用電側大數據多維聚類挖掘營銷策略與客戶行為趨勢分析模型建構

王顯峰 王衛 史浩鵬 楊永飛

[摘 ? ?要] 隨著電力市場競爭日漸激烈以及移動互聯網時代的到來，客戶對業務開展的需求也呈現出多元化與差異化特征，需要運營商依靠大數據經精細化模型挖掘對用戶行為識別客戶業務需求，實現精細化服務營銷。文章用電側大數據多維聚類挖掘營銷策略與客戶行為趨勢分析模型建構的相關探索，力求能為電力企業開展電子渠道精準服務營銷供給決策分析工具，促其競爭力不斷增強。

[關鍵詞] 用電側大數據;多維聚類挖掘;營銷策略;客戶行為趨勢分析模型

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2020. 07. 034

[中圖分類號] F270.7 ? ?[文獻標識碼] ?A ? ? ?[文章編號] ?1673 - 0194（2020）07- 0076- 03

0 ? ? ?前 ? ?言

客戶行為發展以及變化屬于促營銷發展變化的關鍵因素之一，現今客戶行為正朝如下幾方面發展：①注重價值導向;②信息索取偏向多、捷、便，但無論客戶行為怎樣變化，若知曉其消費動機，則能夠結合其動機進行針對性營銷策略制定[1]。故而供電企業在新形勢下要改變以往的以產品為中心的經營觀念，而要以客戶滿意度為中心開展企業的生產活動，樹立新的營銷理念，加強用電側大數據多維聚類挖掘營銷策略與客戶行為趨勢分析模型建構，提升企業在新的市場環境中的綜合競爭力。

1 ? ? ?基于用電側多維聚類挖掘的營銷客戶分群

1.1 ? 客戶群特征分析

通過用戶側信息的挖掘，提取的客戶變量數據信息，規劃有效客戶分群信息項范圍：包括客戶基本資料、繳欠費信息、用電類型、消費水平、用電習慣、用電負荷類型、繳費渠道、價格耐受度等[2]。結合營銷業務，構建電量電費貢獻度、停電敏感度、欠費風險、客戶渠道以及安全用電等分群特征。同時，需將如下幾點內容落實到位。

1.1.1 ? 構建客戶標簽

基于大數據挖掘理論的客戶標簽體系，將營銷應用系統、95598、費控系統、掌上電力的數據有機的結合，建設包含數據采集機制、標簽分類、風險標簽基礎數據庫建設，通過數據加工、清洗、給客戶打上標簽，并通過標簽的全生命周期管理流程及標簽組合應用，形成多維度客戶畫像。

1.1.2 ? 構建客戶畫像

建立高效、快捷的大數據應用方式，精準地分析用戶行為習慣、消費習慣等重要商業信息，抽象出一個客戶信息全貌，以“標簽”的形式，構建多層次、多視角、立體化的客戶全景畫像，快速獲取客戶基本信息、用電習慣、信用風險、行為特性等精細特征。

1.1.3 ? 構建客戶評分分析模型

通過對95598平臺、用電信息采集系統、營銷業務系統等系統數據的統計分析，建立對客戶評分的評分指標體系，對標簽化的指標進行數據建模。結合機器學習算法，生成客戶價值評測挖掘模型，通過客戶價值評測模型，對客戶進行相應的評分，針對不同的客戶采取不同的營銷策略，滿足客戶用電需求，提升客戶滿意度[3]。

1.2 ? 多維客戶分群數據模型構建

結合電力客戶群具有數量龐大、類別多樣，對用電模式和相關增值服務存在不同需求等特點[3]。參考借鑒通信、銀行等先行行業客戶多層多維分群做法，構建一級價值分群和二級客戶屬性分群，并結合原有大工業、工商業以及居民用戶等用電性質分群模式，形成多維度客戶分類體系。

1.3 ? 特定用戶群體與政策敏感度分析

選定代表性高價值客戶群，挖掘群體敏感度評價指標，通過皮爾遜系數相關性分析方法，構建政策敏感性測算模型，并剔除電量自然增長，分析用戶群體用電量敏感度及承受力。

2 ? ? ?工作步驟

2.1 ? 數據準備

2.1.1 ? 數據來源

本項目數據需求及獲取方式如下：電力內部數據來源于營銷業務應用系統、用電信息采集系統、95598客服等系統，外部數據來源于行業經濟數據、政策決策數據、氣象地理、人文信息數據等。

2.1.2 ? 數據處理

為保障基礎數據質量滿足數據分析及模型構建的需要，運用存儲過程、批處理腳本等多種技術手段對多來源收集的原始數據進行數據處理，包括清洗過濾重復、無效、不完整等不可用數據，修正突變異常數據，缺失數據項補全，對多源系統間數據進行關聯匹配形成數據寬表等數據準備。

2.2 ? 高價值客戶群電價政策敏感性分析模型

2.2.1 ? 選擇需要分析的敏感性因素

本項目選取電價、產品銷售價格、原材料價格等若干對企業銷售凈利率影響程度大的因素進行計算分析，作為敏感性因素，認為其他生產成本、各項期間費用和稅金及附加費用的變化極小，不納入敏感因素指標。

2.2.2 ? 敏感性因素分析

當敏感性因素發生變化時，應用多因素敏感性分析法計算因素發生變化時對指標的影響程度，最終對各個因素對指標的影響程度進行綜合評價和分析。

2.2.3 ? 研究電價承受能力測算方法

在敏感性因素分析成果基礎上，研究電價政策承受能力測算方法。通過產品售價、原材料單價和電價的變動百分比，得到企業可承受的電價波動百分比與凈利率變動量、產品售價變動百分比、原材料價格變動百分比的關系式。基于企業當前凈利率水平，通過設置企業可接受的最低凈利率，并調整企業的售價與成本變動，計算得到企業能夠承受的最大電價浮動百分比，進而計算出企業可承受的最大電價水平，作為供電企業對高價值客戶群的定價政策指導。

3 ? ? ?關鍵技術及方法

（1）關鍵技術：基于用電側多維聚類挖掘高價值客戶群特征。

（2）解決方案。綜合考慮高價值客戶群基本資料、繳欠費信息、用電類型、消費水平、用電習慣、用電負荷類型、繳費渠道、價格耐受度、行業政策、人文信息等用戶側多維信息的挖掘，開展用戶用電特征聚類模型構建及高價值客戶群特征分析，并基于此模型對不同用電客戶的聚類集合進行深入分析、歸納總結數據規律特征。

4 ? ? ?高價值客戶群建模過程

4.1 ? 建模背景

此次主要結合企業貢獻度為客戶展開價值評價，明確高價值客戶，并結合其特征進行重要客戶、大客戶與重點關注客戶，進行“一戶一冊”全生命周期服務檔案、客戶用電安全風險評估及防范機制建構，為其供給專業性、個性化服務。

4.2 ? 數據提取及準備

在建模過程中所用的客戶信息資料主要是在營銷管理系統內于2014年7月至2015年7月這一時間跨度內抽取，XX市非居民客戶16.68萬（其中Z市總共有非居民28.5萬，排除時間窗口內沒有用電的11.64萬戶居民）。數據準備過程應對如下兩點引起重視：

（1）結合原始數據，進行“雙月均增長量”“總欠費次數與金額”“月均增長量”“繳費時長”等情況計算。

（2）把時間窗口內無電量電費信息的客戶進行排除。

4.3 ? 建模方法選擇

價值貢獻度主要是展現客戶以往某段時間的用電情況，故而應使用描述類模型，統計分析法僅可簡單進行單變量分析，所以選擇聚類分析，此后通過判別分析把全量客戶給予分類。K-Means聚類模型算法：

（1）先設定數據集，若大小是n。令I-1，進行k個初始聚類中心選取Zj（I），j=1，2，3，…，k;

（2）將i=1，2，3，…，n，j=1，2，3，…，k代入，能夠得到各數據對象至聚類中心距離值D（xi，Zj（I）），結合該值大小分派各對象至與其對應的聚類。

也就是說，如果符合D（xi，Zj（I））=min{D（Xj，Zj（I）），J=1，2，3…}，那么xi∈Wk

（3）誤差平方與準則函數Jc的計算。

Jc（I）=■■x■■-Zj（I）2

（4）判定評估：若|Jc（I）-Jc（J-1）|<ε代表算法已完成;否則I=I，進行k個新的聚類中心計算，退至第二步。

（5）輸出k個聚類集合。進行聚類分析是為了結合數據內在特性，把數據分作大量獨立分組，確保每組內部成員間具有一定的相似性，不過相較于其他組成員卻有明顯差異。

4.4 ? 數據建模詳細流程

此次建模過程里用到了聚類分析與判別分析，開展聚類分析前為樣本作相應處理確保聚類分群結果和業務目標相符。詳細的建模流程歸納起來見圖1。

4.5 ? 模型評估注意事項

進行聚類模型評估同樣需注意兩點：①群個數與群內客戶數分布應合理;②群之間差異顯著，對差異化業務策略執行更有利。

4.6 ? 模型結果刻畫

建模完成后，對價值貢獻度模型展開業務特征刻畫，將各客戶群體特征差異給予反映。

價值貢獻度模型總共包括5個群體，即高價值貢獻群、中等價值貢獻群、中價值高逾期風險群、普通群、低價值貢獻群，具體見圖2。

其中高價值貢獻群客戶數量不多，用電量占比卻高達68.85%。故而針對這部分具備高價值的客戶，停電所引起的直接經濟損失是非常大的，若因多種原因停電，需將停電信息及時通知到位，提高營銷服務質量。

5 ? ? ?實施驗證

5.1 ? 數據驗證

根據技術探索報告及模型設計說明，收集樣本數據，為應用功能驗證做好準備工作，同時，完成基礎數據的核查、歸集、清洗轉換、關聯匹配等數據處理工作。

5.2 ? 模型驗證

運用樣本數據，開展高價值客戶群特征多維聚類挖掘分析、高價值客戶群電價政策敏感性分析模型、營銷政策執行效果評價模型等算法及模型構建工作。完成算法對比選擇、模型驗證和參數優化工作。

5.3 ? 模型評估

針對高價值客戶群電價政策敏感性分析模型、營銷政策執行效果評價模型開展模型應用評估工作。選取測試集、驗證集，開展模型訓練;選取模型評估指標對模型進行評估。

6 ? ? ?小 ? ?結

用電側大數據多維聚類挖掘營銷策略與客戶行為趨勢分析模型建構能夠針對特定受眾群（如高價值客戶群）推進精準性營銷工作開展，遵從網絡效應特征促整體價值增強，提高企業競爭力與盈利能力。

主要參考文獻

[1]呂旭明，李釗，雷振江，等.基于大數據技術的用電信息分析方法研究與應用[J].電氣應用，2015，34（S2）：546-549.

[2]余英，郭镥，鄧琨，等.用電采集數據分析和智能監測系統中大數據分析的設計研究[J].自動化與儀器儀表，2017（5）：162-163，166.

[3]李永毅，石蓉，郎銳，等.基于大數據分析的陜西省居民用電行為及影響因素研究[J].電網與清潔能源，2019，35（4）：43-48.

[4]隋興嘉.基于配用電大數據的用電行業分類和用電量需求預測建模分析[D].長春：長春工業大學，2018.