论文部分内容阅读
摘要：随着电网建设信息化程度的提高，基于大数据的IT客服用户画像构建重新唤醒了数据的价值。多种应用场景用户画像的构建，对用户重点关注的系统咨询、系统操作、系统建议、IT需求、故障维护等业务提供个性化服务，通过聚类模型、归纳聚类不同的用户群体，以每一类用户群体作为分析维度，进而开展个性化、差异化的精准服务，对标一流的服务管理水平，凸显精益化运营管理水平。通过辅助和主动服务手段提升IT客服管理的主动性，挖据潜在的客户诉求，实现服务先行，提升用户满意度。
关键词：IT客服 用户画像 个性化服务
Abstract：With the improvement of the informationization degree of power grid construction， the user portrait construction based on big data IT customer service has reawakened the value of data. The construction of user portraits of various application scenarios provides personalized services for system consulting， system operation， system recommendations， IT requirements， fault maintenance， etc.， which are focused on by users， and clusters different user groups through clustering models. As a kind of analysis dimension， a group of users will carry out personalized and differentiated precision services， and standardize the service management level of the first-class service， highlighting the level of lean operation management. Enhance the initiative of IT customer service management through assistive and active service means， tap the potential customer appeal， achieve service first， and improve user satisfaction.
Keywords： IT customer service， user portrait，personalized service
0引言
用戶画像在诸如电商行业、通信行业、推荐系统中应用成效显著。近年年，伴随着电网系统的升级换代，基于大数据分析技术的用户画像在电网客户系统中的重要性与日俱增。传统的客户系统无法准确定点用户诉求，各类诉求工单不降反增。对此，本文从几个典型用户画像应用行业作为切入点，结合成功经验与电力行业业务特点，以提高客户体验为出发点，通过数据清洗、数据聚类、数据分类、数据挖掘方法识别客户特征、提炼客户标签、构建客户标签库，最终形成完整的用户画像支撑体系，从用户档案、话务、事件、满意度等客户的基本属性和行为进行的数据建模、标签库建设及分析计算，以支撑用户服务和电网运营。
1用户画像简介
1.1用户画像的定义
随着大数据技术的不断深化，打破信息孤岛，数据“可视化”，用户画像的概念应运而生。用户画像，即用户信息标签化，企业通过收集和分析用户的社会属性、生活习惯、用户行为等主要信息的数据之后抽象出标签化的用户模型。以标签库建设为载体，通过高度凝练的特征标识给用户进行打标签，以提高用户体验为出发点，通过数据清洗、数据聚类、数据分类、数据挖掘方法识别用户特征、提炼用户标签、构建用户标签库，最终形成完整的用户画像支撑体系。
1.2用户画像的意义
用户画像的应用场景很多，用户画像能够有效的帮助企业了解用户的兴趣点、偏好取向、人口属性特征。准确定位目标群体、挖掘潜在的用户需求，提供差异性的个性化服务。总体而言，用户画像主要用于实现精准营销和推荐系统的基础性作用，其体现在以下五方面：
（1）精准营销：针对历史用户特征，挖掘产品的潜在用户和用户的潜在需求，对特征群体利用短信、邮件等多种方式营销。
（2）用户统计：对用户的属性、行为特征进行分类，统计不同特征的用户数量、分布，分析不同类别的用户画像群体的分布特征。
（3）数据挖掘：以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，提升服务精准度。
（4）服务产品：对产品进行受众分析，掌握用户使用产品的心理动机和行为习惯，完善产品运营，提供与用户需求对标的产品。
（5）了解行业动态和用户研究：通过用户画像分析了解行业变化态势，消费习惯、消费偏好分析、不同地域或产品的消费差异，塑造与市场和用户需求相一致的营销策略。
1.3用户画像特征分析
每个用户的形象都是立体多维的，单纯从某几个方面难以做到用户特征的全方位覆盖。不同的企业对用户特征的关注点是不尽相同的。对此，企业结合行业特点和业务重心，对构成客户画像的特征体系进行合理设计是建设客户画像的首要工作。
在电子商务、通信、金融等行业，已经通过对客户业务需求、场景建设方向、现有数据现状特点进行分析，结合其数据特征和业务特征经验成果，汇聚各个系统零散的原始数据，并根据业务的规则构建起相对成熟的用户户画像应用体系。（见图1） 2用户画像行业应用
2.1电子商务
随着电子商务的繁荣，用户画像在诸如淘宝、天猫、京东为代表的电商平台得到广泛应用。对用户浏览、关注、购物信息建立用户画像。实现，一、对用户数据进行挖掘和分析实现精准营销，帮助商家获取目标群体，通过推送短信、邮件等形式精准营销;二、对用户购买的商品进行统计分析，得出最受用户欢迎的Top10产品，为用户提供决策支持;三、分析产品之间的关联，利用聚类分析算法，为用户推送相关产品或将产品推送给特定特征的用户群体。
2.2精准营销
精准营销是从用户的角度出发，调研用户的产品需求和购买能力，有计划的组织营销活动，满足客户需求的产品策略、渠道策略和促销策略。企业以精准、高可靠和高回报的营销策略以求更好的营销效果。精准营销的基本原则是可量化，获得市场需求的精确定位。有别于传统的粗放式广告投放营销，精准营销降低营销成本，形成企业与用户之间的长效沟通。
精准营销是建立在用户画像的基础之上的，将用户标签化，抽象出用户的信息模型。根据用户的浏览行为、分析出用户的偏好及购买倾向，向用户推送其感兴趣的产品;对用户所在地区的热度产品推荐给当地用户;通过关联分析和预测算法搭建智能推荐系统。（见图2）
2.3新浪微博
新浪微博是一个巨大的社交网络平台、每天都产生着巨大的用户交互数据信息，这些数据的背后蕴含巨大商业价值。明星效应在一定程度上刺激消费。对此，企业可以将营销策略与明星效应相结合，聚合特定类别的粉丝人群，建立用户画像。实现广告的精准投放，避免消费广告聚集造成粉丝反感。基于微博用户行为数据、博文数据为用户提供热搜词指数，采用数理统计方法得出和反映不同事件领域的发展状况，预测热词趋势、实时性、地域性解读和属性分析。根据寻找热点关联和用户偏好取向，统计频率。对特定粉丝群体提供直击需求的服务，从而实现流量优质转化。
3用户画像在IT客服系统中的应用
3.1构建用户画像必要性分析
用户画像在电子商务、通信、金融等行业的应用已经日臻成熟。随着电网信息化水平的提升，利用大数据来分析用户的行为，优化IT客服服务，是未来业务的发展趋势。通过“用户画像”研究用户特征，集中IT客服的多种信息，包括工单、事件、问题、呼叫信息等数据，利用大数据技术平台，将用户诉求信息，自动识别合成存储为客户的投诉、举报、偏好等结构化数据，丰富客户热点分析数据集，了解客户反映的问题及潜在服务需求。全面梳理客服分析体系服务，了解和掌握不同用户的目标、行为和需求的差异，快速有效地处理用户诉求，提升用户满意度和减少投诉。
3.2 IT客服系统用户画像概述
基于客服用户关注点、客户信息、来访渠道、来访时长、ITSM工单数据，实现客户标签库、客户群的管理，基于大数据分析，自动标定客户标签，提升客服效率和质量，实现主动服务和个性化服务。采用客服大数据，对客户服务对象进行精准画像分析，构建客服全景及话务预测;实现服务需求挖掘以及用户目的预判。可以有效的提升客户满意度，降低客户投诉率。通过分析客户的人员信息、岗位信息、年龄信息、工作信息、组织信息等基本属性特征，话务属性，问题属性，交互属性，渠道属性，结合渠道分析、关注热点分析、投诉分析、满意度分析、工单分析等动态事件属性。构建客服用户属性库，基于属性库，形成服务标库库，按照客服精细化管理要求，实现客户群的管理，并针对不同的客服群进行个性化服务策略。应用K-means聚类模型，将客户归纳聚类为业务敏感型客户、价值型客户、潜力型客户、引导型客户、普通客户五大类，进而支撑对用户开展个性化、差异化的精准服务。（见图3）
3.3标签库架构
根据电网IT客服业务现状及对支撑客户全方位服务的要求，可将用户标签分为用户个体标签和用户群体标签两大类。其中：用户个体标签，用于描述具体用户个体的用户属性、行为偏好和业务状态。个体标签基本可分为6个一级分类：用户行为偏好渠道类、客户服务评价类、服务客户属性类、话务情况变化类、投诉风险类、用户分群类，基本涵盖了6大类用户画像模型（用户行为偏好渠道类画像模型、客户服务评价类画像模型、服务客户属性类画像模型、话务情况变化类画像模型、投诉风险类画像模型、用户分群类画像模型）所需标签。
3.4建立和优化算法库及标签计算算法模型
按照标签库的设计进行标签数据计算，建立个体用户标签算法库，通过建立模型进行统计分析，得出客户的渠道偏好与使用习惯;建立群体用户标签算法库，通过话务量、事件分类、业务分类、地区等数据，形成多维数据集进行统计分析。标签计算算法库将是一个不断完善与优化过程，标签计算工作应开展不同算法运行对比分析，找出最合适值或算法选择。
3.5构建基于标签和算法的用户画像模型
在完成电网IT客服标签库及标签计算算法库建设后，开展用户画像的应用场景建设，包括用户服务及IT客服系统运营支持，基本画像场景如下：
1、用户行为偏好渠道类画像建模;
2、客户服务评价类画像建模;
3、服务客户属性类画像建模;
4、话务情况变化类画像建模;
5、投诉风险类画像建模;
6、用户分群类画像建模。
4电网客服系统用户画像应用展望
通过收集用户社会属性、生活习惯、行为、交互特征等各个原始系统的零散数据，运用各种大数据技术对数据信息進行深层加工，通过关联分析挖掘用户隐性特征和潜在需求，并以标签形式固化分析成果，形成用户画像。为用户的潜在需求提供主动服务，对不同特征的用户群体提供差异性的个性服务，根据用户的画像描述选择针对性的措施，如对风险型用户进行提前沟通及心理疏导，进而在一定程度上规避投诉风险。
5结语
综上所述，用户画像在IT客服领域的应用大有可为，建立用户画像标签库，训练标签库算法模型，进行用户属性画像、用户行为偏好及渠道、用户投诉风险管控、客户服务评价等数据画像等多种应用场景建模，实现电网运维的多维度、综合性、精准化运维管理，确实提升企业的服务水平和解决用户“痛点”问题，完善电网客服系统运营，打造智慧型客服服务平台。
参考文献
[1]王晓霞，刘静沙，许丹丹.运营商大数据用户画像实践[J].电信科学.2018，5.
[2]刘勇，吴翔宇，解本巨.基于动态用户画像的信息推荐研究[J].计算机系统应用.2018，6.
[3]张海旭，胡访宇，赵家辉.基于话单数据的移动通信用户画像研究[J].计算机系统应用.2018，11.
[4]杨洁.面向企业营销的全景用户画像与模型预测[D].浙江大学.2017.
[5]刘彪，刘金长.基于用户画像分析预测电费敏感型客户的建模实践[J].电力大数据.2017，8.
[6]郝胜宇，陈静仁.大数据时代用户画像助力企业实现精准营销[J].中国集体经济.2016，4.
[7]张哲.基于微博数据的用户画像系统的设计与实现[D].华中科技大学.2015.
[8]施丽，洪锋，李沛，霖白枫.电网客户用户画像系统设计与实现[J].信息系统工程.2018，4.
[9]陆冬磊.基于电子商务的用户画像分析[J].电脑知识与技术.2018，22.
[10]刘蓓琳，张琪.基于购买决策过程的电子商务用户画像应用研究[J].商业经济研究.2017，24.
作者简介
张逸彬，男，1989年10月，云南电网有限责任公司信息中心 应用运维专责，工程师、云南省昆明市经济技术开发区云大西路105号
关键词：IT客服 用户画像 个性化服务
Abstract：With the improvement of the informationization degree of power grid construction， the user portrait construction based on big data IT customer service has reawakened the value of data. The construction of user portraits of various application scenarios provides personalized services for system consulting， system operation， system recommendations， IT requirements， fault maintenance， etc.， which are focused on by users， and clusters different user groups through clustering models. As a kind of analysis dimension， a group of users will carry out personalized and differentiated precision services， and standardize the service management level of the first-class service， highlighting the level of lean operation management. Enhance the initiative of IT customer service management through assistive and active service means， tap the potential customer appeal， achieve service first， and improve user satisfaction.
Keywords： IT customer service， user portrait，personalized service
0引言
用戶画像在诸如电商行业、通信行业、推荐系统中应用成效显著。近年年，伴随着电网系统的升级换代，基于大数据分析技术的用户画像在电网客户系统中的重要性与日俱增。传统的客户系统无法准确定点用户诉求，各类诉求工单不降反增。对此，本文从几个典型用户画像应用行业作为切入点，结合成功经验与电力行业业务特点，以提高客户体验为出发点，通过数据清洗、数据聚类、数据分类、数据挖掘方法识别客户特征、提炼客户标签、构建客户标签库，最终形成完整的用户画像支撑体系，从用户档案、话务、事件、满意度等客户的基本属性和行为进行的数据建模、标签库建设及分析计算，以支撑用户服务和电网运营。
1用户画像简介
1.1用户画像的定义
随着大数据技术的不断深化，打破信息孤岛，数据“可视化”，用户画像的概念应运而生。用户画像，即用户信息标签化，企业通过收集和分析用户的社会属性、生活习惯、用户行为等主要信息的数据之后抽象出标签化的用户模型。以标签库建设为载体，通过高度凝练的特征标识给用户进行打标签，以提高用户体验为出发点，通过数据清洗、数据聚类、数据分类、数据挖掘方法识别用户特征、提炼用户标签、构建用户标签库，最终形成完整的用户画像支撑体系。
1.2用户画像的意义
用户画像的应用场景很多，用户画像能够有效的帮助企业了解用户的兴趣点、偏好取向、人口属性特征。准确定位目标群体、挖掘潜在的用户需求，提供差异性的个性化服务。总体而言，用户画像主要用于实现精准营销和推荐系统的基础性作用，其体现在以下五方面：
（1）精准营销：针对历史用户特征，挖掘产品的潜在用户和用户的潜在需求，对特征群体利用短信、邮件等多种方式营销。
（2）用户统计：对用户的属性、行为特征进行分类，统计不同特征的用户数量、分布，分析不同类别的用户画像群体的分布特征。
（3）数据挖掘：以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，提升服务精准度。
（4）服务产品：对产品进行受众分析，掌握用户使用产品的心理动机和行为习惯，完善产品运营，提供与用户需求对标的产品。
（5）了解行业动态和用户研究：通过用户画像分析了解行业变化态势，消费习惯、消费偏好分析、不同地域或产品的消费差异，塑造与市场和用户需求相一致的营销策略。
1.3用户画像特征分析
每个用户的形象都是立体多维的，单纯从某几个方面难以做到用户特征的全方位覆盖。不同的企业对用户特征的关注点是不尽相同的。对此，企业结合行业特点和业务重心，对构成客户画像的特征体系进行合理设计是建设客户画像的首要工作。
在电子商务、通信、金融等行业，已经通过对客户业务需求、场景建设方向、现有数据现状特点进行分析，结合其数据特征和业务特征经验成果，汇聚各个系统零散的原始数据，并根据业务的规则构建起相对成熟的用户户画像应用体系。（见图1） 2用户画像行业应用
2.1电子商务
随着电子商务的繁荣，用户画像在诸如淘宝、天猫、京东为代表的电商平台得到广泛应用。对用户浏览、关注、购物信息建立用户画像。实现，一、对用户数据进行挖掘和分析实现精准营销，帮助商家获取目标群体，通过推送短信、邮件等形式精准营销;二、对用户购买的商品进行统计分析，得出最受用户欢迎的Top10产品，为用户提供决策支持;三、分析产品之间的关联，利用聚类分析算法，为用户推送相关产品或将产品推送给特定特征的用户群体。
2.2精准营销
精准营销是从用户的角度出发，调研用户的产品需求和购买能力，有计划的组织营销活动，满足客户需求的产品策略、渠道策略和促销策略。企业以精准、高可靠和高回报的营销策略以求更好的营销效果。精准营销的基本原则是可量化，获得市场需求的精确定位。有别于传统的粗放式广告投放营销，精准营销降低营销成本，形成企业与用户之间的长效沟通。
精准营销是建立在用户画像的基础之上的，将用户标签化，抽象出用户的信息模型。根据用户的浏览行为、分析出用户的偏好及购买倾向，向用户推送其感兴趣的产品;对用户所在地区的热度产品推荐给当地用户;通过关联分析和预测算法搭建智能推荐系统。（见图2）
2.3新浪微博
新浪微博是一个巨大的社交网络平台、每天都产生着巨大的用户交互数据信息，这些数据的背后蕴含巨大商业价值。明星效应在一定程度上刺激消费。对此，企业可以将营销策略与明星效应相结合，聚合特定类别的粉丝人群，建立用户画像。实现广告的精准投放，避免消费广告聚集造成粉丝反感。基于微博用户行为数据、博文数据为用户提供热搜词指数，采用数理统计方法得出和反映不同事件领域的发展状况，预测热词趋势、实时性、地域性解读和属性分析。根据寻找热点关联和用户偏好取向，统计频率。对特定粉丝群体提供直击需求的服务，从而实现流量优质转化。
3用户画像在IT客服系统中的应用
3.1构建用户画像必要性分析
用户画像在电子商务、通信、金融等行业的应用已经日臻成熟。随着电网信息化水平的提升，利用大数据来分析用户的行为，优化IT客服服务，是未来业务的发展趋势。通过“用户画像”研究用户特征，集中IT客服的多种信息，包括工单、事件、问题、呼叫信息等数据，利用大数据技术平台，将用户诉求信息，自动识别合成存储为客户的投诉、举报、偏好等结构化数据，丰富客户热点分析数据集，了解客户反映的问题及潜在服务需求。全面梳理客服分析体系服务，了解和掌握不同用户的目标、行为和需求的差异，快速有效地处理用户诉求，提升用户满意度和减少投诉。
3.2 IT客服系统用户画像概述
基于客服用户关注点、客户信息、来访渠道、来访时长、ITSM工单数据，实现客户标签库、客户群的管理，基于大数据分析，自动标定客户标签，提升客服效率和质量，实现主动服务和个性化服务。采用客服大数据，对客户服务对象进行精准画像分析，构建客服全景及话务预测;实现服务需求挖掘以及用户目的预判。可以有效的提升客户满意度，降低客户投诉率。通过分析客户的人员信息、岗位信息、年龄信息、工作信息、组织信息等基本属性特征，话务属性，问题属性，交互属性，渠道属性，结合渠道分析、关注热点分析、投诉分析、满意度分析、工单分析等动态事件属性。构建客服用户属性库，基于属性库，形成服务标库库，按照客服精细化管理要求，实现客户群的管理，并针对不同的客服群进行个性化服务策略。应用K-means聚类模型，将客户归纳聚类为业务敏感型客户、价值型客户、潜力型客户、引导型客户、普通客户五大类，进而支撑对用户开展个性化、差异化的精准服务。（见图3）
3.3标签库架构
根据电网IT客服业务现状及对支撑客户全方位服务的要求，可将用户标签分为用户个体标签和用户群体标签两大类。其中：用户个体标签，用于描述具体用户个体的用户属性、行为偏好和业务状态。个体标签基本可分为6个一级分类：用户行为偏好渠道类、客户服务评价类、服务客户属性类、话务情况变化类、投诉风险类、用户分群类，基本涵盖了6大类用户画像模型（用户行为偏好渠道类画像模型、客户服务评价类画像模型、服务客户属性类画像模型、话务情况变化类画像模型、投诉风险类画像模型、用户分群类画像模型）所需标签。
3.4建立和优化算法库及标签计算算法模型
按照标签库的设计进行标签数据计算，建立个体用户标签算法库，通过建立模型进行统计分析，得出客户的渠道偏好与使用习惯;建立群体用户标签算法库，通过话务量、事件分类、业务分类、地区等数据，形成多维数据集进行统计分析。标签计算算法库将是一个不断完善与优化过程，标签计算工作应开展不同算法运行对比分析，找出最合适值或算法选择。
3.5构建基于标签和算法的用户画像模型
在完成电网IT客服标签库及标签计算算法库建设后，开展用户画像的应用场景建设，包括用户服务及IT客服系统运营支持，基本画像场景如下：
1、用户行为偏好渠道类画像建模;
2、客户服务评价类画像建模;
3、服务客户属性类画像建模;
4、话务情况变化类画像建模;
5、投诉风险类画像建模;
6、用户分群类画像建模。
4电网客服系统用户画像应用展望
通过收集用户社会属性、生活习惯、行为、交互特征等各个原始系统的零散数据，运用各种大数据技术对数据信息進行深层加工，通过关联分析挖掘用户隐性特征和潜在需求，并以标签形式固化分析成果，形成用户画像。为用户的潜在需求提供主动服务，对不同特征的用户群体提供差异性的个性服务，根据用户的画像描述选择针对性的措施，如对风险型用户进行提前沟通及心理疏导，进而在一定程度上规避投诉风险。
5结语
综上所述，用户画像在IT客服领域的应用大有可为，建立用户画像标签库，训练标签库算法模型，进行用户属性画像、用户行为偏好及渠道、用户投诉风险管控、客户服务评价等数据画像等多种应用场景建模，实现电网运维的多维度、综合性、精准化运维管理，确实提升企业的服务水平和解决用户“痛点”问题，完善电网客服系统运营，打造智慧型客服服务平台。
参考文献
[1]王晓霞，刘静沙，许丹丹.运营商大数据用户画像实践[J].电信科学.2018，5.
[2]刘勇，吴翔宇，解本巨.基于动态用户画像的信息推荐研究[J].计算机系统应用.2018，6.
[3]张海旭，胡访宇，赵家辉.基于话单数据的移动通信用户画像研究[J].计算机系统应用.2018，11.
[4]杨洁.面向企业营销的全景用户画像与模型预测[D].浙江大学.2017.
[5]刘彪，刘金长.基于用户画像分析预测电费敏感型客户的建模实践[J].电力大数据.2017，8.
[6]郝胜宇，陈静仁.大数据时代用户画像助力企业实现精准营销[J].中国集体经济.2016，4.
[7]张哲.基于微博数据的用户画像系统的设计与实现[D].华中科技大学.2015.
[8]施丽，洪锋，李沛，霖白枫.电网客户用户画像系统设计与实现[J].信息系统工程.2018，4.
[9]陆冬磊.基于电子商务的用户画像分析[J].电脑知识与技术.2018，22.
[10]刘蓓琳，张琪.基于购买决策过程的电子商务用户画像应用研究[J].商业经济研究.2017，24.
作者简介
张逸彬，男，1989年10月，云南电网有限责任公司信息中心 应用运维专责，工程师、云南省昆明市经济技术开发区云大西路105号