随着IPTV视频业务快速发展，用户视频体验分析变得尤为重要，单纯的从网络和视频服务的技术指标（如丢包、卡顿、频道切换时延等）已不能够精准分析用户实际体验感知。

        为了实现电信运营商IPTV用户在节目内容、平台服务、网络质量和客户服务等多个维度体验指标的精准呈现，德科仕研发了一套IPTV多域服务矩阵用户体验分析系统，可提供IPTV产品服务质量和用户综合体验数字化评价模型，为IPTV业务在网络流畅、内容喜好、服务体验等方面提升优化提供数据支撑。

一、系统概述

        由于不同的客户有不同的收视习惯和爱好，因此用户体验的侧重点各不相同。IPTV多域服务矩阵体验分析系统基于内容域、系统域、网络域、服务域等维度的服务数据，创新性创建用户画像多域评价指数模型，以用户画像的多样性和多维度的组合生成不同用户画像特征，通过层次学习法和加权平均法，构建数据模型，利用多域分群多维评价算法自适应调优参数矩阵权重，精准展现IPTV用户综合评价体验服务信息。

        该系统作为一套对视频用户的使用体验进行分析并提供可视化展示的工具，其核心作用是帮助视频服务提供商对用户体验进行全面、精准的分析，找出体验较差的环节进行优化，以达到提升用户体验的目的。系统以融合用户行为数据、网络质量数据、客服数据为基础，通过数据分析和挖掘，构建用户标签体系和用户体验指标体系，从系统域、网络域、内容域和服务域等多个维度对用户体验进行量化分析，并对用户体验综合指数的优劣进行评级。系统支持根据用户标签对用户群体进行划分，同时支持对单个用户和用户群体的体验指数进行量化分析和计算，并以雷达图、透视表、地图等数据组件进行可视化呈现。

二、系统技术特点

        该用户体验分析系统是以Hadoop平台为基础，利用大数据处理技术和分布式存储技术，支持海量用户行为数据和网络质量数据的存储和计算；利用大数据计算引擎Spark实现对公共数据模型、用户标签、用户体验指标的抽取和计算。

        在算法层面，利用层次分析法和一致性检验等算法对用户体验指标权重进行分配与验证；利用聚类算法和相关相似度算法对客群进行分类分析；利用RFM模型、Lasso回归模型等算法模型对用户价值、用户体验影响因子进行分析。

三、系统整体运行情况

        该用户体验分析系统功能不断迭代更新，一是具备客户筛选、客户画像、客群列表、标签库、实时大屏的用户体验分析展示能力；二是支持自定义高活跃度、重点用户、点播用户等客户群体，满足基于客群的单属性分析、TGI分析、多维分析，找出制约客群综合体验指数的用户标签。

        此外自系统上线运行以来，发现网络域直播/点播卡顿指数、系统域EPG/CDN请求成功率、内容域热片覆盖率等异常告警派单工43条，经维护人员跟进确认并整治节目源故障4处，CDN故障5处，EPG故障8处，多域综合体验指数提升了9.61%，同比减少了客户投诉5.43%，保障客户体验的提升。

四、IPTV低活跃度用户案例分析

        以下是系统针对IPTV用户活跃度偏低的场景所进行的一个详细案例分析。

        通过筛选低活跃度用户（近3个月登录低于30天的用户），输出低活跃客群。通过对低活跃客群的单属性/TGI/多维分析,找出制约用户活跃度的要因。

        2023-02-25日全省低活跃用户数为71.59万。基于该客户群体进行分析。

        针对除活跃度外的全部标签进行分析，找出哪些标签对客户活跃度影响比较大。

1.卡顿影响因素分析

        根据低活跃客群的收视类型偏好和卡顿用户标签分析（点播收视类型包含直播单播时移节目），其中数据和截图参见表格和下图。

        （1）点播卡顿用户占比较高（89.64%），但是TGI指数只有77.68%，所以点播卡顿不是影响活跃度低的要因，但是体现出全省的点播业务质量还是有提升空间的。

        （2）直播卡顿用户占比10.36%，直播节目类型占比为64.68%，但是对应的TGI指数达到188.51%，体现出直播卡顿是影响活跃度低的一个要因。

        （3）通过客户体验评级TGI分析，客户体验差和一般的TGI指数达到超过100%，依次为132.71%，192.48%，反映出低活跃用户的投诉比例是明显增加的，而卡顿是常见投诉内容。

2.机顶盒型号因素分析

        选择终端型号标签分析机顶盒型号对于活跃度低的影响较大的机顶盒型号，列出用户数超过1000的机顶盒型号，其中MR622-KK_V1/DT741/MR622-KK/TEWA-808AG/B860AV1.1机顶盒对于用户活跃度有较高的影响，可以对于这部分用户进行回访，通过替换机顶盒解决。

3.热片覆盖率因素分析

        通过与高活跃度客群的对比分析，尝试找出低活与高活客群的差异。高活跃度客群的部分特征数据如下（2023-02-28日数据）：

        总人数：148.94万，其中：

        ■   点播爱好者：530,520人，占比为35.62%

        ■   热剧爱好者：157,616人，占比为10.58%

        作为对比，低活跃度认可群的部分特征数据如下：

        总人数：71.59万，其中：

        ■   点播爱好者：254,308人，占比为35.29%

        ■   热剧爱好者：11,389人，占比为2.00%

        可见，高活客群和低活客群的点播人数占比是比较接近的，都是35%多一点，但是高活客群的热剧爱好者比例要高很多，整整高出8.5个百分点。由此可见，热门内容对用户的吸引力是非常大的，造成用户活跃度低的原因，可能是上架的内容中缺少用户感兴趣的节目，也可能是热门内容上架了却没有推送到位，导致用户并不知情。

        因此，我们建议对热门内容进行优化，一方面尽可能地增加对热门剧集、综艺、电影等节目的覆盖度，另一方面，特别要加强热门内容的宣传与推广，让更多的用户了解并收看，从而促进用户活跃度的提升。

        综上所述，德科仕的新一代用户体验分析系统可有效协助电信运营商加大IPTV体验分析系统的应用范围，完善用户精准体验分析指标体系，分析用户在内容服务、网络质量和服务体验等方面的服务短板，为视频业务发展中遇到的用户离网、活跃度偏低等场景提供数字化分析手段，进一步提升IPTV用户活跃度、IPTV产品竞争力和用户服务满意度。