大數據下的電力客戶動態細分方法研究

胡長青， 黃研利， 吳潔， 朱珂， 張利鵬

(1. 國網陜西省電力公司， 西安 710048； 2. 北京國網信通埃森哲信息技術有限公司， 北京 100032)

0 引言

電力體制改革深入推進，配售電業務縱深推進，電力市場營銷管理工作己經成為電網公司的中心工作，直接影響其經濟和社會效益。價值客戶作為供電企業最重要的載體，滿足不同客戶的差異化需求，是電力企業營銷工作的中心。電網公司根據當前形勢，逐步開展價值客戶分類管理工作[1-3]，然而對理論研究與實踐相對匱乏，因此在客戶行為和價值分類等研究方面，仍然不夠深入，造成一部分差異化營銷策略維度單一、實施困難，客戶管理工作并不理想。

隨著電力市場日益完善，客戶的需求也會隨之改變，電網公司應時刻關注客戶需求變化，采取及時、有效的細分對策。數據挖掘技術的不斷發展，國內外出現了應用數據挖掘分析客戶行為，以此實現價值客戶細分的方法研究[4-6]。劉芝怡[7]等人依托基于K-means改進算法的RFAT模型，對客戶進行了聚類分析，并提出差異化營銷策略，充分反映了客戶的當前價值和增值潛能。王荇[8]等人基于中小批發企業，設計了客戶價值與客戶關系質量的客戶細分模型，模型使數據在不完備的情況下，仍能夠實現客戶的有效細分。郭崇慧[9]等人基于CRISP-DM模型提出了一種YKFM模型，該模型適用于4S店的客戶細分，有助于企業在進行市場調研及制定不同分市場的營銷戰略時能夠以盡量小的營銷費用獲得更大的利潤。韓明華[10]將主成分分析(PCA)、BP神經網絡(BPNN)算法加一結合,構建了一種基于消費者行為分析的零售業客戶細分模型,基于零售業客戶消費行為的實際數據，應用Matlab驗證了模型的實用性。

本文將定性與定量分析相結合，基于完善的指標體系和改進的分類算法，構建動態的價值客戶細分模型，根據不同客戶需求和行為特點進行分群，以此提出差異化營銷策略，提升供電公司市場競爭力。

1 電力價值客戶細分存在問題

(1)細分維度單一。從用于對客戶進行分類的技術來看，有定性和定量客戶分類兩種方法。但是，定性方法受限于管理者的主觀因素，缺乏對客戶的全面了解，對于客戶的劃分很粗糙，定量方法不考慮客戶的靜態屬性，細分結果解釋性往往較差。隨著更豐富和更復雜數據的產生，只有采用數據挖掘手段，才能更好地貼近人類思維，使其便于理解，并使分類更科學和標準化。

(2)行為細分缺失。客戶行為的細分是一切營銷活動的前提，依托龐大客戶行為數據的客戶行為細分早已是西方發達國家炙手可熱的應用范疇。因此，從電力客戶行為出發細分電力客戶，對于更好的認識客戶，增強企業營銷服務和營銷管理能力都具有重要意義。

(3)細分實用性差。目前，電力客戶細分結果可操作性較差，體現在兩個方面。首先，客戶細分脫離市場，無法滿足現代電網公司營銷活動的需求；其次，客戶細分結果模糊不清，無法全面指導電網公司的市場營銷活動。傳統的電力行業細分方法已經不能滿足現在電力行業客戶管理和客戶營銷工作的需要，現在的客戶價值分析法還不成熟，可操作性較差，不能反應電力客戶的經濟行為，實際的操作意義不大。

2 電力客戶細分方法

本文的電力客戶在分類前的結果都是未知的，即并不知道分到了哪一類別，所以我們需要對無標記的訓練樣本進行學習，揭示數據的內在性質及規律，我們將這種學習稱為無監督學習。無監督學習的訓練樣本為{x(1),x(2),…,x(m)}形式，僅包含有特征量。基于熵值方法和主成分分析的方法，確定影響分類結果因素，并使用無監督的改進K-means算法對客戶數據進行分割，最后運用K近鄰算法對細分模型進行檢驗同時可以對指定客戶進行分類。

2.1 熵值法

熵值法是指用來判斷某個指標的離散程度的數學方法，作為一種客觀賦權的方法，在實際中得到了較為廣泛的應用，信息熵的數學表達式為式(1)。

(1)

根據熵值法的原理，假設存在m個待評對象和n項評價指標，將待評對象和評價指標形成原始指標數據矩陣X=(xij)m×n，其中0≤i≤m，0≤j≤n。熵值法計算過程如下。

(1)無量綱化處理。由于不同指標的量綱和數量級的差異，因此在利用熵值法進行賦權前，需對所有指標進行無量綱化處理，本文選擇極值處理法對指標數據進行無量綱化處理。

(2)計算第j項指標下第i個樣本占該指標的比例：

(3)計算第j項指標的信息熵如式(2)。

(2)

(4)計算第j項指標的權重。某項指標的權重與指標的效用有關。消息效用的值取決于該指標的信息熵與1之間的差值(信息熵越大，效用越小)，其直接影響權重的大小，信息效用的值越大，對評價的重要性越大，權重亦越大。第j項指標權重為式(3)。

(3)

(5)最后指標的權重和對象值計算各評價對象的得分式(4)。

(4)

2.2 主成分降維算法

利用降維的思想，在失去少量信息的前提下，將多個指標轉化為若干綜合指標的算法。目標是在研究復雜問題時，只考慮少數幾個主要成分而不會丟失太多信息，從而更容易抓住主要矛盾，揭示事物內部變量之間的規律性，同時使問題得到簡化，具體過程為：

(1)選取各項指標，若度量或取值范圍相同，則構建協方差陣；若不同，則構建相關矩陣；

(2)求出協方差陣或相關陣的特征根和相應標準特征向量；

(3)判斷是否存在共線性，若存在共線性，可以將其暫時剔除，重新返回第(1)步；

(4)得到主成分表達式并選取主成分，確定其權重。

2.3 改進的K-means算法

K-means聚類是一種劃分的而非分層的聚類方法，該算法是將數據對象劃分為k個聚類，通常使用某一劃分標準(稱為相似度函數)，以使同一簇中的對象相似，而在不同簇中的對象是相異的。本文基于K-means算法，對初始聚類中心和迭代種子的選擇做了優化，使分類結果更加精準可靠。具體步驟：

(1)給定一組包含n個數據的數據集，每個數據包含m個屬性，將數值進行標準化處理。并基于距離法移除孤立點。

(2)對于數據集U，令m=1。Am={xp,xq},(xp,xq)=min(distance(xi,xj)),i,j∈U。循環找到在U中與Am中每個點最近的數據對象，優先歸到Am中，直到Am中的數據對象個數到達一定閾值，然后令m=m+1。循環上述過程直到形成k個對象集合。最后對k個對象集合分別進行算術平均計算,形成k初始聚類中心。

(3)應用類中與聚類種子相似度大于某一閾值的數據，組成每個類的一個子集并計算子集中的均值點，該均值點作為下一輪聚類的聚類種子。即在第k-1輪聚類獲得的類，計算該類中所有數據與該類聚類中心的平均距離S,每個類的一個子集選擇類中與聚類種子且相似度大于2S的數據，子集的均值點作為第k輪聚類的聚類種子。不斷重復這一過程直到準則函數開始收斂為止。

2.4 K近鄰算法

訓練數據集為{(x(1),y(1)),(x(2),y(2)),…,(x(m),y(m))}，利用樣本數據對特征向量空間進行劃分，并作為分類的模型，K近鄰算法的工作步驟具體如下:

(1)根據給定的距離度量規則，在訓練集T中找出與x最近鄰的k個點，涵蓋這k個點的x的鄰域記作Nk(x)；

3 價值客戶細分模型構建

3.1 建模思路

模型構建思路如圖1所示。

圖1 建模思路

首先確定客戶價值細分的目標及要求，應用熵權法和主成分分析法，完成價值客戶評分指標體系；其次，應用指標體系，計算客戶價值得分，根據價值得分曲線篩選價值客戶范圍。基于范圍內的價值客戶數據，使用經濟貢獻得分、發展潛力得分、信用貢獻得分，應用K-means聚類算法實現客戶價值細分，完成細分客戶的特征解釋。

3.2 數據來源及數據預處理

收集某省A市區2015年-2017年電力營銷系統數據，開展模型訓練。價值客戶都是大客戶，因此最終以非居民用戶數據作為數據樣本，共收集非居民用戶18.94萬戶。基于收集到的數據，應用R軟件，以用戶編碼為唯一標識，對客戶基本信息、用電信息、繳費信息、電價信息等數據進行關聯計算，剔除或填充異常樣本數據。同時基于對業務的理解，將明顯具有相關性的指標進行相關分析，展示了部分指標如圖3，保留其中一個指標變量，避免建模時受到多重共線性的影響。最終得到有效數據為篩選出34個指標共96 274個樣本。

3.3 指標體系構建

基于數據集中的34個指標，構建客戶價值模型指標體系。由于沒有客戶價值歷史類別標簽，因此客戶價值分析結合實際業務，應用無監督學習方法，進行指標篩選。熵權法是無監督學習中，被行業廣泛應用的指標客觀權重計算的典型方法，因此首先利用熵權法對指標重要性進行初步判定，包括數據指標歸一化、熵值計算和權重計算。對一些明顯與客戶價值分析無關的指標實行剔除，最終選取用戶屬性、經濟貢獻、發展潛力、信用貢獻四個維度指標初步構建客戶價值指標體系如圖2所示。

分析目標側重客戶的經濟價值、增長情況(發展潛力)以及客戶信用，因此使用R軟件，利用主成分分析法將基本屬性的影響權重分攤到其他3個維度指標上去，構成由經濟貢獻、發展潛力、信用貢獻3個維度7個指標組成的價值客戶評分指標體系，如圖3所示。

圖3 用戶價值建模最終指標體系

3.5 價值客戶確定

通過對3個維度指標的加權求和，計算出每個客戶價值的總得分，同時根據得分曲線的變化斜率制定價值客戶標準。如圖4所示。

圖4 價值客戶得分

價值得分曲線在分數為13.666 761 04出現明顯拐點，將高于這個閾值的客戶作為價值客戶。

同時對合同容量、用電量、電壓等級、用電量年平均增長率單一數據再次進行描述性分析，如圖5所示。

可以看出合同容量在100 KWA以后明顯上升，因此合同容量邊界定位100 KWA；用電量曲線與趨勢線交叉點在10萬度點，因此電量邊界定位10萬度，且該數值也與實際相符；在實際數據分析過程中，81 282(只統計用電量為正數)家供電電壓在1 KV以下的用電客戶，用電量在10萬度以上的只有187家，占比0.2%，樣本數極低，因此分析價值客客戶過程中，1 KV以下客戶認定為非價值客戶；用電年增長率圖拐點出現在-0.5,且實際計算年增長率低于-0.5的客戶僅占0.11%，樣本數極低，因此年增長率設定為-50%以上的客戶。

綜上所述，最終確定電壓在10 KV以上、合同容量在100 KVA、年用電量10萬度以上、增長率-50%以上、信用年違規3次以下的客戶為最終的價值客戶，共計12 638戶。

3.6 價值客戶細分

基于以上價值客戶數據和三個維度指標，使用改進后K-means聚類算法對價值客戶進行類型劃分。得出當聚類個數為4時效果較好，在每個分類類別中各價值客戶的經濟貢獻、發展潛力和信用得分分布如圖6所示。

圖6 價值客戶特征

最終結合業務，將四類價值客戶分為不同特征群體，如圖7所示。

圖7 價值客戶分類

將分類結果加以應用，給定新的測試樣本客戶指標數值為：用電量98 984 469度，應收電費81 643 830元，綜合單價為0.824 8元/度，年用電量增長率為45.2%，年應收電費增長率為44.7%，欠費次數為1次，欠費時長為1小時。

4 總結

基于數據挖掘中的分類方法得到了四類電力價值客戶，共制定3項共性類策略和14項差異化營銷策略。共性類策略除提出更加合理的優質服務策略外，創新的提出積分制，有償為價值客戶提供增值服務。差異化策略針對不同的群組特征，提出個性化賬單、客戶俱樂部、發放“貴賓卡”等服務策略，有層次、多角度的支撐公司營銷工作的開展。