3.2 數據類型多樣—傳統技術手段對半結構化數據、非結構化數據以及空間矢量數據等數據格式處理能力不足

隨著電網公司智能電網建設和經營管理的提升，產生了大量的視頻、客服音頻等非結構化數據，日志、表計等半結構化數據，以及地理空間的矢量數據等多種類型的數據，電網公司需要增強對上述多種類型數據的處理能力，彌補傳統技術手段對半結構化數據、非結構化數據以及空間矢量數據等其他數據格式處理能力的不足，挖掘潛在價值。

3.2.1客服語音記錄數據輔助提升服務質量

1.現狀和需求
據統計，隨著國家電網公司實現客服中心業務集中后，話務請求受理量達到14107.92萬件（日均32.9萬件）、其中自助服務量61.11萬件（日均14.25萬件）、人工接聽量6697.64萬件（日均15.61萬件）、錄音數8412.84萬件（日均19.61萬件），錄音容量達到16.8TB（日均約39.3GB）。如何有效存儲、分析、利用大量話務數據，目前成為其面臨的一大挑戰。作為電網公司與客戶接觸的主要窗口之一，客服中心積累的海量非結構化音頻數據，沉淀了大量的產品服務信息、客戶行為信息，具有極高的使用價値，如何有效利用這些信息提升客戶感知、降低客戶投訴、提升服務效率，成為客服中心面臨的又一挑戰。而在其他行業領域，利用客服語音記錄輔助提升服務質量的例子也很多。例如，在中國移動公司，Teradata為其配置了基于CCR模型的客戶投訴智能識別系統，以投訴內容為源頭，通過智能文本分析，實現了從發現問題到分析問題，再到解決問題以及跟蹤評估的閉環管理。經過一段時間使用，僅中國移動某省級公司，就實現全網投訴內容的智能識別：769個投訴原因被識別；配合業務部門提出37個產品優化建議，協助優化11個產品；優化不滿意點58個，消除368295客戶的潛在不滿隱患；每年節約成本540萬。

2.應用場景
（1）客戶關注熱點分析
基于95598客戶服務中心每天產生的大量話務數據，通過采用語音識別技術進行高頻詞提取分析，利用聚類分析技術匯總高頻詞出現率，形成客戶當前關注熱詞指數排行榜，服務客服中心客服知識庫構建及自助語音推送業務。
(2)客戶滿意度分析
基于客戶檔案以及客戶服務記錄，通過采用語音識別與聚類分析技術，對受理滿意度、回訪滿意度、業擴回訪滿意度等進行分析，找尋影響服務滿意度的因素，支撐公司市場營銷建設。
(3)智能語音情緒波動預警
通過實時対通話語言進行分析，利用情感識別技術，智能感知客戶、座席兩方面的情緒波動，及時發現座席人員、客戶端情緒信息(如冷漠、不耐煩等).在需要干預時進行預警，防范服務風險的發生，提高服務水平。
(4)智能語音質檢
通過對全部服務錄音文件記錄中的高頻詞、敏感詞、客戶涉及121服務評價的詞語進行智能分析與自動化檢測，統計服務異常情況，然后經由質檢人員進行確認，可極大提高工作效率.創新內部運營管理，提升客服中心管理效率。

3.大數據解決方案
音頻數據的處理分析首先需要的是數據平臺的支撐，非結構化的數據存儲和健全的數據索引是基于客服音頻數據開發高級應用的基礎。以客戶關注熱點及客戶滿意度分析應用場景為例，可以為毎個電力用戶建立用戶服務檔案庫。這將形成一個數據體量客觀的非結構化數據資源。對每個客戶的客服語音數據進行記錄，在關注熱點分析方面，采用分層感知哈希算法對錄音片段中的關鍵熱詞進行檢索，其檢索結果將記錄在該用戶的用戶檔案中。針対每一個用戶，在其對應的分布式計算算法如Map/Reduce進程中，相當于--個Map進程，最后在Reduce過程中，通過對所有用戶的檢索結果進行匯總和分析，將得出總體的熱詞檢索結果。對客服人員就相關內容対客戶進行服務推送，刺激客戶產生增值業務有重大推動作用。在客戶滿意度分析中，同樣可以采用語音檢索技術對客戶音頻中的不滿意點進行檢索記錄，在檢索前設置可能的敏感詞匯，通過檢索形成數據報表。這個數據報表就是下一步進行關聯性分析的歷史樣本數據，關聯性分析意在發現導致客戶不滿意的原因。將客戶的不滿意原因進行分解，例如可以分解為接聽慢，客服聲音小、故障搶修用時較長、服務態度差等多項指標、建立這些指標與不滿意案例的映射關系，即體現在關聯性的強弱上，分析造成客戶不滿意度的主要因素，幫助電網公司提供更高質量、更個性化的服務。
 

書名：電力大數據：能源互聯網時代的電力企業轉型與價值創造

ISBN：978-7-111-51693-4

作者：賴征田

出版日期：2016-01

出版社：機械工業出版社