用电侧大数据多维聚类挖掘营销策略与客户行为趋势分析模型建构

王显峰 王卫 史浩鹏 杨永飞

[摘    要] 随着电力市场竞争日渐激烈以及移动互联网时代的到来，客户对业务开展的需求也呈现出多元化与差异化特征，需要运营商依靠大数据经精细化模型挖掘对用户行为识别客户业务需求，实现精细化服务营销。文章用电侧大数据多维聚类挖掘营销策略与客户行为趋势分析模型建构的相关探索，力求能为电力企业开展电子渠道精准服务营销供给决策分析工具，促其竞争力不断增强。

[关键词] 用电侧大数据;多维聚类挖掘;营销策略;客户行为趋势分析模型

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

[中图分类号] F270.7    [文献标识码]  A      [文章编号]  1673 - 0194（2020）07- 0076- 03

0      前    言

客户行为发展以及变化属于促营销发展变化的关键因素之一，现今客户行为正朝如下几方面发展：①注重价值导向;②信息索取偏向多、捷、便，但无论客户行为怎样变化，若知晓其消费动机，则能够结合其动机进行针对性营销策略制定[1]。故而供电企业在新形势下要改变以往的以产品为中心的经营观念，而要以客户满意度为中心开展企业的生产活动，树立新的营销理念，加强用电侧大数据多维聚类挖掘营销策略与客户行为趋势分析模型建构，提升企业在新的市场环境中的综合竞争力。

1      基于用电侧多维聚类挖掘的营销客户分群

1.1   客户群特征分析

通过用户侧信息的挖掘，提取的客户变量数据信息，规划有效客户分群信息项范围：包括客户基本资料、缴欠费信息、用电类型、消费水平、用电习惯、用电负荷类型、缴费渠道、价格耐受度等[2]。结合营销业务，构建电量电费贡献度、停电敏感度、欠费风险、客户渠道以及安全用电等分群特征。同时，需将如下几点内容落实到位。

1.1.1   构建客户标签

基于大数据挖掘理论的客户标签体系，将营销应用系统、95598、费控系统、掌上电力的数据有机的结合，建设包含数据采集机制、标签分类、风险标签基础数据库建设，通过数据加工、清洗、给客户打上标签，并通过标签的全生命周期管理流程及标签组合应用，形成多维度客户画像。

1.1.2   构建客户画像

建立高效、快捷的大数据应用方式，精准地分析用户行为习惯、消费习惯等重要商业信息，抽象出一个客户信息全貌，以“标签”的形式，构建多层次、多视角、立体化的客户全景画像，快速获取客户基本信息、用电习惯、信用风险、行为特性等精细特征。

1.1.3   构建客户评分分析模型

通过对95598平台、用电信息采集系统、营销业务系统等系统数据的统计分析，建立对客户评分的评分指标体系，对标签化的指标进行数据建模。结合机器学习算法，生成客户价值评测挖掘模型，通过客户价值评测模型，对客户进行相应的评分，针对不同的客户采取不同的营销策略，满足客户用电需求，提升客户满意度[3]。

1.2   多维客户分群数据模型构建

结合电力客户群具有数量庞大、类别多样，对用电模式和相关增值服务存在不同需求等特点[3]。参考借鉴通信、银行等先行行业客户多层多维分群做法，构建一级价值分群和二级客户属性分群，并结合原有大工业、工商业以及居民用户等用电性质分群模式，形成多维度客户分类体系。

1.3   特定用户群体与政策敏感度分析

选定代表性高价值客户群，挖掘群体敏感度评价指标，通过皮尔逊系数相关性分析方法，构建政策敏感性测算模型，并剔除电量自然增长，分析用户群体用电量敏感度及承受力。

2      工作步骤

2.1   数据准备

2.1.1   数据来源

本项目数据需求及获取方式如下：电力内部数据来源于营销业务应用系统、用电信息采集系统、95598客服等系统，外部数据来源于行業经济数据、政策决策数据、气象地理、人文信息数据等。

2.1.2   数据处理

为保障基础数据质量满足数据分析及模型构建的需要，运用存储过程、批处理脚本等多种技术手段对多来源收集的原始数据进行数据处理，包括清洗过滤重复、无效、不完整等不可用数据，修正突变异常数据，缺失数据项补全，对多源系统间数据进行关联匹配形成数据宽表等数据准备。

2.2   高价值客户群电价政策敏感性分析模型

2.2.1   选择需要分析的敏感性因素

本项目选取电价、产品销售价格、原材料价格等若干对企业销售净利率影响程度大的因素进行计算分析，作为敏感性因素，认为其他生产成本、各项期间费用和税金及附加费用的变化极小，不纳入敏感因素指标。

2.2.2   敏感性因素分析

当敏感性因素发生变化时，应用多因素敏感性分析法计算因素发生变化时对指标的影响程度，最终对各个因素对指标的影响程度进行综合评价和分析。

2.2.3   研究电价承受能力测算方法

在敏感性因素分析成果基础上，研究电价政策承受能力测算方法。通过产品售价、原材料单价和电价的变动百分比，得到企业可承受的电价波动百分比与净利率变动量、产品售价变动百分比、原材料价格变动百分比的关系式。基于企业当前净利率水平，通过设置企业可接受的最低净利率，并调整企业的售价与成本变动，计算得到企业能够承受的最大电价浮动百分比，进而计算出企业可承受的最大电价水平，作为供电企业对高价值客户群的定价政策指导。

3      关键技术及方法

（1）关键技术：基于用电侧多维聚类挖掘高价值客户群特征。

（2）解决方案。综合考虑高价值客户群基本资料、缴欠费信息、用电类型、消费水平、用电习惯、用电负荷类型、缴费渠道、价格耐受度、行业政策、人文信息等用户侧多维信息的挖掘，开展用户用电特征聚类模型构建及高价值客户群特征分析，并基于此模型对不同用电客户的聚类集合进行深入分析、归纳总结数据规律特征。

4      高价值客户群建模过程

4.1   建模背景

此次主要结合企业贡献度为客户展开价值评价，明确高价值客户，并结合其特征进行重要客户、大客户与重点关注客户，进行“一户一册”全生命周期服务档案、客户用电安全风险评估及防范机制建构，为其供给专业性、个性化服务。

4.2   数据提取及准备

在建模过程中所用的客户信息资料主要是在营销管理系统内于2014年7月至2015年7月这一时间跨度内抽取，XX市非居民客户16.68万（其中Z市总共有非居民28.5万，排除时间窗口内没有用电的11.64万户居民）。数据准备过程应对如下两点引起重视：

（1）结合原始数据，进行“双月均增长量”“总欠费次数与金额”“月均增长量”“缴费时长”等情况计算。

（2）把时间窗口内无电量电费信息的客户进行排除。

4.3   建模方法选择

价值贡献度主要是展现客户以往某段时间的用电情况，故而应使用描述类模型，统计分析法仅可简单进行单变量分析，所以选择聚类分析，此后通过判别分析把全量客户给予分类。K-Means聚类模型算法：

（1）先设定数据集，若大小是n。令I-1，进行k个初始聚类中心选取Zj（I），j=1，2，3，…，k;

（2）将i=1，2，3，…，n，j=1，2，3，…，k代入，能够得到各数据对象至聚类中心距离值D（xi，Zj（I）），结合该值大小分派各对象至与其对应的聚类。

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

（3）误差平方与准则函数Jc的计算。

Jc（I）=■■x■■-Zj（I）2

（4）判定评估：若|Jc（I）-Jc（J-1）|<ε代表算法已完成;否则I=I，进行k个新的聚类中心计算，退至第二步。

（5）输出k个聚类集合。进行聚类分析是为了结合数据内在特性，把数据分作大量独立分组，确保每组内部成员间具有一定的相似性，不过相较于其他组成员却有明显差异。

4.4   数据建模详细流程

此次建模过程里用到了聚类分析与判别分析，开展聚类分析前为样本作相应处理确保聚类分群结果和业务目标相符。详细的建模流程归纳起来见图1。

4.5   模型评估注意事项

进行聚类模型评估同样需注意两点：①群个数与群内客户数分布应合理;②群之间差异显著，對差异化业务策略执行更有利。

4.6   模型结果刻画

建模完成后，对价值贡献度模型展开业务特征刻画，将各客户群体特征差异给予反映。

价值贡献度模型总共包括5个群体，即高价值贡献群、中等价值贡献群、中价值高逾期风险群、普通群、低价值贡献群，具体见图2。

其中高价值贡献群客户数量不多，用电量占比却高达68.85%。故而针对这部分具备高价值的客户，停电所引起的直接经济损失是非常大的，若因多种原因停电，需将停电信息及时通知到位，提高营销服务质量。

5      实施验证

5.1   数据验证

根据技术探索报告及模型设计说明，收集样本数据，为应用功能验证做好准备工作，同时，完成基础数据的核查、归集、清洗转换、关联匹配等数据处理工作。

5.2   模型验证

运用样本数据，开展高价值客户群特征多维聚类挖掘分析、高价值客户群电价政策敏感性分析模型、营销政策执行效果评价模型等算法及模型构建工作。完成算法对比选择、模型验证和参数优化工作。

5.3   模型评估

针对高价值客户群电价政策敏感性分析模型、营销政策执行效果评价模型开展模型应用评估工作。选取测试集、验证集，开展模型训练;选取模型评估指标对模型进行评估。

6      小    结

用电侧大数据多维聚类挖掘营销策略与客户行为趋势分析模型建构能够针对特定受众群（如高价值客户群）推进精准性营销工作开展，遵从网络效应特征促整体价值增强，提高企业竞争力与盈利能力。

主要参考文献

[1]吕旭明，李钊，雷振江，等.基于大数据技术的用电信息分析方法研究与应用[J].电气应用，2015，34（S2）：546-549.

[2]余英，郭镥，邓琨，等.用电采集数据分析和智能监测系统中大数据分析的设计研究[J].自动化与仪器仪表，2017（5）：162-163，166.

[3]李永毅，石蓉，郎锐，等.基于大数据分析的陕西省居民用电行为及影响因素研究[J].电网与清洁能源，2019，35（4）：43-48.

[4]隋兴嘉.基于配用电大数据的用电行业分类和用电量需求预测建模分析[D].长春：长春工业大学，2018.