5G及AI的發展給通信行業帶來了新的變化和挑戰，各大運營商在都希望能結合新的技術為客戶提供更好的服務。運營上如何打好AI這副牌，做好智能化落地，文章對此進行了分析探究。

隨著5G及AI時代的到來，通信行業的競爭也越發激烈，各大運營商都希望能在每個業務中通過AI+方式為客戶提供更優質的服務，提升用戶滿意度，保留更多的用戶。AI技術同5G技術一樣剛剛登上歷史舞臺，都處于“嬰兒期”，日后也都會茁壯成長。

本文將結合AI中的NLP模型在通信運營商實際生產環境中的構建落地，從而達到為通信業務用戶服務增值增效，同時保留維系客戶的應用目標進行闡述。

一、運營商AI+的應用訴求

從通信運營商角度出發，如果可以預知用戶行為，例如套餐消費行為、家寬業務拓展、保號維系等，并且有針對性地得知用戶產生一系列行為的主要原因是什么，然后，對用戶進行有針對性的精準推薦、維系挽留，有目標性的故障問題解決，那么，對于通信運營商來說，這樣的智能應用將會為其保留并拓展更多的用戶，帶來更多的經濟效益。

從用戶角度出發，如果通信運營商可以提早有針對性地幫助其解決使用通信產品時的問題，讓其產品體驗感更加舒適的話，也愿意繼續使用原本的產品服務。

當前國內通信運營商針對各自重點業務的精細化運營也提出了一系列AI+應用需求，但目前在探索道路上，自研能力尚比較薄弱，比如對4G、家寬等業務的目標客戶篩選識別，熱線服務質量監測與提升等長期困擾呼叫中心的痛點仍未解構清楚原因，不能為營銷增收、熱線服務等重點業務提供有效生產力與優秀支撐能力，這些都充分體現了運營商亟需開展AI+的應用建設訴求。

目前比較行之有效，又能夠快捷解決運營商營銷增收、熱線服務中業務與應用難題的AI+方式之一，是構建基于運營商在線服務的NLP模型。

二、運營商NLP模型應用

基于運營商的客服在線，NLP模型可以以不同應用方向進行設計，如為實現客戶與運營產品的精準匹配，對業務或目標客戶進行預測推薦的精準營銷模型（預測模型、分類模型）；為提高低效客服的服務效率，從熱線語義文本、辦理日志、簽入時長等方向切入，判定出熱線服務中的低效客服喚醒模型；結合業務質檢標準，通過多維度指標實現對客服通話數據的質量檢驗模型等等。

1. 預測模型

預測模型主要用于指標的預測、趨勢的預測，如新增客戶、流量等的預測，主要使用線性回歸、ARIMA、時間序列等算法，預測數值是為了對往后的趨勢進行準確把握，及時調整市場和產品策略，當然也能更好的完成KPI指標。

指標預測模型：

1. 新增用戶推薦預測；
2. 流量增長預測。

2. 分類模型

分類模型主要用于客戶細分和目標客戶識別，如用戶是否離網、用戶是否有套餐升檔的傾向等，主要使用聚類、決策樹、RFM、邏輯回歸、決策樹和神經網絡等算法，分類模型是使用得最為有效的模型，是實現精準營銷的基礎。

潛在商機客戶識別模型：

1. 潛在4G業務客戶識別模型，通過客戶消費、通信及終端信息等，識別營銷成功高概率客戶；
2. 潛在寬帶客戶識別模型，通過客戶消費、通信及終端信息等，識別高裝寬帶概率客戶；
3. 潛在某項業務目標客戶識別模型，通過客戶消費、通信及內容偏好等，識別潛在互聯網業務客戶等。

目標客戶分類模型：

1. 客戶等級評定模型，綜合客戶資費檔次、網齡、消費、停機次數等，評定客戶星級；
2. 數據業務高價值客戶識別模型。

3. 低效客服喚醒模型

低效客服喚醒模型，結合客服在業務場景中涉及的三個維度：客服營銷成功率、客服營銷動作、客服營銷效能進行評估。

其中，營銷動作的識別通過營銷動作識別模型來完成。

該模型實現的功能為，將通話中客服的對話作為模型的輸入，逐句進行分析，再將句子級分析整合通話級的結論，即判斷客服是否有營銷動作，營銷成功效率多少。

4. 客服能效評定模型

結合在熱線運營服務場景中，客服的服務質量及效能進行量化評判。通過多維度如業務指標、效能指標、服務指標和營銷指標等，綜合得出客服針對該服務場景的質量/效能得分及缺點，此外，根據客服對各類服務場景的質量效能評定結果，構建客服服務能力雷達圖，客觀反映客服的服務能力強項和短板。

三、運營商NLP建模關鍵

構建效果良好的NLP模型，主要有以下兩個關鍵點。

1. 做好數據預處理

數據預處理的好壞直接影響模型結果和模型準確性。數據預處理主要需要做以下幾方面工作：

1. 要檢查數據的正確性與完整性，不能有明顯的錯誤；做好缺失值和極值處理，一般可用0或平均值替代缺失值，極值也容易讓一些統計量和模型偏離；
2. 標準化、離散化、降維等處理，標準化將數據縮放在固定的空間，離散化是將連續變量變為分類變量，如不同年齡的人劃分為青年、中年、老年等，降維是為了減少入模變量，提取主要的特征，常用因子分析、主成分分析等。

2. 基于業務解讀模型結果

要基于通信業務來解讀模型結果，模型結果要遵循通信業務流程和邏輯，如果偏離過大，那就可能存在過度擬合問題，需要對模型進行調整。

例如，一般用戶網齡越高離網的概率越低，但是模型結果卻是用戶網齡越高，離網的概率也越高，這顯然違背基本的業務邏輯，這時，我們就需要好好審視一下模型，是否存在過度擬合、是否抽樣有問題等。

四、運營商NLP業務增值

NLP對運營商業務應用的落地建設，不僅可以對運營商業務能力有效提升，也可為未來業務賦能提供渠道。

未來運營商為提升客服熱線服務等重點業務的營銷價值及運營衍生能力，勢必會加大AI+應用建設。

基于此，以NLP模型為手段，賦能營銷和運營為目標，圍繞營銷體系建設、營銷閉環分析、熱點服務場景匹配、優秀話術應用等眾多應用場景，全面推動AI+落地建設，促進營銷效率、客服服務效能及質量不斷提升，實現運營商降本增效、增值賦能的戰略要求。

作者：許小剛：達觀數據資深項目經理，負責客戶私有化項目交付，主導過運營商、新聞、軍工等多個行業大型企業智能化場景落地。

本文由 @達觀數據 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議