基于電力敏感客戶預測模型的營商環境優化提升研究

韋雅 孫卉 田珂 馬波 張利鵬

摘要：

近年來，黨中央、國務院持續推進“放管服”改革，加快政府職能深刻轉變，通過優化營商發展環境來激發市場活力。研究的目的是建立相關的預測模型，研究影響對投訴事件發生概率有顯著影響的重要因素?；谀车貐^SG186營銷系統、95598業務支持系統客戶信息數據，充分挖掘數據內在聯系，運用數據預先清洗機制進行影響因素初步篩選，運用改進的決策樹學習算法來建立模型，并對模型效果進行充分驗證，有效識別電力敏感客戶。同時，針對特定投訴敏感客戶，提出適應電力企業發展的精準營銷策略，優化提升電力營商環境水平。

關鍵詞：

優化提升; 改進決策樹算法; 電力敏感客戶; 營商環境; 預測模型

中圖分類號： TP 274

文獻標志碼： A

Research on Business Environment Improvement Based on

Power Sensitive Customer Prediction Model

WEI Ya1， SUN Hui2， TIAN Ke2， MA Bo3， ZHANG Lipeng4

（1. Customer Service Center， Henan Electric Power Research Institute of State Grid， Zhengzhou， Henan 450006， China;

2. State Grid Company Henan Electric Power Co. Ltd.， Zhengzhou， Henan 450016， China;

3. Beijing National Network Communications Accenture Information Technology Co. Ltd.， Beijing 100032， China）

Abstract：

In recent years， the CPC Central Committee and the State Council have continuously pushed forward the reform of "release and control uniforms"， accelerated the profound transformation of government functions， and stimulated market vitality by optimizing the business development environment. The purpose of this study is to establish relevant prediction models and study the important factors that have significant impacts on the probability of complaint incidents. Based on the customer information data of SG186 marketing system and 95598 business support system in a certain area， the internal relationship of data is fully excavated， influencing factors are preliminarily screened by using data precleaning mechanism， a model is established by using improved decision tree learning algorithm， and the effect of the model is fully verified to effectively identify power sensitive customers. At the same time， aiming at specific complaintsensitive customers， this paper puts forward precise marketing strategies to adapt to the development of electric power enterprises， and optimizes and improves the environmental level of electric power business.

Key words：

optimizing promotion; improving decision tree algorithm; power sensitive customers; business environment; prediction model

0引言

電力改革深入推進，要求電力公司持續提升營商環境水平[13]。新時代，電力客戶需求向多樣化發展，向電力服務提出更高標準和要求[4]。這就導致電力行業供需雙方之間的矛盾，加上電力行業的客戶具有分散的特點，涉及的面廣，層次較多，需求呈現差異化，更加劇了兩者之間的供需矛盾[5]。首先，電力產品所具有的特殊的社會服務職能決定了它是人們生活的必需品;其次，客戶的維權意識加強，通過多種渠道投訴來表達他們對供電公司的不滿情緒和態度，如電話、電子郵件、傳真、信函、上訪等，直接影響電力公司社會形象。最后，電改促進售電市場全面開放，電力市場競爭更加激烈，頻繁的投訴會降低客戶對供電公司的滿意度，造成客戶流失現象[68]。

隨著售電側市場改革進程的推進和國家關于提升營商環境的具體要求，降低客戶投訴率，提升供電公司服務水平至關重要。國內外研究學者針對客戶數據進行相關性分析，實現投訴敏感客戶需求分析，以此提升企業服務水平。郝然等人基于收集的配用電數據，對數據進行聚合和處理，提出以大數據平臺為基礎的整體架構應用，并實現了流處理、批處理等數據驅動，對用電模式實現精準識別，提升精準用電管理水平，實現個性化營銷服務[9]。潘亮等對收集的投訴數據進行深度挖掘，關聯客戶感知預警與網絡信息，促進供電公司及時發現異常情況，為網絡維護和優化提供指導，確?？蛻敉对V問題的及時解決，提升網絡質量和客戶滿意度[10]。而電力客戶用電數據采集頻度的提升，使得對電力客戶的用電行為進行更深層次的分析變得更加便捷[11]。李樹國等基于國網蒙東公司的業務數據，對數據進行了深度挖掘，并應用二元Logistic回歸，完成客戶投訴預測模型的構建，精準識別了投訴客戶，事前解決投訴事件[12]。趙少東等針對供電服務特點，從客戶賬務和停電敏感出發，構建基于熵值法的電力客戶敏感度評價模型，為供電企業服務部門能有效制定精準化客戶服務策略提供依據，有效提升服務能力和客戶體驗，實現降本增效[13]。

隨著電力市場日益完善，客戶對電力服務需求也愈加強烈，電網公司應時刻關注客戶需求變化，采取及時、有效的對策提升客戶服務水平。本文研究的目的是建立預測模型，研究影響對投訴事件發生概率有顯著影響的重要因素。由于數據量較大且所分類別較多，本文將定性與定量分析相結合，運用邏輯回歸進行影響因素的初步篩選，運用改進的決策樹學習算法根據不同客戶需求和行為構建電力客戶投訴預測模型，提出對應的服務策略，提升供電公司市場競爭力。

1電力投訴敏感客戶模型構建與應用

1.1目標客戶

結合對業務的理解及對現有數據的初步分析，明確投訴客戶敏感度的定義。不同客戶的需求和行為不同，對應其投訴敏感度的影響因素也存在差異。因此，供電公司面臨不同客戶的敏感度表現也應匹配相應的業務應對策略。本文選取三種投訴敏感類型的用電客戶，建立相應的投訴敏感度預測分析模型。

1.2模型思路

如圖1所示。

敏感分析通過數據挖掘指標，應用邏輯回歸、決策樹等方法進行分類預測，完成客戶需求模型的構建，并對模型進行評估。

1.3數據準備

文章中主要考察的數據為某區域2015年2017年95598客戶服務系統、電力營銷系統等數據，開展模型訓練，具體數據明細，如表1所示。

在以上建立模型所考察的數據當中，我們從3個類別中選取了20個類別的客戶信息，如行業特征、電壓等級、用電量、平均電價等，并對數據進行預處理。由于這些數據中包含了數值數據和非數值數據，因此在這里選用邏輯回歸模型，將這些特征數據加權一起參與到決策過程中是最為有效的方法。

1.4決策樹算法建模

1.4.1變量類型轉換

在這之前，我們先進行簡單的變量類型轉換。通過將20項指標分為兩類變量：分類型變量和數值型變量。其中分類型變量包括投訴敏感類型、行業特征、是否電費敏感、是否停電敏感、電壓等級、用電類別、繳費方式、電費結算方式;數值型變量包括用戶編號、容量、戶齡、用電量、電費、平均電價、近3個月電費環比、近3個月電費同比、歷史撥打次數、催費次數、停電次數、停電時長。

分類型變量采取按類別方式轉換，不同類別以0、1、2等不同數字作為標簽。其中電壓等級雖然表現形式是數值，但其主要用于分類，本身沒有大小比較關系，只代表一種類型。

數值型變量主要采用等距直方圖的方法進行分組，即在變量區間中插入K個數值，以將其等分成K+1個小區間;再以插入的各個數值作為分段點，進一步將區間劃分成各更小的子區間，形成可用于決策樹訓練的數據集[14]。此方法可以進行大多數數值型變量的轉換，但是對于歷史撥打次數、催費次數、停電次數、停電時長這些用直方圖方法分類結果分組數量過多的變量，需要用WOE值進行進一步合并，以減少分組數量，IV值（沒有定義）的計算公式如式（1）。

式中：

pi=p（Y=yk|Xi=xij）表示屬性變量Xi=xij時樣本類別為Y=yk的概率值，qi=p（Y≠yk|Xi=xij）表示屬性變量Xi=xij時樣本類別為Y≠yk的概率值。可以看出，WOE越大，Y=yk的實例越多，權重越大，其可作為判斷屬性的某種取值對分類結果導向性的一種度量。

以“歷史撥打次數”為例，其取值范圍為[0，30]，如果采用等距直方圖的方法，以1為步長構建該變量的等差數列，共有30個分組。為降低模型復雜度，需減少其分組個數，將縮減為5組，共有C530種方法，可按照上面公式計算WOE值，選擇其最大的合并方式，其結果如表2所示。

然后使用R軟件的類型轉換函數，并借助as.factor函數，實現變量類型轉換。

1.4.2決策樹算法建模

決策樹算法是一種逼近離散函數值的方法，通過對數據進行處理，利用歸納算法生成可讀的規則和決策樹，然后使用決策對新數據進行分析[15]。其中，比較著名的算法有ID3算法和C4.5算法。

在構建用于識別敏感客戶的模型時，涉及到了多種、不同形式的數據，C4.5算法是一種基于ID3算法進行的改進算法，其對于變量的缺失值進行了一定程度的處理，并且采用快速收斂的剪枝技術，極大的提高了決策樹的處理能力，并且具有了對連續型屬性相關問題的處理能力。由此建立的決策樹模型非常直觀，易于人理解和應用;并且決策樹搭建和應用的速度比較快。同時放寬了對于數據分布的要求，受缺失值和極端值對模型的影響很小。（為什么用）C4.5決策樹算法是用于基于數據集選擇最佳分區屬性的方法。所謂最佳分區屬性，對于簡單分類而言，就是盡可能地將類別相同的樣本聚合，使其分在一類，即“純度”最高的屬性。

首先，通過以下公式求得樣本集的信息熵如式（2）。

其中，pk是當前樣本D中第k個樣本的比例，K是類別的總數（對于二進制分類而言，K=2）。Ent（D）的值越小，D所代表的純度越高，但它偏好具有大量值的特征的數量（也就是說，屬性可取的值越多，其計算結果越傾向選擇該值），由于特征可取的值越多，會致使樣本“純度”越大，即Ent（D）會很小。

由此引入信息增益的概念，假定離散屬性x有N個可能的取值{x1，x2，…，xN}，如果使用特征x來對數據集D進行劃分，就會出現N個分支節點，其中第n個節點包含了數據集D中所有在特征x上取值為xn的樣本總數，記為Dn。所以，可依據前面信息熵的公式計算出信息熵，再根據各個分支節點分別具有不同的樣本數目，給分支節點賦予權重[SX（]|Dn||D|[SX）]，故能計算出依據屬性x對樣本集D具行區分所得的信息增益如式（3）。

一般而言，信息增益越大，表明該特征對數據集劃分獲得的“純度提升”越大。但是其對可取數值多的屬性有偏好的缺點，致使類似數據序號這類對分類影響很小的屬性的信息增益很大，基于此建立的模型不具備泛用性。因此，引入“信息增益率”這一概念，如式（4）。

其中IV（x）為屬性x的“固有值”，屬性x的可能取值數目越多（即N越大），則IV（x）的值通常會越大。這也就產生了另一個問題，即信息增益率可能對可取數目較少的屬性有所偏好。

為了避免上述問題，C4.5決策樹算法不直接選擇具有最大增益率的候選分區屬性，而是選取信息增益高于平均水平的同時增益率較高的屬性，作為當前決策樹的根結點。根結點每一個可能的取值對應一個子集或一個劃分，對訓練樣本子集遞歸地進行信息增益和信息增益率的計算，選取最佳屬性結點，直到每個劃分（子集）中的觀測數據在分類屬性上都取相同的值，最終生成決策樹。

最后，根據訓練集構造的決策樹提取分類規則，再根據分類規則對海量數據集進行分類處理。

1.5模型訓練

將上述一系列處理后的數據按7∶3（經試驗，該分割比例能取得最好的分類準確率）進行隨機分割，形成訓練集和測試集，其目的是拿70%的數據用來訓練模型，用剩余的30%的數據用來檢驗模型的分類效果。

將以上處理好的數據，在分割好的訓練集上，通過R軟件分析平臺，使用C4.5決策樹模型進行訓練，計算出各個指標對因變量的信息增益率，選取信息增益率較大的因素作為關鍵變量，得到投訴敏感度模型。各變量的信息增益率如表3、表4所示。

根據上表結果，重要性大于5的變量為對客戶投訴敏感度影響較大的重要變量，包括用電量、電費、近3個月電費同比、近3個月電費環比、歷史撥打次數、催費次數、停電時長和是否電費敏感這8個因素，各因素的投訴敏感特征重要性，如圖2所示。

1.6預測結果輸出

根據以上數據處理及模型訓練，得出客戶敏感度分類結果，如圖3、圖4所示。

其中投訴敏感類型為模型預測類別，客戶敏感度分為高度敏感（0）、中度敏感（2）和低度敏感（1）3個等級。

1.7模型效果評估

將測試數據代入C4.5決策樹模型進行模型評估，評估結果如下圖5所示。

其中，各類命中率表示預測類別中預測正確的概率，各類覆蓋率表示實際類別中模型預測正確的概率。最終模型的綜合正確率為85.32%，達到正確率高于75%的要求的同時，確保了不會將高敏感度用戶誤判為低敏感度用戶，有效保證了公司的服務質量。

2投訴敏感客戶精準營銷策略研究

為促進營商環境持續改善，針對電力投訴敏感客戶，制定6項重點改進措施，提升客戶投訴管理工作，如圖6所示。

2.1識別投訴傾向客戶

為提升服務滿意度，降低投訴率，通過對客戶服務歷史和行為軌跡進行回溯，當發生投訴業務時，客服人員能根據客戶投訴原因，結合客戶身份特征和個人偏好等快速做出響應，提前做好應對策略，降低客戶未來繼續投訴的風險。例如，對“電費過高投訴傾向”的客戶，一方面要盡快找出用戶賬單明細，另一方面可以從相關政策、抄表周期、電量對比、天氣及節假日等方面進行引證據典，對客戶加以引導和解釋，消除客戶疑慮;例如，對“停復電信息投訴傾向”的客戶，提前查詢停電開始時間、停電結束時間、停電原因、停電范圍等信息，對客戶進行解釋，消除客戶疑慮。

2.2構建投訴綠名單用戶以95598投訴話單數據庫為基礎，提出“投訴客戶綠名單策略”，將所有已投訴客戶維護進“投訴客戶綠名單”中。

2.3采取投訴轉化為咨詢/報修服務策略

客戶來電時，通過客戶投訴傾向，結合客戶基本屬性，合理采取相關策略，對客戶加以引導，消除客戶投訴疑慮，提升服務品質和客戶滿意度。針對“搶修進度投訴”的客戶，首先對故障報修搶修人員的實時處理進度進行了解，同時采取耐心傾聽、表示同情理解并真情道歉、分析原因并盡快解決的方法進行處理，最后達成一致，形成統一戰線，引導客戶打消戒備心理，將投訴轉化為咨詢故障報修處理進度?！坝嬃繂栴}投訴傾向（電費查詢）”的客戶，采取巧妙請教法、耐心傾聽法、跟進實施法與客戶達成共鳴，盡快跟進處理進度，確保問題盡快解決。

2.4合理處理專業投訴用戶

在現狀分析中，可以看出當迎峰度夏/迎峰度冬投訴量最高，會出現話務峰涌，會產生大量故障工單，故障工單處理不及時可能會導致用戶投訴。通過對客戶基本屬性分析，針對投訴敏感客戶，優化資源配置，提前并優先安排搶修人員對故障進行處理，處理完成后及時回訪。

2.5話務峰涌期間優先處理投訴敏感客戶

在現狀分析中，可以看出當迎峰度夏/迎峰度冬投訴量最高，會出現話務峰涌，會產生大量故障工單，故障工單處理不及時可能會導致用戶投訴。通過對客戶基本屬性分析，針對投訴敏感客戶，優化資源配置，提前并優先安排搶修人員對故障進行處理，處理完成后及時回訪。

2.6針對特殊投訴客戶適時給予人文關懷

周期性主動給客戶溝通，了解和關心此階段用電情況;適當安排企業代表對客戶進行家庭慰問，對客戶及其家人對供電工作支持表示感謝;客戶生日時，通過短信對客戶祝福;節假日時，可以適當提供一些優惠措施比如適當增加積分;也可以通過有償組織旅游的方式與客戶做進一步交流，增強彼此的信任度。

3總結

本文充分應用SG186營銷系統、95598業務支持系統客戶信息數據，運用邏輯回歸進行影響因素初步篩選，運用改進的決策樹的學習算法來建立模型，精準識別區域投訴敏感客戶，并針對性的制定6項精準營銷服務策略，優化提升了電力行業營商環境水平，為電力公司精準營銷提供有力支撐。

參考文獻

[1]

郭笑儂.關于電力體制改革對電網企業的影響分析[J].企業改革與管理，2019（1）：196197.

[2]韓亮，解嘉彬，潘華.電力體制改革新形勢下電網企業經營策略研究[J].財經界，2019（3）：9698.

[3]耿俊成， 張小斐， 袁少光. 基于邏輯回歸模型的電力客戶停電敏感度評分卡研究與實現[J]. 電力需求側管理， 2018， 20 （3）：5256.

[4]吳敏輝.基于電網電壓暫降敏感用戶服務的優質電力營商環境構建[J].機電信息，2019（12）：124125.

[5]袁捷.大數據時代的數據治理[J].中國電力企業管理，2016（21）：3234.

[6]郝然，艾芊，肖斐.基于多元大數據平臺的用電行為分析構架研究[J].電力自動化設備，2017，37（8）：2027.

[7]周漢峰.供電企業電力營銷管理的創新發展探析[J].低碳世界，2017（26）：141142.

[8]陳晨，董曉天，管文林，等.新電改形勢下地區供電公司服務模式與售電業務研究[J].電氣技術，2017（10）：512.

[9]陳珍，崔峰，夏徐東，等.電力改革對現電網及其營銷模式的影響研究[J].國網技術學院學報，2016，19（2）：2428.

[10]潘亮，常哲，孫琳.基于大數據挖掘的客戶感知預警與投訴熱點病歷庫系統[J].山東通信技術，2014，34（4）：1719.

[11]王成亮，鄭海雁.基于模糊聚類的電力客戶用電行為模式畫像[J].電測與儀表，2018，55（18）：7781.

[12]李樹國， 李楚君. 基于Logistic回歸的電力行業投訴預警模型[J]. 自然科學（文摘版）， 2016（8）：4345.

[13]趙少東， 王程斯. 基于熵值法的電力客戶敏感度綜合評價模型研究[J]. 電工技術， 2018（11）：4850.

[14]吳敏輝. 基于電網電壓暫降敏感用戶服務的優質電力營商環境構建[J]. 機電信息， 2019（12）：130131.

[15）劉琳， 余順坤， 吳軼群，等. 基于熵值法的電力企業二元績效積分制考核模型研究[J]. 華北電力大學學報（自然科學版）， 2012， 39（2）：7478.

（收稿日期： 2019.08.03）

基金項目：

國家電網有限公司科學技術研究項目（YF18012011P）

作者簡介：

韋雅（1970），女，本科，高級工程師，研究方向：電氣工程及其自動化、泛在電力物聯網技術等。

孫卉（1976），女，碩士，高級工程師，研究方向：電力系統自動化等。

田珂（1978），女，本科，高級工程師，研究方向：電氣技術等。

馬波（1994），男，本科，研究方向：泛在電力物聯網等。

張利鵬（1988），男，碩士，研究方向：泛在電力物聯網等。

文章編號：1007757X（2020）08002305