GSM各类性能问题预处理方案

各类性能问题预处理方案

【本预处理方案供性能监控人员和网格优化人员在对性能异常小区出现性能指标异常时采取预处理措施时作参考，具体的参数调整和网元操作的权限和审批流程必须严格按照网优中心制定的无线参数管理办法执行，具体参见错误！未找到引用源。】

情景1、TCH信道完好率不足

1.TCH信道完好率预处理启动条件：

(1)50%

(2)0%

(3)全阻：TCH信道完好率=0%。

2.可能原因分析：

(1)硬件设备故障

(2)传输故障；

(3)停市电闭载波；

(4)小区数据错误。

3.预处理及操作指引：

情景2、话务量&

流量异常

1. 话务量&流量异常预处理启动条件：

(1) 话务量为零；

(2) EDGE 流量为零；

2. 可能原因分析

(1) 小区数据错误；

(2) 小区吊死；

(3) 硬件设备故障

3. 预处理及操作指引：

情景3、寻呼拥塞

1.寻呼拥塞预处理启动条件：

(1)寻呼拥塞达5000以上

2.可能原因分析

(1)小区CS用户过多导致CCCH负荷过高，使得部分寻呼消息无法正常下发

(2)小区PS用户过多发起PS业务申请导致CCCH负荷过高，使得部分寻呼消

息无法正常下发

3.预处理及操作指引：

情景4、SDCCH拥塞

1.SDCCH拥塞预处理启动条件：

(1)单小区SDCCH拥塞率大于3%

(2)单小区SDCCH拥塞率大于5%

(3)某区域成片小区SDCCH拥塞率大于3%

(4)某区域成片小区SDCCH拥塞率大于10%

2.可能原因分析

(1)SDCCH业务较多，定义的SDCCH容量不足承担超出现的SDCCH话务容量

3.预处理及操作指引：

情景5、TCH拥塞

1.TCH拥塞预处理启动条件：

(1)单小区TCH拥塞率大于30%

(2)单小区TCH拥塞率大于40%

(3)单小区TCH拥塞率大于50%

(4)某区域成片小区TCH拥塞率大于30%

2.可能原因分析

(1)硬件故障

(2)小区CS用户较多导致话务量较高，引起拥塞

3.预处理及操作指引：

情景6、TBF上/下行建立失败率

1.TBF上/下行建立失败率预处理启动条件：

(1)TBF上/下行建立失败率大于40%

2.可能原因分析

(1)CS用户多导致话务量高，引起PDCH清空；

(2)PS信道容量不足。

3.预处理及操作指引：

情景7、SDCCH掉话率

1.SDCCH掉话率预处理启动条件：

(1)SDCCH掉话率大于5%

2.可能原因分析

(1)设备故障；

(2)传输故障；

(3)网内外干扰；

(4)其他小区拥塞。

3.预处理及操作指引：

情景8、TCH掉话率

2.TCH掉话率预处理启动条件：

(2)TCH掉话率大于5%

4.可能原因分析

(5)设备故障；

(6)传输故障；

(7)网内外干扰；

(8)其他小区拥塞。

5.预处理及操作指引：

大数据处理常用技术简介

大数据处理常用技术简介 storm,Hbase,hive,sqoop, spark,flume,zookeeper如下 ?Apache Hadoop:是Apache开源组织的一个分布式计算开源框架，提供了一个分布式文件系统子项目(HDFS)和支持MapReduce分布式计算的软件架构。 ?Apache Hive:是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，通过类SQL语句快速实现简单的MapReduce 统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。 ?Apache Pig:是一个基于Hadoop的大规模数据分析工具，它提供的SQL-LIKE语言叫Pig Latin，该语言的编译器会把类SQL的数据分析请求转换为一系列经过优化处理的MapReduce运算。 ?Apache HBase:是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PC Server上搭建起大规模结构化存储集群。 ?Apache Sqoop:是一个用来将Hadoop和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库（MySQL ,Oracle ,Postgres等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。 ?Apache Zookeeper:是一个为分布式应用所设计的分布的、开源的协调服务，它主要是用来解决分布式应用中经常遇到的一些数据管理问题，简化分布式应用协调及其管理的难度，提供高性能的分布式服务?Apache Mahout:是基于Hadoop的机器学习和数据挖掘的一个分布式框架。Mahout用MapReduce实现了部分数据挖掘算法，解决了并行挖掘的问题。 ?Apache Cassandra:是一套开源分布式NoSQL数据库系统。它最初由Facebook开发，用于储存简单格式数据，集Google BigTable的数据模型与Amazon Dynamo的完全分布式的架构于一身 ?Apache Avro:是一个数据序列化系统，设计用于支持数据密集型，大批量数据交换的应用。Avro是新的数据序列化格式与传输工具，将逐步取代Hadoop原有的IPC机制 ?Apache Ambari:是一种基于Web的工具，支持Hadoop集群的供应、管理和监控。 ?Apache Chukwa:是一个开源的用于监控大型分布式系统的数据收集系统，它可以将各种各样类型的数据收集成适合Hadoop 处理的文件保存在HDFS 中供Hadoop 进行各种MapReduce 操作。 ?Apache Hama:是一个基于HDFS的BSP（Bulk Synchronous Parallel)并行计算框架, Hama可用于包括图、矩阵和网络算法在内的大规模、大数据计算。

投诉处理的解决方案.doc

投诉处理方案 处理客人投诉原则： 1、站在客人的立场，尽最大努力满足客人的需求。 2、维护餐厅的利益、形象以及声誉。 有关处理、解决宾客投诉的最佳方案，世界饭店业，特别是一些国际联号所采用的方法基本是一致，有点微差也只能是大同小异而已。 1）认真倾听投诉的事实 为了很好的了解宾客所提出的问题，必须认真的听取客人的叙述，使客人感到十分重视他的问题，倾听者要注视客人，不时的点头示意，让客人明白“管理者在认真听取我的意见”，而且听取客人意见的代表要不时在说“我理解，我明白，一定认真处理这件事情。” 为了使客人能逐渐消气息怒，前厅主管或领班可以用自己的语言重复客人的投诉或抱怨内容，若遇上的是认真的投诉客人，在听取客人意见时，还应做一些听取意见记录，以示对客人尊重及对反映问题的重视，必须态度鲜明的告诉客人，投诉是正确的，但不能加上“不过，可是”等转折词，应全神贯注地倾听意见，不能表现出漫不经心或不耐烦的样子。 2）表示同情或歉意 首先你要让客人理解，你是非常关心他的及那些服务是否令人满意，如果客人在谈问题时表示出十分认真，作为西餐厅值班领班，就要不时的表示对客人的同情，如“我们非常遗憾，非常抱歉地听到此事，我们理解您现在的心情” 假若对客人提出的抱怨或投诉事宜负责，或者西餐厅给予一定的赔偿，这时西餐厅就要向客人表示歉意并说：“我们非常抱歉，先生，我们将对此事负责，感谢你对我们提出宝贵意见。” 3）同样客人要求并决定采取措施 当你作为前厅领班，也是客人代表，你要完全理解和明白客人为什么抱怨或投诉；同时当你决定要采取行动纠正错误，你一定要让客人知道并同意，你采取的处理决定及具体措施内容。如果客人不知道或不同意你的处理决定，就不要盲目采取行动，首先，你要十分有礼貌的通知客人，你将要采取的措施，并尽可能让客人同意你的行动计划，这样你才会有机会使客人的抱怨变为满意，并使客人产生感激的心情。例如，你可以按下列的方式征求客人对你采取改正措施的同意： “王先生，我将这样去做，您看是否合适？” “李小姐，我将这样去安排您的要求，你是否喜欢？” “高先生，我这样去做，可以吗？” 4）感谢客人的批评指教 一位明智的总经理会经常感谢那些对服务水平或服务设施水准提出批评指导意见的客人，因为

如何对市场调研问卷的数据进行预处理

如何对市场调研问卷的数据进行预处理 市场调研问卷数据的预处理是整个市场调研工作的重要环节,如果预处理做得不好，就会使有问题的问卷进入后面的数据分析环节，对最终结果产生严重影响。 一、信度检验 1.信度分析简介 信度，即信任度，是指问卷数据的可信任程度。信度是保证问卷质量的重要手段，严谨的问卷分析通常会采用信度分析筛选部分数据。 α值是信度分析中的一个重要指标，它代指0～1的某个数值，如果α值小于０.7,该批次问卷就应当剔除或是进行处理;如果大于0．９,则说明信度很高,可以用于数据分析；如果位于０．７～0.9，则要根据具体情况进行判定。如表1所示。 α值意义 >0.9信度非常好 ＞0.８信度可以接受 >0.7需要重大修订但是可以接受 <0．7放弃 2．信度分析示例 操作过程 下面介绍的是一个信度分析的案例,其操作过程为：首先打开信度分析文件，可以看到该文件的结构很简单，一共包含1０个题目，问卷的份数是10２份。然后进入SPSS的“分析”模块，找到“度量”下面的“可靠性分析”,将这十个题目都选进去。 在接下来的统计量中,首先看平均值、方差和协方差等，为了消除这些变量的扰动,可以选择要或者不要这些相关的量,另外ANＯVA(单音数方差分析）是分析两个变量之间有无关系的重要指标，一般选择要，但在这里可以不要,其他一些生僻的量值一般不要。描述性在多数情况下需要保留,因为模型的输出结果会有一些描述,因此应当选中项、度量和描述性,然后“确定”,这时SPSS输出的结果就会比较清楚。 结果解读 案例处理汇总后，SPＳS输出的结果如图１所示。

图1 信度分析结果 由图１可知,案例中调查问卷的有效数据是102,已排除数是0，说明数据都是有效的，在这里如果某个问卷有缺失值，就会被模型自动删除，然后显示出已排除的问卷数。在信度分析中,可以看到Aｌpha值是0．881,根据前文的判定标准，这一数值接近0.9，可以通过。在图右下方部分有均值、方差、相关性等多个项目,这主要看最后的“项已删除的Alpｈａ值”,该项目表示的是删除相应项目后整个问卷数据信度的变动情况,可以看出题目1、题目2和题目6对应的数值高于０．８８1,表明删除这三个题目后整个问卷的Aｌphａ值会上升，为了确保整个调查的严谨性，应当将这三个题目删除。 二、剔除废卷 删除废卷大致有三种方法:根据缺失值剔除、根据重复选项剔除、根据逻辑关系剔除。 １.根据缺失值剔除 缺失值的成因 在市场调查中,即使有非常严格的质量控制,在问卷回收后仍然会出现缺项、漏项，这种情况在涉及敏感性问题的调查中尤其突出，缺失值的占比甚至会达到1０%以上。之所以会出现这种现象，主要有以下原因：一是受访者对于疾病、收入等隐私问题选择跳过不答，二是受访者由于粗心大意而漏掉某些题目等。 缺失值的处理 在处理缺失值时，有些人会选择在SＰSS或Excｅl中将其所在的行直接删除。事实上，不能简单地删除缺失值所在的行,否则会影响整个问卷的质量。这是因为在该行中除了缺失的数据以外,其他数据仍旧是有效的,包含许多有用信息，将其全部删除就等于损失了这部分信息。 在实际操作中，缺失值的处理主要有以下方式，如图2所示。

大数据处理流程的主要环节

大数据处理流程的主要环节 大数据处理流程主要包括数据收集、数据预处理、数据存储、数据处理与分析、数据展示/数据可视化、数据应用等环节，其中数据质量贯穿于整个大数据流程，每一个数据处理环节都会对大数据质量产生影响作用。通常，一个好的大数据产品要有大量的数据规模、快速的数据处理、精确的数据分析与预测、优秀的可视化图表以及简练易懂的结果解释，本节将基于以上环节分别分析不同阶段对大数据质量的影响及其关键影响因素。 一、数据收集 在数据收集过程中，数据源会影响大数据质量的真实性、完整性数据收集、一致性、准确性和安全性。对于Web数据，多采用网络爬虫方式进行收集，这需要对爬虫软件进行时间设置以保障收集到的数据时效性质量。比如可以利用八爪鱼爬虫软件的增值API设置，灵活控制采集任务的启动和停止。 二、数据预处理 大数据采集过程中通常有一个或多个数据源，这些数据源包括同构或异构的数据库、文件系统、服务接口等，易受到噪声数据、数据值缺失、数据冲突等影响，因此需首先对收集到的

大数据集合进行预处理，以保证大数据分析与预测结果的准确性与价值性。 大数据的预处理环节主要包括数据清理、数据集成、数据归约与数据转换等内容，可以大大提高大数据的总体质量，是大数据过程质量的体现。数据清理技术包括对数据的不一致检测、噪声数据的识别、数据过滤与修正等方面，有利于提高大数据的一致性、准确性、真实性和可用性等方面的质量; 数据集成则是将多个数据源的数据进行集成，从而形成集中、统一的数据库、数据立方体等，这一过程有利于提高大数据的完整性、一致性、安全性和可用性等方面质量; 数据归约是在不损害分析结果准确性的前提下降低数据集规模，使之简化，包括维归约、数据归约、数据抽样等技术，这一过程有利于提高大数据的价值密度，即提高大数据存储的价值性。 数据转换处理包括基于规则或元数据的转换、基于模型与学习的转换等技术，可通过转换实现数据统一，这一过程有利于提高大数据的一致性和可用性。 总之，数据预处理环节有利于提高大数据的一致性、准确性、真实性、可用性、完整性、安全性和价值性等方面质量，而大数据预处理中的相关技术是影响大数据过程质量的关键因素

大数据处理技术的特点

1)Volume(大体量):即可从数百TB到数十数百PB、 甚至EB的规模。 2)Variety(多样性):即大数据包括各种格式和形态的数据。 3)Velocity(时效性):即很多大数据需要在一定的时间限度下得到及时处理。 4)Veracity(准确性):即处理的结果要保证一定的准确性。 5)Value(大价值):即大数据包含很多深度的价值,大数据分析挖掘和利用将带来巨大的商业价值。 传统的数据库系统主要面向结构化数据的存储和处理,但现实世界中的大数据具有各种不同的格式和形态,据统计现实世界中80%以上的数据都是文本和媒体等非结构化数据;同时,大数据还具有很多不同的计算特征。我们可以从多个角度分类大数据的类型和计算特征。 1)从数据结构特征角度看,大数据可分为结构化与非结构化/半结构化数据。 2)从数据获取处理方式看,大数据可分为批处理与流式计算方式。 3)从数据处理类型看,大数据处理可分为传统的查询分析计算和复杂数据挖掘计算。 4)从大数据处理响应性能看,大数据处理可分为实时/准实时与非实时计算,或者是联机计算与线下计算。前述的流式计算通常属于实时计算,此外查询分析类计算通常也要求具有高响应性能,因而也可以归为实时或准实时计算。而批处理计算和复杂数据挖掘计算通常属于非实时或线下计算。 5)从数据关系角度看,大数据可分为简单关系数据(如Web日志)和复杂关系数据(如社会网络等具有复杂数据关系的图计算)。

6)从迭代计算角度看,现实世界的数据处理中有很多计算问题需要大量的迭代计算,诸如一些机器学习等复杂的计算任务会需要大量的迭代计算,为此需要提供具有高效的迭代计算能力的大数据处理和计算方法。 7)从并行计算体系结构特征角度看,由于需要支持大规模数据的存储和计算,因此目前绝大多数禧金信息大数据处理都使用基于集群的分布式存储与并行计算体系结构和硬件平台。

投诉处理制度

投诉处理制度 第一章总则 第一条为建立健全公司投诉处理机制，完善公司投诉处理程序，不断提高公司评级质量及客户服务水平，主动接受投资者及社会公众监督，根据国家有关法律法规，结合公司实际，制定本制度。 第二条本制度所指的投诉处理是指公司在收到客户、投资者及社会公众电话、信函、网络、现场等投诉时，依据国家相关法律法规、行业规范以及公司相关制度而进行的调查、协调、处理、解释答复等各项工作的总称。 第三条本办法适用于公司在开展评级业务及其相关营销活动过程中发生的各类投诉以及投诉处理活动。 第四条投诉处理应遵循客观、公正、及时性原则，力求解决问题，化解矛盾，规范服务，提高客户服务质量。 （一）客观性：依据客观事实进行分析判断； （二）公正性：公正对待投诉人，不偏袒员工，不回避问题，不推卸责任； （三）及时性：对客户投诉必须及时、限期予以处理。 第二章投诉受理部门 第五条合规管理部负责受理投诉活动，并与市场参与者和社会公众进行沟通交流，及时答复质询与疑问。

第三章投诉渠道 第六条公司设立如下渠道供投诉人投诉或反馈： （一）投诉电话： （二）投诉邮箱： （三）信函或现场投诉： 上述投诉渠道在公司网站进行公告。 第四章投诉类型 第七条投诉根据性质分为重大投诉和一般投诉。重大投诉是指可能对投资人、公司利益、经营秩序、市场声誉等方面造成严重损害的投诉事项，包括但不限于： （一）被报刊、电台、电视、网络等新闻媒体曝光以及由新闻媒体、监管部门、行业自律组织等机构转至的来电、来函； （二）业务拓展及具体作业过程中，未按照国家法律法规、监管部门规章、准则及公司相关内控制度要求进行利益冲突审查而引起的投资人或社会公众的质疑、投诉等； （三）客户、投资人、监管部门反映的评级报告质量瑕疵等问题； （四）同一客户、同一事由投诉，因市场营销或作业部门处理不及时，向公司发生二次（含）以上投诉的； （五）有可能引发客户法律诉讼事项的； （六）其它严重损害公司形象，造成不良影响的。 除上述重大投诉之外的投诉均为一般投诉。 第五章投诉处理要求

[数据分析] 教你一文掌握数据预处理

数据分析一定少不了数据预处理，预处理的好坏决定了后续的模型效果，今天我们就来看看预处理有哪些方法呢？ 记录实战过程中在数据预处理环节用到的方法~ 主要从以下几个方面介绍： ?常用方法 ?N umpy部分 ?P andas部分 ?S klearn 部分 ?处理文本数据 一、常用方法 1、生成随机数序列 randIndex = random.sample(range(trainSize, len(trainData_copy)), 5*tra inSize) 2、计算某个值出现的次数 titleSet = set(titleData) for i in titleSet: count = titleData.count(i)

用文本出现的次数替换非空的地方。词袋模型 Word Count titleData = allData['title'] titleSet = set(list(titleData)) title_counts = titleData.value_counts() for i in titleSet: if isNaN(i): continue count = title_counts[i] titleData.replace(i, count, axis=0, inplace=True) title = pd.DataFrame(titleData) allData['title'] = title 3、判断值是否为NaN def isNaN(num): return num != num 4、 Matplotlib在jupyter中显示图像 %matplotlib inline 5、处理日期 birth = trainData['birth_date'] birthDate = pd.to_datetime(birth) end = pd.datetime(2020, 3, 5) # 计算天数birthDay = end - birthDate birthDay.astype('timedelta64[D]') # timedelta64 转到 int64 trainData['birth_date'] = birthDay.dt.days

MRI数据预处理流程资料讲解

数据处理基本流程 由于MRI是断层扫描，耗费时间较长，患者在进行MRI扫描的时候不可避免的会头部挪动，导致照射出来的图像不能一一映射；不同人的头颅，脑部大小，形状都会有所差异，获得的MRI图像也千差万别，无法对其进行对比。所以我们就必须用一种算法将所有的MRI图像进行空间转换到一个比较标准的空间（目前使用较多的是被神经学家广泛认可的Talairach坐标系）将各个解剖结构一一对应后，再与标准化图谱或者不同个体之间相互比较（目前使用的是Talairach-Tournoux图谱） 本文使用的是SPM软件和MRIcro软件处理图像数据，将MRI图像进 行数据分析。 数据分析的基本流程： （1）数据预处理：○1图像格式转换○2slice timing获取时间校正○3realign头动校正○4Coregister不同成像方法间的图像融合○5nomalize 不同被试之间的图像标准化(归一化）○6smooth空间平滑《2 3 4统称图像的空间变换》 （2）模型构建与参数估计：○:1建立统计模型○2将数据应用于统计模型○3进行参数统计得到单个被试的结果，多个被试的组分析 数据预处理 SPM是一款以MATLAB为平台的软件，所以使用SPM前一定要安装MATLAB。打开MATLAB软件，界面如下：

1.图像格式转换。 在进行数据预处理第一步要先将图像格式转换成SPM可以识别的ANALYZE格式。转换之前先将原始数据放在MATLAB下面的mri image文件夹下，将路径设置成D：\MATLAB\work\mri image\ 设置过程如下： 点击红色方块所指的按钮，在弹出的窗口中选择工作路径，按确定按钮即可。 设置完工作路径后，利用如下方法，将SPM2及其所有子文件夹添加到MATLAB的搜索途径中（1.点击file按钮，在下拉菜单选择set path2.在弹出的路径设置窗口点击"Add Folder"浏览并选择目标文件夹，eg:D:\spm2\3.点击save按钮4.点击close按钮,完成添加） 在打开SPM之前，应先确定默认变量的设置是否准确，具体做法如下：1.在matlab命令窗口输入“edit spm_defaults"打开spm_defaults.m文件2.查看defaults.analyze.flip条目，确认defaults.analyze.fip值是否为1，若不是，改成1 打开SPM：在matlab命令窗口输入“spm"回车后出现下面窗口，按黄色长方形覆盖的按钮，方可打开SPM软件（或者直接输入spm fmri即可打开）

大数据处理技术的总结与分析

数据分析处理需求分类 1 事务型处理 在我们实际生活中,事务型数据处理需求非常常见,例如：淘宝网站交易系统、1２306网站火车票交易系统、超市ＰOＳ系统等都属于事务型数据处理系统。这类系统数据处理特点包括以下几点: 一就是事务处理型操作都就是细粒度操作,每次事务处理涉及数据量都很小。 二就是计算相对简单，一般只有少数几步操作组成，比如修改某行得某列; 三就是事务型处理操作涉及数据得增、删、改、查,对事务完整性与数据一致性要求非常高。 四就是事务性操作都就是实时交互式操作,至少能在几秒内执行完成； 五就是基于以上特点,索引就是支撑事务型处理一个非常重要得技术. 在数据量与并发交易量不大情况下,一般依托单机版关系型数据库,例如OＲＡＣLＥ、MＹSQL、SQＬSERVER,再加数据复制（DataGurａd、RＭAＮ、ＭｙSQＬ数据复制等)等高可用措施即可满足业务需求。 在数据量与并发交易量增加情况下，一般可以采用ORＡLＣＥRAC集群方式或者就是通过硬件升级（采用小型机、大型机等，如银行系统、运营商计费系统、证卷系统)来支撑. 事务型操作在淘宝、1230６等互联网企业中,由于数据量大、访问并发量高，必然采用分布式技术来应对,这样就带来了分布式事务处理问题，而分布式事务处理很难做到高效，因此一般采用根据业务应用特点来开发专用得系统来解决本问题。

２数据统计分析 数据统计主要就是被各类企业通过分析自己得销售记录等企业日常得运营数据,以辅助企业管理层来进行运营决策。典型得使用场景有:周报表、月报表等固定时间提供给领导得各类统计报表;市场营销部门,通过各种维度组合进行统计分析,以制定相应得营销策略等． 数据统计分析特点包括以下几点: 一就是数据统计一般涉及大量数据得聚合运算，每次统计涉及数据量会比较大。二就是数据统计分析计算相对复杂，例如会涉及大量goｕpbｙ、子查询、嵌套查询、窗口函数、聚合函数、排序等；有些复杂统计可能需要编写ＳQＬ脚本才能实现． 三就是数据统计分析实时性相对没有事务型操作要求高。但除固定报表外,目前越来越多得用户希望能做做到交互式实时统计； 传统得数据统计分析主要采用基于ＭＰP并行数据库得数据仓库技术.主要采用维度模型,通过预计算等方法，把数据整理成适合统计分析得结构来实现高性能得数据统计分析，以支持可以通过下钻与上卷操作,实现各种维度组合以及各种粒度得统计分析。 另外目前在数据统计分析领域,为了满足交互式统计分析需求，基于内存计算得数据库仓库系统也成为一个发展趋势,例如SAP得HANA平台。 3 数据挖掘 数据挖掘主要就是根据商业目标，采用数据挖掘算法自动从海量数据中发现隐含在海量数据中得规律与知识。

食堂投诉处理及解决方案

投诉处理及解决方案 (一)消费者投诉处理制度 餐饮服务应以提供安全的食品为第一要素。但不应只停留于 制度 和书面的教育，各级管理人员必须加强日常的指导和督查工 作，并将落实每项职责于具体的每个人员。 1. 投诉和食品安全的报告处理和报告的基本流程 2. 各类投诉和食品安全质量事故的对应与处理 2.1菜肴中虫、异物的投诉： 2. 1. 1立即撤下所投诉的菜肴，情况严重时对余下的该批次菜 肴 全部停止出售，保留该物体在菜肴中的状况； 2.1.2当日要求加工操作人员检查当日的操作流程，确认是否 有混 入该物品体的可能性，通过追溯，确认该物体的来卄 源； (1) 如果判断的来自原料的，立即向公司釆购部通报事件的 全 部，必要时请釆购部的人员到场。(参照《食品原料进货验收程 序》。) (2) 如果是在食品加工过程中混入的，必须当日对全体人员 进行 食品安全加工再教育，与全体人员一起进行整个加工流程的 再检讨，使人人明白发生的原因、知晓防止的对策与措施。 3. 发生有出售已经变质食物投诉时： :厅：目经理I 欝 事件情况&处理结果通报 ■客户公司的巻厅管理者 报告 --- -------- ? 指示

首先必须严格按照公司的原料采购、货物验收、在库管理等规章执行。 3.1立即停售并撤下该批次的所有成品食品； 3.2追溯 （1）是否是食品原料的问题，如果判断是食品原料问题，立即向公司的采购部门通报，并立即封存所有的该批次的食品，必要时通知原料供应商的人员到场一起销毁该批次的全部原料。 （2）如果是由于本餐厅在库管理的失误引起的，追究相关人员的责任，并对当事人员进行相关培训。并与全体人员一起对整个加工和储存过程进行再检讨，使人人明白发生的原因、知晓防止的对策和措施。 4?环境卫生状况的投诉 4.1立即要求餐厅的卫生保洁人员，对所投诉区域进行清扫和保洁； 4.1. 1当日要求全体人员进行彻底的清扫和整理整顿， 4. 2清扫工作的要求 4. 2. 1清扫工作应每天进行常规清洗和清扫； 4.2.2定期彻底5S工作 （1）每周五下午彻底清扫所有的区域；并对垃圾桶和垃圾桶放置区域进行彻底的清扫和清洁； （2）每周六下午，对所有的盛具、盛器进行彻底的清洁； 5.发生食品安全的事故（包括类似和疑似） 5.1立即停售和追回当日已售的被判定为可疑的食物； 5.2并由餐厅管理人员封存可疑为可能引起食物中毒的食品，以及

ENVI预处理

本小节包括以下内容： ? ? ●数据预处理一般流程介绍 ? ? ●预处理常见名词解释 ? ? ●ENVI中的数据预处理 1、数据预处理一般流程 数据预处理的过程包括几何精校正、配准、图像镶嵌与裁剪、去云及阴影处理和光谱归一化几个环节，具体流程图如图所示。 图1数据预处理一般流程 各个行业应用会有所不同，比如在精细农业方面，在大气校正方面要求会高点，因为它需要反演；在测绘方面，对几何校正的精度要求会很高。 2、数据预处理的各个流程介绍 （一）几何精校正与影像配准 引起影像几何变形一般分为两大类：系统性和非系统性。系统性一般有传感器本身引起的，有规律可循和可预测性，可以用传感器模型来校正；非系统性几何变形是不规律的，它可以是传感器平台本身的高度、姿态等不稳定，也可以是地球曲率及空气折射的变化以及地形的变化等。 在做几何校正前，先要知道几个概念： 地理编码：把图像矫正到一种统一标准的坐标系。 地理参照：借助一组控制点，对一幅图像进行地理坐标的校正。 图像配准：同一区域里一幅图像（基准图像）对另一幅图像校准影像几何精校正，一般步骤如下， （1）GCP（地面控制点）的选取 这是几何校正中最重要的一步。可以从地形图（DRG）为参考进行控制选

点，也可以野外GPS测量获得，或者从校正好的影像中获取。选取得控制点有以下特征： 1、GCP在图像上有明显的、清晰的点位标志，如道路交叉点、河流交叉点等； 2、地面控制点上的地物不随时间而变化。 GCP均匀分布在整幅影像内，且要有一定的数量保证，不同纠正模型对控制点个数的需求不相同。卫星提供的辅助数据可建立严密的物理模型，该模型只需9个控制点即可；对于有理多项式模型，一般每景要求不少于30个控制点，困难地区适当增加点位；几何多项式模型将根据地形情况确定，它要求控制点个数多于上述几种模型，通常每景要求在30-50个左右，尤其对于山区应适当增加控制点。 （2）建立几何校正模型 地面点确定之后，要在图像与图像或地图上分别读出各个控制点在图像上的像元坐标（x，y）及其参考图像或地图上的坐标（X，Y），这叫需要选择一个合理的坐标变换函数式（即数据校正模型），然后用公式计算每个地面控制点的均方根误差（RMS） 根据公式计算出每个控制点几何校正的精度，计算出累积的总体均方差误差，也叫残余误差，一般控制在一个像元之内，即RMS<1。 （3）图像重采样 重新定位后的像元在原图像中分布是不均匀的,即输出图像像元点在输入图像中的行列号不是或不全是正数关系。因此需要根据输出图像上的各像元在输入图像中的位置，对原始图像按一定规则重新采样，进行亮度值的插值计算，建立新的图像矩阵。常用的内插方法包括： 1、最邻近法是将最邻近的像元值赋予新像元。该方法的优点是输出图像仍然保持原来的像元值，简单，处理速度快。但这种方法最大可产生半个像元的位置偏移，可能造成输出图像中某些地物的不连贯。 2、双线性内插法是使用邻近4个点的像元值，按照其距内插点的距离赋予不同的权重，进行线性内插。该方法具有平均化的滤波效果，边缘受到平滑作用，而产生一个比较连贯的输出图像，其缺点是破坏了原来的像元值。 3、三次卷积内插法较为复杂，它使用内插点周围的16个像元值，用三次卷积函数进行内插。这种方法对边缘有所增强，并具有均衡化和清晰化的效果，当它仍然破坏了原来的像元值，且计算量大。 一般认为最邻近法有利于保持原始图像中的灰级，但对图像中的几何结构损坏较大。后两种方法虽然对像元值有所近似，但也在很大程度上保留图像原有的几何结构，如道路网、水系、地物边界等。 （二）数字图像镶嵌与裁剪 镶嵌 当研究区超出单幅遥感图像所覆盖的范围时，通常需要将两幅或多幅图像拼接起来形成一幅或一系列覆盖全区的较大的图像。 在进行图像的镶嵌时，需要确定一幅参考影像，参考图像将作为输出镶嵌图像的基准，决定镶嵌图像的对比度匹配、以及输出图像的像元大小和数据类型等。镶嵌得两幅或多幅图像选择相同或相近的成像时间，使得图像的色调保持一致。但接边色调相差太大时，可以利用直方图均衡、色彩平滑等使得接边尽量一致，但

有效处理客户投诉的方法和步骤

１有效处理客户（普通）投诉的方法和步骤 １．１接受投诉 客户投诉处理方法第一步叫做“接受投诉”，要求迅速受理，绝不拖延，这是第一个要素。坚决避免对客户说“请您等一下”，否则你就是在冒险，因为你并不了解这位客户的性格，这个投诉对他生活工作带来多少影响，以及其后客户会有的反应。 投诉处理的目的不仅仅是避免给企业带来的麻烦，更重要的是希望通过有效处理投诉，能够挽回客户对企业的信任，使企业的口碑得到良好的维护，有更多的“回头客”，从而化“危机”为“契机”。 １．２平息怨气 客户在投诉时，多带有强烈的感情色彩，具有发泄性质，因此要平息他们的怨气。在客户盛怒的情况下当客户的出气筒，需要安抚客户，采取低姿态，承认错误，平息怒气，以让客户在理智的情况下，分析解决问题。 １．３澄清问题 需要给客户一个宣泄不满和委屈的机会，来分散心里积压的不满情绪，如果放弃这个机会，就不利于投诉最终的处理。用提问题的方法，把投诉由情绪带入事件。 通过提问题，用开放式的问题引导客户讲述事实，提供资料。当客户讲完整个事情的过程以后，客户服务人员要用封闭式的问题总结问题的关键。例：“您刚才所说的情况是您在石家庄的用户中有一户向您反映，鸡用料后产蛋率下降了两个百分点并有少数软壳蛋和破损蛋出现，是这样的吗？” １．４探讨解决，采取行动 探讨解决是指投诉怎么处理？是退，还是换，还是赔偿。很多客户服务人员往往是直接提出解决方案，而未考虑到当客户失去了选择的余地时，他会没有做上帝的感觉。真正优秀的客户服务人员是通过两步来做：第一步是先了解客户想要的解决方案，客户服务人员主动提出“您觉得这件事情怎么处理比较好”？然后第二步，才是提出你的解决方案，迅速对客户投诉的问题进行有效解决。这样一来，不管客户是否已有解决方案的腹案，企业在解决问题时都会居于主动地位。 １．５感谢客户 感谢客户是最关键的一步，这一步是维护客户的一个重要手段和技巧。客户服务人员需要说四句话来表达四种不同的意思： 第一句话是再次为给客户带来的不便表示歉意； 第二句话是感谢客户对于企业的信任和惠顾； 第三句话也是向客户表谢意，让我们发现问题知道自己不足； 第四句话是向客户表决心，让客户知道我们会努力改进工作。 ２特殊客户投诉有效处理技巧 ２．１特殊客户投诉的类型 一个讲道理的人在不满的时候可能会变得不讲道理，然而从根本上说，他还是有理智、讲道理的。但难缠的人，具有一种用分裂的破坏性手段使别人注意他的心理需求。这样的人是极其难以沟通的，大多数难缠的客户是因为他们缺乏安全感，实际上他们也有一种被理解、受欢迎、受重视的需求，尽管他们选择了一种不太合适、不太礼貌的方法。 难缠的客户类型有： ２．１．１易怒的客户 脾气比较暴躁，难以沟通，因此难缠。 ２．１．２下流或令人讨厌的客户 饲料（畜牧）企业不会经常遇到，但服务企业经常会遇到。这些人文化素质很差，品行很差，

大数据采集技术和预处理技术

现如今，很多人都听说过大数据，这是一个新兴的技术，渐渐地改变了我们的生活，正是由 于这个原因，越来越多的人都开始关注大数据。在这篇文章中我们将会为大家介绍两种大数 据技术，分别是大数据采集技术和大数据预处理技术，有兴趣的小伙伴快快学起来吧。 首先我们给大家介绍一下大数据的采集技术，一般来说，数据是指通过RFID射频数据、传 感器数据、社交网络交互数据及移动互联网数据等方式获得的各种类型的结构化、半结构化 及非结构化的海量数据，是大数据知识服务模型的根本。重点突破高速数据解析、转换与装 载等大数据整合技术设计质量评估模型，开发数据质量技术。当然，还需要突破分布式高速 高可靠数据爬取或采集、高速数据全映像等大数据收集技术。这就是大数据采集的来源。 通常来说，大数据的采集一般分为两种，第一就是大数据智能感知层，在这一层中，主要包 括数据传感体系、网络通信体系、传感适配体系、智能识别体系及软硬件资源接入系统，实 现对结构化、半结构化、非结构化的海量数据的智能化识别、定位、跟踪、接入、传输、信 号转换、监控、初步处理和管理等。必须着重攻克针对大数据源的智能识别、感知、适配、 传输、接入等技术。第二就是基础支撑层。在这一层中提供大数据服务平台所需的虚拟服务器，结构化、半结构化及非结构化数据的数据库及物联网络资源等基础支撑环境。重点攻克 分布式虚拟存储技术，大数据获取、存储、组织、分析和决策操作的可视化接口技术，大数 据的网络传输与压缩技术，大数据隐私保护技术等。 下面我们给大家介绍一下大数据预处理技术。大数据预处理技术就是完成对已接收数据的辨析、抽取、清洗等操作。其中抽取就是因获取的数据可能具有多种结构和类型，数据抽取过 程可以帮助我们将这些复杂的数据转化为单一的或者便于处理的构型，以达到快速分析处理 的目的。而清洗则是由于对于大数并不全是有价值的，有些数据并不是我们所关心的内容， 而另一些数据则是完全错误的干扰项，因此要对数据通过过滤去除噪声从而提取出有效数据。在这篇文章中我们给大家介绍了关于大数据的采集技术和预处理技术，相信大家看了这篇文 章以后已经知道了大数据的相关知识，希望这篇文章能够更好地帮助大家。

客户投诉处理方案

客户投诉处理办法 一、目的 为了改善客户经理售后服务流程，提高售后服务质量，提高客户满意度，特制定本控制程序。 二、客户投诉处理原则 1．有章可循，依章行事 有专门的制度和人员来管理客户投诉问题，另外要做好各种预防工作以防患于未然。 2．及时处理 对于客户投诉，各部门应积极合作，迅速作出反应，力争在最短的时间里全面解决，给客户一个圆满的结果。 3．责任明晰 分清造成客户投诉的责任部门和责任人，并且明确处理投诉的各部门、各类人员的具体责任与权限以及客户投诉得不到及时圆满解决的责任。 三、接到客户投诉 1．配送中心安排专人受理客户的各类投诉，确保24小时受理客户投诉。 2．客户投诉方式 （1）电话投诉。 （2）电邮投诉。

（3）现场投诉。 （4）其他投诉。 3．客户投诉记录 （1）客户不论以何种方式投诉，客户投诉人员均须填写《客户投诉记录单》，《客户投诉记录单》的格式如下表所示。 客户投诉记录单 投诉客 户 名称 营业地址 受理日 期 受理编号 投诉方式 客户联系方式 投诉理由（事件经过）： 投诉要求： 受理人员（签字）： 四、分析投诉原因

客户服务部人员针对投诉事项，判断客户投诉事项的责任。 1．若客户投诉事项的责任在于盐品质量问题，要耐心、认真地向客户作出解释，同时退换盐品或召回。 2．若客户投诉事项的责任在于客户经理，则应根据投诉事项的性质判定投诉处理时间，并及时将投诉解决期限通知客户。 五、确定投诉处理部门 1．内部责任判断 客户投诉受理人员根据投诉事项描述和客户提供的相关证明判断造成客户投诉的主要原因和负责部门，主要责任部门包括生产部门、质量监督人员、调度运输人员以及配送中心、片区经理、客户经理等。 2．客户服务主管向相关责任人送达《客户投诉处理单》副本，相关责任人根据部门业务流程详细调查造成投诉的原因。 六、提出处理方案 1．客户服务人员及时同投诉处理部门进行沟通，了解投诉处理的进度。 2．投诉处理部门及时向客户服务部提出客户投诉处理的结果和建议。 3．客户服务部会同相关主要责任部门形成客户投诉处

大数据处理常用技术有哪些

大数据处理常用技术有哪些? storm,hbase,hive,sqoop.spark,flume,zookeeper如下 ?Apache Hadoop:是Apache开源组织的一个分布式计算开源框架，提供了一个分布式文件系统子项目(HDFS)和支持MapReduce分布式计算的软件架构。 ?Apache Hive:是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，通过类SQL语句快速实现简单的MapReduce 统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。 ?Apache Pig:是一个基于Hadoop的大规模数据分析工具，它提供的SQL-LIKE语言叫Pig Latin，该语言的编译器会把类SQL的数据分析请求转换为一系列经过优化处理的MapReduce运算。 ?Apache HBase:是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统，利用HBase技术可在廉价PC Server上搭建起大规模结构化存储集群。 ?Apache Sqoop:是一个用来将Hadoop和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库（MySQL ,Oracle ,Postgres等）中的数据导进到Hadoop的HDFS中，也可以将HDFS的数据导进到关系型数据库中。 ?Apache Zookeeper:是一个为分布式应用所设计的分布的、开源的协调服务，它主要是用来解决分布式应用中经常遇到的一些数据管理问题，简化分布式应用协调及其管理的难度，提供高性能的分布式服务?Apache Mahout:是基于Hadoop的机器学习和数据挖掘的一个分布式框架。Mahout用MapReduce实现了部分数据挖掘算法，解决了并行挖掘的问题。 ?Apache Cassandra:是一套开源分布式NoSQL数据库系统。它最初由Facebook开发，用于储存简单格式数据，集Google BigTable的数据模型与Amazon Dynamo的完全分布式的架构于一身 ?Apache Avro:是一个数据序列化系统，设计用于支持数据密集型，大批量数据交换的应用。Avro是新的数据序列化格式与传输工具，将逐步取代Hadoop原有的IPC机制 ?Apache Ambari:是一种基于Web的工具，支持Hadoop集群的供应、管理和监控。 ?Apache Chukwa:是一个开源的用于监控大型分布式系统的数据收集系统，它可以将各种各样类型的数据收集成适合Hadoop 处理的文件保存在HDFS 中供Hadoop 进行各种MapReduce 操作。 ?Apache Hama:是一个基于HDFS的BSP（Bulk Synchronous Parallel)并行计算框架, Hama可用于包括图、矩阵和网络算法在内的大规模、大数据计算。

LTE保障和用户投诉处理流程

项目概述 随着LTE商用不断发展，日常各项网络问题不断凸显、基站扩容、网络割接、工程调整等都会带来一些网络问题，用户规模增加、城市区域环境变化等因素给无线网络都带来了一定的影响，用户投诉已经成为深入发掘网络问题的手段之一，解决好用户投诉也是提高移动服务品牌的重要途径之一。 本次投诉处理优化项目的主要目的是通过各种优化手段，利用各种优化工具，解决用户投诉的问题点，提升用户的感知度。 1 投诉处理的主要工作内容 1.1主要工作内容： 1.在规定时限内完成后台过来的IMEP工单、电话投诉等各类途径的投诉进行预处理； 2.对未掌握的弱覆盖投诉进行现场测试，并提出相应的解决建议办法。对于郊县工单需 协助处理。针对VIP投诉及时响应，并进行现场测试，进行测试分析，给出解决方案； 3.投诉解决措施完成后，对相关投诉进行回访，并将回访结果反馈给相关人员； 4.定期（周、月）统计投诉情况，对投诉热点、满意度调查进行分析，并提供分析报告； 5.完成相关的弱覆盖投诉数据库各种字段录入，并在投诉信息更新后同步更新数据库； 6.高层延伸类投诉工程进度跟踪； 7.省公司弱覆盖平台维护； 8.效果监控平台维护； 9.延伸系统表维护； 10.市区投诉的现场处理和跟踪； 11.网维中心各类平台的日常维护； 12.配合网优人员完成客户投诉的相关专题分析、参与QC活动等； 13.协助其他人员完成移动公司临时分配的各项规划、优化工作； 14.按照省公司制定的规范要求，在新站开通后完成评估工作（包括现场测试、性能分 析、目标完成评估）；

15.协助全业务投诉处理工作； 16.GSM、TD-SCDMA、LTE现场投诉处理测试工作； 17.协助进行各类应急和保障测试工作。 1.2日常具体工作 1. 测试人员对投诉区域进行现场测试、现场优化、优化处理、提交优化处理方案、投 诉用户回访。 2. 系统人员对重点投诉区域的点进行跟踪和深入分析，结合话统侧找出引起投诉的主 要问题，并提交优化解决方案； 3. 对后台各位的投诉平台和系统进行管理和维护；。 4. 测试人员按投诉模板要求按时提交日报，周报和月报，并进行阶段性总结和交流。 5. 按客户要求将保持测试和优化队伍和人员的稳定性。 6. 配合客户完成各种临时分配测试任务。 2 投诉处理思路及方法 2. 1 投诉处理思路 一直以来，网络投诉是反映客户感知和网络健康情况的重要途径，对投诉的分析总结，可以为网络优化方向提供重要参考。如何快速地发现网络热点投诉区域，有重点地解决网络问题，需要网络优化人员有明确的目标，尽快提出解决方案，解决投诉热点区域的网络问题。通过将投诉信息地理化显示在地图上，优化人员可以很直观的看出投诉集中区域，发现网络突出问题，指导优化思路。 投诉处理的总体原则是在维持网络稳定的基础上通过优化途径和工程建站相结合的方式解决用户反映的网络问题，同时兼顾未来区域话务发展的趋势，做好相关的预测工作。同时将投诉进行分类细化，通过由面到点的精细化优化进行逐步的解决。 投诉处理的流程如下：

数据挖掘过程中的预处理阶段

数据挖掘过程中的预处理阶段 整个数据挖掘过程中，数据预处理要花费60％左右的时间，而后的挖掘工作仅占总工作量的10％左右[1]。经过预处理的数据，不但可以节约大量的空间和时间，而且得到的挖掘结果能更好地起到决策和预测作用。 一般的，数据预处理分为4个步骤，本文把对初始数据源的选择作为数据预处理过程中的一个步骤，即共分为5个步骤。因为，如果在数据获得初期就有一定的指导，则可以减少数据获取的盲目性以及不必要噪声的引入且对后期的工作也可节约大量的时间和空间。整个预处理过程见下图： 1 初始源数据的获取 研究发现，通过对挖掘的错误结果去寻找原因,多半是由数据源的质量引起的。因此，原始数据的获取，从源头尽量减少错误和误差，尤其是减少人为误差，尤为重要。首先应了解任务所涉及到的原始数据的属性和数据结构及所代表的意义，确定所需要的数据项和数据提取原则，使用合适的手段和严格的操作规范来完成相关数据的获取，由于这一步骤涉及较多相关专业知识，可以结合专家和用户论证的方式尽量获取有较高含金量（预测能力）的变量因子。获取过程中若涉及到多源数据的抽取，由于运行的软硬件平台不同，对这些异质异构数据库要注意数据源的连接和数据格式的转换。若涉及到数据的保密，则在处理时应多注意此类相关数据的操作且对相关数据作备注说明以备查用。

2 数据清理 数据清理 数据清理是数据准备过程中最花费时间、最乏味，但也是最重要的步骤。该步骤可以有效减少学习过程中可能出现相互矛盾情况的问题。初始获得的数据主要有以下几种情况需要处理： 1）含噪声数据。处理此类数据，目前最广泛的是应用数据平滑技术。1999年，Pyle系统归纳了利用数据平滑技术处理噪声数据的方法，主要有：①分箱技术，检测周围相应属性值进行局部数据平滑。②利用聚类技术，根据要求选择包括模糊聚类分析或灰色聚类分析技术检测孤立点数据，并进行修正，还可结合使用灰色数学或粗糙集等数学方法进行相应检测。③利用回归函数或时间序列分析的方法进行修正。④计算机和人工相结合的方式等。 对此类数据，尤其对于孤立点或异常数据，是不可以随便以删除方式进行处理的。很可能孤立点的数据正是实验要找出的异常数据。因此，对于孤立点应先进入数据库，而不进行任何处理。当然，如果结合专业知识分析，确信无用则可进行删除处理。 2）错误数据。对有些带有错误的数据元组，结合数据所反映的实际问题进行分析进行更改或删除或忽略。同时也可以结合模糊数学的隶属函数寻找约束函数，根据前一段历史趋势数据对当前数据进行修正。 3）缺失数据。①若数据属于时间局部性的缺失，则可采用近阶段数据的线性插值法进行补缺；若时间段较长，则应该采用该时间段的历史数据恢复丢失数据。若属于数据的空间缺损则用其周围数据点的信息来代替，且对相关数据作备注说明，以备查用。②使用一个全局常量或属性的平均值填充空缺值。③使用回归的方法或使用基于推导的贝叶斯方法或判定树等来对数据的部分属性进行修复④忽略元组。 4）冗余数据。包括属性冗余和属性数据的冗余。若通过因子分析或经验等方法确信部分属性的相关数据足以对信息进行挖掘和决策，可通过用相关数学方法找出具有最大影响属性因子的属性数据即可，其余属性则可删除。若某属性的部分数据足以反映该问题的信息，则其余的可删除。若经过分析，这部分冗余数据可能还有他用则先保留并作备注说明。