基于电力企业目标的中小客户细分研究

张伟峰 郭大琦 阮箴 张家浩 方智淳

摘 要：目前电力企业非常重视大客户和居民客户的分析和研究工作，针对中小客户的产品和策略研究较少。但中小客户群体数量多、社会影响面较广，且经常存在多用电类别合用的情况，容易发生欠费、安全用电、内部廉政等多方面风险。本研究拟通过对中小客户群体进行客户细分和营销策略研究工作，识别不同细分群体客户特点，制定差异化、个性化营销策略。为今后孵化出针对中小客户的服务、产品打下基础，以解决目前中小客户供电服务的模式化、粗放化，进一步提升客户满意度、增加公司经营效益、降低公司经营风险。

关键词：客户细分;聚类分析;差异化服务

中图分类号：F426.61 文献标识码：A 文章编号：1671-2064（2019）02-0150-02

0 引言

随着“互联网+”的深入发展，电力客户差异化、个性化服务需求凸显，为了能够更好地、更有针对性地满足客户多元化的需求，亟待对客户进行有效分类，为深入掌握客户需求提供分析主体，据此制定的服务策略才能够精准地满足不同客户的用电服务需求，实现差异化与个性化服务。为更好的适应当前社会的发展，提升电力企业的服务水平，各个电力企业开始提升自身的服务水平，并结合当前的信息化技术，加强对客户类型的分类，并挖掘其中的有效信息，进而制定针对不同的客户群体制定不同的营销政策。而通过这种方式，还可以为不同的客户提供差异化的电力服务，最终提升电力企业客户服务水平的提升。因此，在这种思想的指导下，很多电力企業开始结合自身的实际情况，对不同的客户进行分类。

1 客户细分研究

1.1 客户细分研究概述

客户细分是由美国学者温德尔史密斯（1958年）提出的，指企业根据一定目的按照一定标准将现有客户划分为不同的客户群。其目的在于使企业在有限资源的基础上为客户提供有针对性的产品、服务和销售模式，满足客户异质性需求，有效参与市场竞争。目前国内外对客户细分的应用基本上围绕人口统计、生活方式、行为等方向展开，细分的维度也更多地由单维转向多维，研究工具除了传统的统计分析方法，开始大量采用数据挖掘技术、计算机人工智能技术，如决策树、随机森林、神经网络等。国内电网企业对客户细分也开展了大量的研究及应用工作，如从客户用电性质、电压等级、用电规模、信用等级等角度对电力客户进行分类。

1.2 电力客户细分研究

当前，电力客户分类主要存在如下几个方面的问题：客户细分维度单一，客户细分应用性较差等问题。

客户细分维度单一。现有的客户细分维度单一，仅依据合同容量、用电量等单一维度来划定，存在一定的局限性，更没有采用定性与定量相结合的方式进行客户细分。

客户细分应用性较差。电力公司目前现有客户现场服务中仅电压和行政区域细分常用，不能适应竞争性市场营销活动的需要，未能指导员工进行有效的市场营销活动，可操作性较差，且内容更新频率慢，已不能满足市场和电网企业员工需求。

对于本文中小客户的细分研究，以企业自身目标为出发点，对目标进行分解。以当前中小商户的用电行为导致的三大风险，即廉政风险、欠费风险、安全风险为出发点，以降低风险为目标，展开多维度，多指标的客户细分工作。

以上图1为例，借鉴三维法，以三维体系为基准，构建客户细分模型。从企业目标入手，建立基于企业目标的客户细分体系，克服传统市场细分方法的缺点，构建能够有效帮助企业实现提升目标的市场细分模型。

2 客户细分模型构建

2.1 K-means算法原理

本文结合相关的主要的分类方法，提出基于K-means的客户细分模型。K-means作为一个经典的聚类算法，该算法的原理是结合欧式距离定理对不同空间中的数据相似度进行分析。其具体的过程：首先将需要聚类的数据进行划分，根据K值分为K个不同的类簇，然后在以某簇作为中心，就该簇与其他簇之间的距离进行计算。将相似度较大的划分为一类，然后在对上述的数据进行划分，以此类推。具体的数学描述为：

假设在Q维空间中，存在有限集X={x1，x2，…，xn}，采用随机的方式将有限集分为k类，表示为C1，C2，…，Ck，若类中存在n个对象，那么第i类聚类中心可定义为Z1，Z2，…，Zk。定义其欧式距离公式：J=。

式（1）表示第j个文本到第i个聚类中心的距离。

2.2 客户细分模型构建

结合K-means算法的原理，本文将本系统的客户细分模型的步骤设计为如下：

（1）选择客户细分的变量。根据需要分类的目标和相关的实际数据，对细分的指标进行选取;（2）对数据进行预处理。对需要细分的电力客户数据进行进行清洗、归一化、转换和缺失等处理;（3）采用K-means算法对客户进行分类，并给出分类的结果;（4）将结果通过图形、表格等方式显示出来。

3 基于K-means电力客户细分

3.1 数据样本预处理技术

对抽取的数据进行初步整理，检查数据是否存在变量的缺失值、未知值、无效值等异常情况，对于异常值情况采用直接删除的方式或者按照数据分布的分位数比例进行替代。如：在欠费风险中，将月度平均用电量、月度平均电费为空值（立户日期为2018年9月1日以后的）;月度平均用电量、月度平均电费为异常值（比如为零点几）;年电量增长率为异常值（主要为立户日期2017年10月以后的）;运行容量值为0;累计欠费次数为0，实收违约金不为0，等相关样本数据进行剔除。

将剔除完的样本数据数据进行标准化处理。标准化采用Z-score方式：Z=。

其中，x是原始数据，是全部数据的均值，σ为标准方差。将标准化后的样本数据引入SPSS软件，进行样本数据的K-means聚类分析。

3.2 中小客户细分结果