《电力大数据》引发技术变革的电力大数据

3.2 数据类型多样—传统技术手段对半结构化数据、非结构化数据以及空间矢量数据等数据格式处理能力不足

随着电网公司智能电网建设和经营管理的提升，产生了大量的视频、客服音频等非结构化数据，日志、表计等半结构化数据，以及地理空间的矢量数据等多种类型的数据，电网公司需要增强对上述多种类型数据的处理能力，弥补传统技术手段对半结构化数据、非结构化数据以及空间矢量数据等其他数据格式处理能力的不足，挖掘潜在价值。

3.2.1客服语音记录数据辅助提升服务质量

1.现状和需求
据统计，随着国家电网公司实现客服中心业务集中后，话务请求受理量达到14107.92万件（日均32.9万件）、其中自助服务量61.11万件（日均14.25万件）、人工接听量6697.64万件（日均15.61万件）、录音数8412.84万件（日均19.61万件），录音容量达到16.8TB（日均约39.3GB）。如何有效存储、分析、利用大量话务数据，目前成为其面临的一大挑战。作为电网公司与客户接触的主要窗口之一，客服中心积累的海量非结构化音频数据，沉淀了大量的产品服务信息、客户行为信息，具有极高的使用价値，如何有效利用这些信息提升客户感知、降低客户投诉、提升服务效率，成为客服中心面临的又一挑战。而在其他行业领域，利用客服语音记录辅助提升服务质量的例子也很多。例如，在中国移动公司，Teradata为其配置了基于CCR模型的客户投诉智能识別系统，以投诉内容为源头，通过智能文本分析，实现了从发现问题到分析问题，再到解决问题以及跟踪评估的闭环管理。经过一段时间使用，仅中国移动某省级公司，就实现全网投诉内容的智能识别：769个投诉原因被识别；配合业务部门提出37个产品优化建议，协助优化11个产品；优化不满意点58个，消除368295客户的潜在不满隐患；每年节约成本540万。

2.应用场景
（1）客户关注热点分析
基于95598客户服务中心每天产生的大量话务数据，通过采用语音识别技术进行高频词提取分析，利用聚类分析技术汇总高频词出现率，形成客户当前关注热词指数排行榜，服务客服中心客服知识库构建及自助语音推送业务。
(2)客户满意度分析
基于客户档案以及客户服务记录，通过采用语音识别与聚类分析技术，对受理满意度、回访满意度、业扩回访满意度等进行分析，找寻影响服务满意度的因素，支撑公司市场营销建设。
(3)智能语音情绪波动预警
通过实时対通话语言进行分析，利用情感识別技术，智能感知客户、座席两方面的情绪波动，及时发现座席人员、客户端情绪信息(如冷漠、不耐烦等).在需要干预时进行预警，防范服务风险的发生，提高服务水平。
(4)智能语音质检
通过对全部服务录音文件记录中的高频词、敏感词、客户涉及121服务评价的词语进行智能分析与自动化检测，统计服务异常情况，然后经由质检人员进行确认，可极大提高工作效率.创新内部运营管理，提升客服中心管理效率。

3.大数据解决方案
音频数据的处理分析首先需要的是数据平台的支撑，非结构化的数据存储和健全的数据索引是基于客服音频数据开发高级应用的基础。以客户关注热点及客户满意度分析应用场景为例，可以为毎个电力用户建立用户服务档案库。这将形成一个数据体量客观的非结构化数据资源。对每个客户的客服语音数据进行记录，在关注热点分析方面，采用分层感知哈希算法对录音片段中的关键热词进行检索，其检索结果将记录在该用户的用户档案中。针対每一个用户，在其对应的分布式计算算法如Map/Reduce进程中，相当于--个Map进程，最后在Reduce过程中，通过对所有用户的检索结果进行汇总和分析，将得出总体的热词检索结果。对客服人员就相关内容対客户进行服务推送，刺激客户产生增值业务有重大推动作用。在客户满意度分析中，同样可以采用语音检索技术对客户音频中的不满意点进行检索记录，在检索前设置可能的敏感词汇，通过检索形成数据报表。这个数据报表就是下一步进行关联性分析的历史样本数据，关联性分析意在发现导致客户不满意的原因。将客户的不满意原因进行分解，例如可以分解为接听慢，客服声音小、故障抢修用时较长、服务态度差等多项指标、建立这些指标与不满意案例的映射关系，即体现在关联性的强弱上，分析造成客户不满意度的主要因素，帮助电网公司提供更高质量、更个性化的服务。
 

书名：电力大数据：能源互联网时代的电力企业转型与价值创造

ISBN：978-7-111-51693-4

作者：赖征田

出版日期：2016-01

出版社：机械工业出版社