​

当前网格（小区）化经营下，家宽装维人员已不再单纯做装机、修机两项工作，而是营、装、维、建、服等全类型经营任务一体化支撑，网格 CEO 不仅要对网格营收、客户服务质量负责，还要考虑如何提升网格运维效率、降低成本，保障网格经营“盈利”。

而影响网格运维效率因素较多，如：人员技能水平、IT 系统稳定性、家宽资源准确性、任务分配合理性、装维人员单次出门效能等等。其中，装维人员单次出门效能已成为最重要影响因素之一，目前存在困难：

路途耗时长，工作效能低：特别针对一些偏远地区或装维任务所在小区距离跨度较远，出行时间成本高，一次出行可能就只能完成 1、2 张工单，一天工作效率不高。

按单施工，机动性不足：装维人员一般会提前计划一天工作安排，当出现某张工单因故无法施工，往往只能提前收工或者人工查找是否有可替代任务，再按经验分析在剩余时间内是否能够完成，由于缺乏精准数据支撑，这种靠人工分析的方式通常出现不合理的任务安排。

小区装维任务主动推荐思路

​

针对影响装维效率的上门高耗时、单次出行价值不高的问题，探索基于小区特征分析，对小区内所有待施工任务及装维人员个人效能的双重刻画，动态计算装维人员结余工时，主动推荐合理任务，提升装维人员一次出行价值。

以小区为维度，汇聚小区内所有待施工任务，以个人职责归属任务划分为主任务，其它任务为次任务划分主次；基于小区装维特征分析次任务优先级，结合装维人员自身装维效能画像结果，建立任务动态主动推荐模型，在装维人员出现改单、提前完成施工等业务场景下，主动推荐最佳次级任务，从而合理利用结余空闲工时，提升一次出门效能。

小区装维任务主动推荐逻辑

​

01 小区装维任务汇聚分类

为实现小区任务合理的调配与最优化处理，首先需要将小区内各种任务进行汇聚、融合，具体可划分为四个步骤，如下图示：

​

Step1、定义主线任务

按装维人员职责划分主线任务，如：装维人员主要负责装机、投诉（修机）处理，将当天已明确上门时间的装机、投诉处理任务作为主线任务。同时按预约上门时间顺序生成主线任务施工计划表。

Step2、同小区主线任务归并

从任务信息中提取主线任务归属的小区信息，并进行去重处理，同一小区内任务归并。

Step3、潜在次级任务挖掘分析

提前分析主线任务归属小区内潜在的次级任务，为后续出现时间结余时快速挑选合适的任务提供任务来源。潜在次级任务典型类型包括：

• 性能类：主动向性能管理平台发出查询请求，获取小区范围是否存在性能质差整治类工单。

• 隐患类：主动查询隐患问题库，获取小区范围是否存在待处理的隐患问题。

• 修复类：主动查询满意度修复模块，获取小区范围是否存在待满意度修复任务。

• 扩容类：主动查询资源扩容项目，获取小区范围是否存在待资源扩容任务。

Step4、任务融合汇聚

以主线归属小区为中心融合主线、潜在次级任务，形成小区任务汇聚数据集。

02 任务特征与优先级评估

由于各项任务的实施难度、耗费时间、紧急程度存在差异，装维人员能够处理的额外任务有限，为避免影响后续任务的正常处理，任务处理时长是首要考虑因素，其次对任务的其它特征进行分析，建立任务特征分析模型，最后评估任务优先级。

​

Step1：计算工作结余空闲时长

计算不同业务场景下装维人员工作空闲结余时长，日常工作可能出现时间结余的具体场景包括：已预约上门的任务临时取消（如：客户要求改约、不具备施工条件等）、任务提前完成等。

计算公式如下：空闲结余时长 = 下一任务开始时间 – 当前时间 – 上门耗费时长

其中，上门耗费时长可借助百度地图提供的路径规划 API 计算，当下一任务与当前位置同属一个小区则默认以步行方式计算预估耗费时长，如不在一个小区则按骑行方式预估耗费时长。

Step2：计算任务平均处理时长

任务平均处理时长可按任务归属业务、施工类型细分（如：宽带-新装、互联网电视-新装、扩容-箱体等）。

• 计算逻辑：先计算单任务处理时长，再计算平均处理时长。

• 计算公式：单任务处理时长 = 任务结束时间 – 任务开始时间。

当前由于运营商对装维任务单管控要求不同，单任务处理时长需要划分以下两种场景：

标准执行流程：在任务单按标准流程执行时（标准流程指上门前打卡验证，完成后现场打卡回单），任务开始时间取上门打卡时间，任务结束时间取任务结束回单时间。

非标准执行流程：在任务单不按标准流程执行时（指：无强制要求需要上门打卡，现场回单）无法简单通过结束、开始时间计算处理时长。

计算出工单任务处理时长后，需要对数据进行清洗，剔除部分异常数据(指工单任务处理时长过短或过长)，可采用格拉布斯准则分析异常数据。

分析过程：

（1）  选取样本数据：某小区 A 在一个月内有 n 个宽带类装机任务，n=10,每个任务计算得出任务施工时长如下：58、45、68、60、74、100、65、55、77、62。

（2）  按序排列数据：将样本数据按从小到大的顺序进行排列，得到 45、55、58、60、62、65、68、74、77、100。异常值应定位在前、末端数据。

（3）  平均值 x 与标准方差 s 计算：s：x-＝66.4；标准差 s＝14.99。

（4）  偏离值计算：计算平均值与最小值、最大值的差。平均值与最小值之差为 66.4－45＝21.5；最大值与平均值之差为 100－66.4＝33.6。

（5）  圈定首个可疑数据：最大值与平均值之差 33.6 大于平均值与最小值之差 21.5，因此可认定最大值 100 是可疑值。

（6）  计算残差与标准差 Gi 值：Gi＝(xi－x- )/s；其中 i 是可疑值的排列序，本样本数据为 10 号，xi－x-为残差值，即：可疑数据与平均值之差，值为 33.6；因此 G10 = (33.6)/14.99＝2.241。将计算值 Gi 与格拉布斯表给出的临界值 GP(n)比较，如果计算的 Gi 值大于表中的临界值 GP(n)，则能判断该测量数据是异常值，可以剔除。临界值 GP(n)与两个参数有关：检出水平α (与置信概率 P 有关)和测量次数 n (与自由度 f 有关)。

（7）  定检出水平α：由于平均处理时长本身存在诸多因素影响，要求不严格，故可以将α设置得大一些，假定为α＝0.10，即 P＝0.90；通常定α＝0.05，P＝0.95。

（8）  匹配格拉布斯表获得临界值：根据选定的 P 值(此处为 0.95)和测量次数 n(此处为 10)，查格拉布斯表，横竖相交的临界值 G95(10)＝2.176。

（9）  比较计算值 Gi 和临界值 G95(10)：Gi＝2.241，G95(10)＝2.176，Gi＞G95(10)。

（10） 异常值判定：因为 Gi＞G95(10)，可以判断测量值 14.0 为异常值，将它从 10 个测量数据中剔除。

（11） 重复计算：将剩余的 9 个数据再按以上步骤计算，如果计算的 Gi＞G95(9)，仍为异常值则剔除，继续对剩余的 8 个数据计算；如果 Gi＜G95(9)，不是异常值，则不剔除，计算结束

Step3: 过滤超出平均时长任务

在完成单任务处理时长数据清洗、过滤后得到该类任务平均处理时长，将任务平均处理时长与 Step1 中计算得出的剩余空闲时长对比，过滤超时结余时长的任务，得到新的小区任务数据集。

Step4：任务按优先级评估分析

分析次级任务紧急程度、影响业务范围、任务处理难易程度、任务收益等多个综合因素，通过不同权重，建立多种小区任务处理优先级分析模型，按评估得分输出任务优先级。

为满足任务倾向的不同要求，建立任务重要程度优先/任务处理时长优先/任务收益优先，评估模型：

03 个人综合效能画像评估

考虑到大小区存在多个装维人员同时施工的情况，在确认任务处理优先级后，还需要考虑装维人员个人因素，如：综合技能、服务质量、服务效率、当前位置等数据进行综合分析，为任务推荐模型的构建提供决策依据，包括：综合技能、服务质量、服务效率、当前位置等，最后确定可推荐的任务。

04 任务动态推荐与派单

将任务处理优先级与该类任务个人效能画像评估结果作为任务动态推荐模型评估的两个因素，设定相应的占比权重，计算每个任务最终推荐优先级，最后按推荐优先级从高到低向装维人员主动派单。

展望

​

本文主要针对装维人员上门路途高耗时导致出行价值不大的问题给出解决方案，从提升装维效能目标出发，合理利用空闲结余时间，实现装维人员在一次上门进入小区后能尽可能的发挥个人能力，提升一次出行的价值。

文中涉及推荐的任务限定为个人任务。未来，可以扩展到小区内所有人、所有任务（涵盖他人的任务），某种意义上实现了任务的主动抢单、动态调配，这样能够激励装维人员积极性，提升人员综合能力，促使其从单一的职能角色向小区综合看护者的角色转型，对个人而言实现多劳多得、能者多得，对运营商而言能够降低人力成本，在有限时间内创造更大的价值。