区列表进行透视统计，LTE网取半径=200米，GSM网取半径=300米的常驻小区汇聚得到热点投诉。7月22日-9月29日分析≥5宗热点投诉3 136个，≥10宗热点投诉770个，每天平均分析热点投诉约45个。具体如图4所示。

图4 热点投入分析情况

3.3 处理热点投诉情况

7月22日～ 9月29日共处理热点投诉2 722宗，处理投诉用户26 146宗，处理投诉比例为27.42%。通过平台数据关联分析，实现每天平均分析热点投诉39个，投诉用户数量374个。具体如图5所示。

图5 处理热点投诉情况

3.4 投诉派单处理结果

7月22日～ 9月29日，通过平台数据关联分析投诉派单共有1 113个，平均每天派单为16个热点；其中排名前3位题类型是：基站退服441个、无线覆盖209个、上行干扰124个，占比达到69.54%。具体如图6所示。

图6 投诉热点派单问题分类

4 热点投诉案例

4.1 基于人工检索投诉地址的方法聚焦投诉热点

分析6月25日投诉清单，以用户投诉地址进行检索，发现天河区凤凰街道高塘石为投诉热点区域，统计有22宗，最近范围内分布站点有电力学校(电力学校D)、大观路广汕路口搬迁D。具体投诉内容及位置如表1和图7所示。

核查基站故障/退服数据，电力学校、电力学校D于6月24日 16:47:19开始出现站点退服（4G站点：广州天河区电力学校F-ZLH、广州天河区电力学校D-ZLH于6月24日 23:53:33出现网元断链告警）。2/4G站点退服原因均由于欠费停电所致。6月27日维护反馈：经与业主协商后于6月26日 15:47:00恢复供电，抽样回访用户均表示信号已恢复正常。

表1 2G故障/退服基站清单

图7 投诉热点区域及基站分布

4.2 基于关联常驻小区的方法聚类热点投诉

整理6月25日全天投诉用户清单，通过信令采集捞取投诉用户连续5天占用的小区，按常驻小区计算规则，输出投诉用户的常驻小区。排名前三的投诉热点，具体内容及位置如表2和图8所示。

聚集投诉热点：将投诉用户数关联至常驻小区站点，应用聚类算法，将R=300米内的投诉聚集。

投诉热点站点：关联聚集到广州天河区电力学校F-ZLH、广州天河区高普路北D-ZLH、广州天河区广汕公坑灯杆D-ZLH三个投诉热站点，投诉用户分别是19个、15个、10个。

聚类投诉号码：经核实，3个热点站点均相连，剔除重复投诉后剩23个号码，把投诉聚焦为一个投诉热点片区。3个热点站点重叠覆盖或相连区域就是投诉集中地区。

表2 4G故障/退服基站清单

图8 投诉热点区域及基站分布

4.3 投诉用户对比情况

高唐石热点区域全部用户投诉一共有32个，两种方法均统计包含有15个，人工无法检索有8个，信令采集缺数有7个，从总体数据来看，热点投诉区域捕抓两者均重合。具体内容如表3所示。

表3 投诉热点区域清单

4.4 案例分析总结

（1）优点

① 目前有部分投诉工单因无具体地址信息，导致人工无法检索聚类形成热点投诉或因缺失部分投诉号码，基于常驻小区的投诉热点聚类方法，有效补充了手动聚类方法的不足，丰富了发现投诉热点的手段。

② 通过硬采信令数据对投诉用户进行常驻小区分析，关联映射至2G投诉小区（或站点），聚类投诉热点的方法不依赖于用户的地址信息，直接关联至站点，定位精度高，便于投诉人员进行现场处理。

③ 经过近两周的统计常驻小区的方法相互对比数据来看，与人工检索投诉地址定位投诉热点吻合度达到100%。

（2）缺点

计算常驻小区时，需捞取投诉用户连续5天占用的小区清单，目前该数据的捞取耗时较长，因此对前一天的投诉热点的发现和工单派发可能会相对滞后。

5 结束语

基于常驻小区的投诉热点聚类算法可通过软硬采数据或省公司平台数据对用户投诉进行智能化分析定位，避免了重复性的查询和定位工作，提升了投诉工作的处理效率。

智能化的投诉热点综合分析模型综可以通过对网络多维数据进行交叉分析，摆脱了对优化人员素质的硬性要求，能够有效的保证问题定位的准确度，保证问题处理质量。