精品案例-基于机器学习建模预测网络NPS用户研究-无线网络优化中心(1).docxVIP

基于机器学习建模预测移动网络 NPS 用户研究 目录 1. NPS 现状 2 1.1. 集团 2018 年二季度 NPS 2 1.2. 省内 2018 年二季度 NPS 结果 2 2. NPS 用户画像与 NPS 初步建模 3 2.1. 数据源 4 2.2. 数据清洗与转换 5 2.3. 提取用户特征重要性权重 6 3. 算法拟合结果 7 4. 附件 7 NPS (NetPromoterScore)名为“净推荐值” ，其实质就是通过最直接、 最明了的问题来询问客户是否愿意向其他潜在客户推介某个公司、某项产 品或某种服务，要求客户按 10 级量度进行打分。 NPS 在本质上是客户对于 公司、产品或服务忠诚度的量化指标。 1. NPS 现状 1.1.集团 2018 年二季度 NPS 2017 年至 2018 年，集团开展了 4 次 NPS 调查，调查结果中，新疆 公司移动网络 NPS (网络要素) 1 次第一， 3 次第二。 2018 年 NPS 分值较 2017 年 NPS 分值有所下降，优于联通，低于移 动。 近 近2年集团NPS (网络要素) 35.9 40 25.4 17.9 13.9 6.8 3.3 0 2018年2季度 -9.8 电信 移动 2018年1季度 2018年12月 2017年8月 联通 23.3 18.9 -1.9 -20 6.9 10 20 数据来源：集团公司近 2 年 NPS 统计结果通报，电信用户抽样 400 个，竞争对手各抽样 200 个。 1.2.省内 2018 年二季度 NPS 结果 新疆公司开展的 2 季度 NPS 结果中，网络要素 NPS 得分 36.74 分， 高于集团 NPS 结果，也高于产品和服务。集团 NPS 与省内存在明显差异。 说明： 2018 年二季度以前，省内 NPS 未区分网络、产品和服务要素。 2018年二季度 2018年二季度省内NPS结果 36.74 27.24 15.42 服务 40.00 30.00 20.00 10.00 0.00 产品 网络 数据来源：新疆公司二季度 NPS 统计结果，电信用户抽样 2564 个， 竞争对手各抽样 1700 个。 2. NPS 用户画像与 NPS 初步建模 对用户特征数据和用户反馈的评分数据进行分析，建立用户口碑模 型，反映用户特征与用户评分之间的关系。 整体流程图如下： 2.1.数据源 NPS 用户CRM 信息 NPS 用户 1X ，DO 评分表 提取用户 1x 和 DO 打分 1X 语音感知评估方式(数据源为CDR)： 网络指标评分方式 网络指标 接入失败连续接入失败 通话中断连续通话中断语音质量差接入失败 1 接入失败 连续接入失败 通话中断 连续通话中断 语音质量差 连续接入失败则为 0.8*接入失败次数*系数(1+接入失 败次数*0.1) 掉话 1 次扣 1.2 分,若出现连续通话中断则此项不扣分 连续通话中断则为 1.2*通话中断次数*系数(1+通话中 断次数*0.1) 语音质量差出现一次扣 0.3 分，最多不超过 20 分； DO 数据感知评估(数据源为CDR)：参考值掉线 DO 数据感知评估(数据源为CDR)： 参考值 掉线 1 次扣 1.2 分 网络掉线 连续网络掉线 接入失败连续接入失败速率低 连续网络掉线 接入失败 连续接入失败 速率低 接入失败 1 次扣 0.2 分 连续接入失败则为 0.2*接入失败次数*系数(0.2+接入 失败次数*0.1) 速率低没出现一次扣 0.5 分，最多不超过 20 分； NPS 用户打分表 NPS 打分表，最后一列为 NPS 打分。 将上述三张表进行关联，得到用户特征与用户评分之间的关系 (关 联结果表.csv) 该表共包含 137 个字段(136 列来自用户特征， 2 列来自用户 1xdo 评分， 1 列用户评分数据)； 该表共包含 132 行数据； 2.2.数据清洗与转换 1、对用户特征数据进行清洗，主要包含以下几类字段： ① 字段所有行为空； ② 字段所有行的值相同； ③ 字段取值过多且与用户评分结果明显没有关系，例如序号、客 户编码、商品编码等； ④ 过细的分类，例如营业区或区域、类型 2 等； ⑤ 无关字段，例如资费说明、终端机型等； 经过清洗，共留下 62 个字段，包含 61 列特征数据和 1 列贬损频分 数据，见表 raw_data.csv。 2、由于机器学习算法只能处理整数、小数、布尔值的数据，这里需 要对分类字段和时间字段进行转换： ① 这里需要对用户特征中的分类特征进行独热编码; ② 将时间字段转换为距离现在的