本文是一篇电力论文，本文以海量95598工单数据为基础，开展工单分类、人员工作效率评判，构建有效的分析模型，实现对工单分类精简、客服人员工单处理效率评估功能的研究，改进当前对客户服务数据分析的局限性，提升客户服务分析管理水平。
第一章 绪论
1.1 课题研究的背景及意义
随着电力改革不断深化，电力服务不断朝着规范化、高效化、智能化的方向演进[1,2]。针对目前电力客户对大量不同电力问题的反映和咨询，电网公司建立了统一的客户呼叫中心，并根据接入电话的内容进行工单分类处理，有利于服务坐席对工单的整理和分析，提高对客户反映问题的执行效率。
95598工单是指客服人员面向客户描述与供电业务有关的记录，95598工单数量巨大，现有工单是基于经验学方法把来电工单内容作为工单案例分析，然后对其加以概括和归纳，找出它们包含内容的异同点，然后对工单进行系统化、理论化的分类，这种工单分类方法把实践放在第一位，但是工单分类过于精细，工单标签冗杂，管理人员需要花费大量的人力和时间进一步处理各种数据，而且由于用电客户交流能力与反馈信息的准确性差异的不同，客户服务人员有时无法保证准确的判断工单类型，可能导致派单错误，比如客户想要预留欠费通知短信，客户服务人员派单错误，可能导致客户收不到欠费短信，从而客户没能及时缴费，停电造成冰箱食物腐坏等经济损失；客户提出电能表有异常，客户服务人员工单派错，没能给客户及时校验电能表，导致电量发行错误，客户多交或少交电费；客户想要询问电e宝密码，客服工作人员派单成客户想重置密码，重置密码流程多，会耽误客户时间和增大工作人员的工作量。不仅如此，派单错误也会导致送电不及时、线路检修不及时、产生严重故障等问题。由此可见原始的工单处理方法存在局限性，所以要更深入的挖掘工单文本内容中的潜在价值信息，开展标签的分类精简研究，进行高效的、有针对性的工单分类精简分析。
1.2 国内外对工单分类模型的研究
在大数据背景下，对成千上万条文本信息进行数据挖掘愈发流行，其中文本分类技术的研究也在不断深入，利用语义分析、聚类等大数据相关技术进行文本挖掘研究已经成为一项重要研究课题。
文献[7-12]基于TF-IDF值计算词相似度进行文本分类研究，文献[13]基于LDA主题模型对情感分析进行研究，文献[14]基于贝叶斯层次聚类实现对文本的数据挖掘工作，文献[15]基于深度主题特征提取模型，将有监督学习与无监督学习相结合，提高多文本分类的性能，文献[16]基于生成式对抗网络与异质集成学习进行文本分类研究，文献[17]基于CHI(Chi-square Statistics)和PCA(Principal Component Analysis)的混合特征降维方法(CHI-PCA)进行多模型融合的新闻文本分类研究，文献[18]基于词典与改进信息增益对微博情感进行分析研究，文献[19-23]基于深度学习进行文本分类研究，文献[24]基于旋转森林和AdaBoost分类器对多标签文本进行分类研究，文献[25]基于AdaBoost集成与朴素贝叶斯对农业短文本信息分类进行研究。
关于电力工单文本分析也已经进行了较多的研究工作，文献[26]基于单一深度学习模型和融合的方法判断工单标签类别。而且电力企业也运用文本挖掘、语义分析、聚类等大数据相关技术对文本数据进行深入挖掘；文献[27]研讨的是95598工单分类问题，采用主成分分析方法将工单按月份排列，找出多种类型的工单数量与时间的关联性，建议合并部分月末高发的工单类型；文献[28]是研究95598工单文本分类和用户情感识别分析问题，建立客服词典库，完成用户情感识别，获取工单处理最优顺序，提高客服工作人员服务效率。
第二章 工单文本预处理
2.1 分词技术
想要准确获取大量工单文本内容的含义，需要对文本内容进行读取，但是逐句进行解读会耗时耗力，可能不同的工单表述含义相同但是表述语句不同，对所有句子都进行研究是没有意义的。此时就可以对文本进行中文分词，用词去表达文本含义，对文本进行高效挖掘分析。中文分词[52]就是把一个汉字序列切分成单独的词，把一个连续的字序列按照一定规范重新组合成新序列。对电力客户投诉工单的“来电内容”进行深度挖掘，将工单中的受理文本信息和处理文本信息切割成单个词汇，将文本转化为数学语言[53]。文本挖掘的基础就是分词工具，不同的分词工具会得到不同的结果，需要运用合适的分词工具对文本进行分词处理，才能对文本内容进行更准确地挖掘。
分词工具对文本挖掘至关重要，有很多分词工具可以对文本进行中文分词且各自特点不同，Han LP是一个很强大的分词工具，其具有很好的分词准确度，但分词耗费时间较长，Jieba是目前应用最为广泛的分词工具，分词速度快，也可以得到好的分词结果[54]。在文本分词研究中，出于工具包的局限和个人在仿真研究中使用情况的考虑，本文采用斯坦福中文分词工具，它是由斯坦福大学自然语言处理组所提供，他们也提供了一系列开放源码的Java文本分析工具。还提供了相应的中文模型，并支持中文文本处理，斯坦福分词工具具有分词速度快准确率高的优点，非常适合于本文的分词研究。
2.2 文本表示模型
文本表示模型可以把文本表示成被机器识别的数学语言，从而进行计算分析。下面介绍几种在聚类研究中比较常用的文本表示模型。
2.2.1 概率模型
概率模型(Probabilistic Model)是把预估文本的相关性当作先验信息去计算相关文档出现的几率，然后进行统计直至确定理想结果集。
文本虽然在预处理过程中过滤了不相关的符号和停用词，但是得到的特征词还是很多，维数太多会对计算结果准确度造成影响，此时需要进行合理的特征选择对特征词进行降维处理，下面介绍几种常用的特征选择方法。
互信息(Mutual Information，MI)表示两个事件之间发生的关系强度，如果一个词在A类别比在B类别出现的频率高，这时可以说这个词与A类别的互信息大。某个特征与某个类别的互信息大就说明这个特征和这个类别的主题更接近一些。
第三章 基于聚类的工单分类精简实例研究 ............................... 19
3.1 文本聚类算法 ................................... 19
3.2 文本相似度计算 ..................................... 20
第四章 客服绩效考核的改进模型设计及实现 ................ 30
4.1 绩效考核的主要方法 .............................. 30
4.2 绩效考核改进的必要性 ............................... 31
第五章 绩效考核模型效率评估结果对比.......................... 45
5.1 坐席人员效率考核现状数据分析 .................................. 45
5.2 绩效考核模型实验仿真 ...................................... 49
第五章 绩效考核模型效率评估结果对比
5.1 坐席人员效率考核现状数据分析
客服坐席效率评估模型路线如下图5-1。
本文应用原KPI计算模型和EHB模型来对比分析N市95598客户服务中心提供的真实数据。95598客户服务中心于2020年1月生成了167,944个呼叫记录，并非所有电话都必须接受EHB模型评估。根据客户服务中心提供的“工单统计规则”、“95598工单处理实现规则”对每条工单记录做标注，过滤掉不相关的记录后，获得了39,710条记录。本文使用原KPI绩效考核方法对2020年1月的数据进行了计算。
第六章 总结与展望
6.1 工作总结
本文以海量95598工单数据为基础，开展工单分类、人员工作效率评判，构建有效的分析模型，实现对工单分类精简、客服人员工单处理效率评估功能的研究，改进当前对客户服务数据分析的局限性，提升客户服务分析管理水平，本文所做的工作主要有：
(1) 开展工单分类技术研究，在深入分析挖掘工单信息数据的基础上，利用中文文本分词工具、聚类算法，对原有投诉工单分类的相似度进行分析，将得出的相似度分析结果提供给客服中心做工单分类精简优化参考。
首先对文本预处理的相关概念进行了简要介绍，在文本分词中使用斯坦福分词工具对来自电网公司提供的投诉工单数据集信息中的工单来电内容进行中文分词，后基于TF-IDF对其进行向量化处理，将文本向量化表示后就能够用各向量间在空间上的余弦相似度来表征文本之间的相似度。
其次在文本聚类算法中介绍了Hierarchical clustering聚类算法和K-Means聚类算法；后介绍一些基本文本相似度计算公式，后运用聚类模型计算不同投诉类型的相似度，为了确认对来电内容的分类标签是否合理；针对相似度高的工单类型讨论是否有合并的可能性，如果不同类别工单针对的问题相同，可以考虑后期合并标签；针对的问题如果是比较相似的问题，可以考虑后期重新整合；但如果针对的是不同的问题，这些需要考虑后期重新设计类别或者利用“来电内容”以外的其他信息辅助判断。本文还对工单来电内容进行词云展示，投诉工单来电内容反映的主要关键词可视化以及对其进行改进措施，全面强化了电力95598服务的主动性，从而大幅减少电力95598客服坐席人员的话务工作量，使客服坐席人员处理工单效率得到提高，进一步实现95598服务质量的提升。
参考文献（略）
