[发明专利]一种客户投诉数量预测方法及装置

说明书

技术领域

本发明涉及数据处理技术，具体的讲是一种客户投诉数量预测方法及装置。

背景技术

如何更好的“预防投诉”、“处理投诉”一直以来是提升客户满意度的难点，是提升企业形象的重中之重。对于企业而言，消弭“投诉”于未至，是最好的应对措施。然而无法提前获知投诉的发生，这一切都将是空谈。那么如何在投诉发生之前进行获知，是其中的关键。对投诉数量进行预测。可以提前对客户进行安抚，并及时改进存在问题，将服务关口前移。

目前最为常用的预测算法为：时间序列算法预测模型和多元线性回归算法预测模型，其中以时间序列算法为基础的预测模型应用的最为广泛。

时间序列算法在诸如银行业、金融业、互联网行业均有大量的应用，许多预测模型的算法为时间序列算法。时间序列算法通过散点图、自相关(Auto-Correlation Function)、偏自相关(Partial Auto-Correlation Function)检查序列的平稳性，根据平稳性特点确定是否需要进行差分处理及差分阶数。当序列是非平稳、增长趋势、下降趋势，则需要进行差分处理。而数据序列存在异方差，则需要进行技术处理，保证自相关(Auto-Correlation Function)、偏自相关(Partial Auto-Correlation Function)函数结果无显著异于零。时间序列算法的本质是通过自回归与移动平均的过程，进行未来值的预测，从算法的本质上来说，时间序列对于突然性的投诉量骤减与暴增没有任何预测性。时间序列的预测是建立在对于“长期趋势”、“季节变动”、“循环变动”的识别，而对于“不规则变动”预测性很差。通过梳理某电力公司2015年7月至2016年9月的投诉数据及图1投诉量/天可知，大多数投诉数据的变动性很大，且没有明显的长期趋势或是季节性变化。

由多元线性回归模型原理可得，使用多元线性回归模型的本质是将自变量与因变量的关系使用线性回归的方式达成拟合。就投诉预测这一目标而言，其一，自变量与因变量之间本来就并不是线性关系，回归拟合的方式并不能真正的体现自变量与因变量的关系。其二，在实际情况中往往自变量选择是一个困难的问题，大量自变量中的灰色相关度彼此之间相差不大，大量选择自变量则无法很好的进行拟合，少量选择自变量则无法准确进行预测。

发明内容

为将投诉消弭于未发生之时，提前预警投诉亦可提醒相关管理人员，提升应对大范围投诉能力，本发明实施例提供了一种客户投诉数量预测方法，用于对预测包括当前日期的未来n天的电网客户投诉数量进行预测，方法包括：

获取当前日期前的预设时间段m天内各投诉类工单每天的投诉量数据作为基础数据；

对所述的基础数据进行时差处理根据皮尔森相关系数确定各投诉类工单的时差指数；

根据确定的时差指数和所述的各投诉类工单每天的投诉量数据确定各投诉类工单的预测原始数据；

对确定的预测原始数据进行主成分分析确定主成分数据；

利用多层神经网络算法对确定的主成分数据进行计算确定预测值集；

对确定的预测值集求平均确定最终预测值作为包括当前日期的未来n天的电网客户投诉数量。

本发明实施例中，所述的对所述基础数据进行时差处理根据皮尔森相关系数确定各投诉类工单的时差指数包括：

根据所述的基础数据确定时间段m天内各日期前包括各当前日期的n天的投诉量数据y和统计天数取值为[1，m]和[Σ2，Σm]的投诉量数据x；

确定各投诉类工单的投诉量数据y和投诉量数据x的皮尔森相关系数；

将各投诉类工单的皮尔森相关系数最大值对应的统计天数作为所述各投诉类工单的时差指数。

本发明实施例中，所述的根据确定的时差指数和各投诉类工单每天的投诉量数据确定各投诉类工单的预测原始数据包括：

将确定的时差指数作为各投诉类工单在当前日期前的统计天数；

根据确定的统计天数和各投诉类工单每天的投诉量数据确定各投诉类工单的预测原始数据。

本发明实施例中，所述的利用多层神经网络算法对确定的主成分数据进行计算确定预测值集包括：

将所述的主成分数据作为自变量，采用70％训练30％检测0％坚持进行区间划分，利用多层神经网络算法确定预测值集。

本发明实施例中，所述的方法包括：

利用SPSS工具进行所述主成分分析以及利用多层神经网络算法进行计算确定预测值集。