基于电力大数据的客户立体画像构建及应用研究

余文辉 吴争荣

摘   要：随着时代的不断进步和科学技术的不断发展，物联网以及智能电网开始慢慢走入生活，被越来越多的人所熟知，加上“互联网+”战略，电力大数据对电网企业的发展已经造成了颠覆性的冲击。通过介绍电力大数据的概念，对客户立体画像进行概述，为后续的应用研究打下铺垫。同时，更加肯定了客户立体画像的应用范围之广，它将带给电力企业新的高度和新的发展。

关键词：电力大数据;客户立體画像;科学技术

中图分类号：TM726.1                                 文献标识码：A

文章编号：1003—6199（2020）02—0164—06

Abstract：With the continuous advancement of the times and the continuous development of science and technology，the Internet of Things and the smart grid have begun to slowly enter our lives，and are becoming more and more familiar to people. Together with the "Internet +" strategy，power big data is on the grid. The development of enterprises has caused a subversive impact. This paper introduces the concept of power big data，and then outlines the customer's stereoscopic image，paving the way for subsequent application research. Through applied research，it has more affirmed the wide application range of customer stereoscopic portraits，which will bring new heights and new developments to power companies.

Key words：power big data;customer stereo portrait;science technology

当下，经济的快速发展加剧了各行各业的发展压力，在这个激烈竞争的环境下，电力需求的急速增长，供电企业遇到了前所未有的挑战和复杂的市场环境[1]。国家实行“互联网+”战略，经济新常态以及国企改革的一系列政策为电力企业也带来了新的发展机遇[2]。电网企业在这个新形势下开辟了一条自己的创新之路——客户画像。电网企业的客户数量庞大，可以充分的利用电力数据，开展客户画像[3]。

1   电力大数据的概述

相比较传统数据分析中结构化数据与非结构化数据的优势差异，由于非结构化数据有着较强的环境适应性，进而使得其应用范围不断扩大，结构化数据在数量上已经远远落后于非结构化数据[4]。大数据有五个方面的特性，第一个方面是处理速度快，这是最主要的，其次依次是数据量大、数据类型多、价值大、精确性高[5]。

大数据的应用体现在两个方面，一个方面是体现在信息融合，一方面体现在数据融合。信息融合主要是与人民生活、社会保障、道路交通以及宏观经济方面的融合，数据融合主要是与电力行业、或者是跨部门、跨单位、跨专业的数据融合[6]。大数据的广泛应用可以提升企业的经济效益和竞争力[7]。

电力大数据技术可以满足社会不同领域的需求，其中包括日常生活、工业生产等，在社会经济发展方面起着极其重要的作用[8]。在技术组成方面，其涉及到大数据计算、数据分析、可视化计算等[9]。

2   客户立体画像研究概述

伴随着大数据的极速发展，客户画像这个概念逐渐被大家所熟知，走进了人们的生活，客户画像是真实客户的原型，它是一种基于服务目标和产品的真实描述与勾勒，是一种广泛应用于联系客户诉求和勾画目标客户的有效工具[10]。大数据的神奇之处就在于，它使世界变得越来越便捷[11]。

目前，国外的很多运营商都拥有用户精确画像数据库，能够详细的从自然属性、用户的活动特征、用户的行为特征、用户的费用特征、用户的营销效果这些方面进行描述。通过这个数据库，运营商可以更加准确和全面的对客户进行归类和消费指引[12]。中国电信将大数据作为支撑，采集网上营业厅客户行为相关数据，从访问时间、访问行为、客户来源等属性来对客户进行画像。通过对客户精确而全面的画像可以为客户提供更加准确的服务[13-15]。

所以，在新的形势下，电网公司应当开展客户立体画像分析工作，利用大数据时代所提供的机遇，建立全新的客户关系，把握住引导用户的主动权[16]。

3   电力大数据下客户立体画像应用研究

客户立体画像包括：市场策略、市场开发、市场交易、市场营销、客户关系管理、风险管理，本文首先构建出电力大数据下客户立体画像的理论模型，来验证客户立体画像的这六个方面与其影响程度[17-20]。为今后客户立体画像的发展具备一定的指导意义。

3.1   模型构建

市场策略、市场开发、市场交易、市场营销、客户关系管理、风险管理作为自变量，电力大数据下客户立体画像作为因变量，在此基础上构建了电力大数据下客户立体画像的理论模型。

3.2   研究假设

根据构建的电力大数据下客户立体画像理论模型，对变量提出研究假设，市场策略、市场开发、市场交易、市场营销、客户关系管理、风险管理均对客户立体画像存在正向影响;具体见表1。

3.3   研究样本选取

此次研究样本随机选择某电力企业在岗工作人员200人，并通过发放调查问卷的方式进行数据统计，有效调查问卷数量为170份，有效率达85%，满足数据分析要求。

3.4   问卷内容

为更好的解释研究内容中相关因素之间的影响，此次研究采用的设计方式为5点Likert量表方式[21-22]。市场策略、市场开发、市场交易、市场营销、客户关系管理、风险管理作为六个变量因素，分别由5个题目与之相对应，由调查人员以1～5分进行赋分。

3.5   信度和效度检验

基于数据分析科学性的要求，在数据分析前需要对其进行可信度分析，Cronbach′s α值在0.7以上表示尚可，0.8以上表示良好，0.9以上表示很好。此次分析使用的软件为SPSS23.0，以统计量Cronbach′s α作为系统系数检验标准，其可信度约为95.4%，具体数据如表2所示：

通过表2中的统计量Cronbach′s α可以看出，市场营销、客户关系管理、市场策略的信度检验值最高，分别为93.6%、92.8%和91.2%，而对应市场开发、风险管理、市场教育三大变脸信度检验值分别为89.2%、86.7%和86.1%。所以，调查问卷所得样本数据具有较高的可信度。

效度检验是传统数据分析中较为重要的一个手段，此处使用KMO与Bartlett检验完成调查问卷内容设计合理性的评价，以证明所获得数据与实际需求之间的合理性、适应性。效度检验的最终结果分为5个等级，分别为不合适（0.50.9）。KMO和Bartlett检验结果见表3。

由表3可知，本次问卷的整体KMO值为0.960，近似卡方、自由度、显著性分别为9126.092、1638、0.000，表明假设非常合适，数据适合做因子分析。

根据问卷结果做总方差分析，分析结果见表4。载荷平方和是因子载荷矩阵中各元素的平方和。

提取方法：主成分分析法。

使用主成分分析法，提取出6个特征值大于1的公因子，因子旋转后的空间组件图见图1。

对于此次调查问卷中的6个特征值大于1的公因子，通过计算后的总方差为0.76406，从而证明了原有变量的总方差满足要求。

4   实证研究

4.1   构建结构方程模型

在结构方程模型构建过程中，使用到的软件为AMOS软件的21.0版本，通过对样本数据中的6个自变量对客户立体画像的影响关系构建结构方程模型，具体见图2。

在该初始模型图中，大椭圆、小椭圆、长方形等所表示的分别为潜变量、残差、显变量。

4.2   模型的拟合

模型的拟合度直接关系到数据的科学性，在构建电力数据初始模型的基础上，需要利用再生协方差矩阵与样本方差矩阵进行拟合度分析，即获取检验模型所构建的路径关系与实证数据间的匹配性，具体可将其拟合度评价指数区分为绝对指数与相对指数两种类型。对应拟合度所形成的绝对指数与相对指数如下表所示：

这里拟合度有毒指数使用GFI表示，其全称为Godness-Of-Fit Index，而拟合优度指数则使用AGFI表示，其全称为Adjusted Godness-Of-Fit Index，CFI（comparative fit index）表示比较拟合指数，NFI（normed fit index）表示规范拟合指数，指数值在0-1之间，愈接近0表示拟合愈差，愈接近1表示拟合愈好;RMR（root of the mean square residual）表示均方根残差，RMSEA（root-mean-square error of approximation）表示近似误差均方根，值愈接近0表示拟合愈好。AIC（akaike information criterion）表示信息标准指数，值越小越好。

从上面几个表中的数据可以看出，对应拟合结果下的拟合指数包括CMIN/DF、RMR、RMSEA、GFI、NFI，对应数值分别为1.418、0.039、0.085和0.909，NFI拟合指数为0.914（>0.9）满足要求，而RFI拟合指数则为仅为0.851（<0.9）不满足要求，因此，该模型需要进行修正，并进行再次拟合。

4.3   模型的修正

在模型的反复修正过程中，其评价标准是所有拟合指数均符合标准，即CMIN/DF、RMR、RMSEA、GFI、NFI分别在要求范围以内。对于残差项相关关系则使用MI进行表示，其全称为Modification Indices，其中MI值越大，则残差项的相关关系越密切，通过对MI值偏大的残差项，使其不断减小。具体修正原则为：对MI值残差项进行排序，构建MI修正路径图，并确定不同路径与实际结果之间的相关性，MI修正路径的变化将直接影响到修正结果，且每次只能對其中一条路径进行拟合度的修正。通过第一次拟合路径修改后的NFI为0.926，RFI为0.859，不满足要求，随即进行二次修正，直至NFI、RFI均满足要求，且拟合指数如表6所示：

最终，市场策略、市场开发、市场交易、市场营销、客户关系管理、风险管理6个自变量与客户立体画像之间的标准化路径系数分别为0.865、0.891、0.833、0.945、0.893、0.927，影响显著，六条假设全部得到验证。

5   未来发展方向

随着时代的进步与科技的发展，未来的电力大数据在用户用电行为、缴费行为、咨询，投诉行为、客户重要性、用电安全方面做出更大的贡献。

（1）用电行为分析

用电行为研究对于电力行业的发展有着一定的必要性，通过这一行为数据分析，得到了客户用电行为偏好的信息，电力企业能够采取科学的配电措施，提高电能的利用率，并有效避免窃电行为的发生。

（2）缴费行为分析

欠费风险可以通过分析客户之前的缴费行为和缴费记录，对客户数据进行分析，将客户风险分为三种类型：高、中、低。在此过程中，对于用户的用电行为不同，可以采取与之相适应的配电行为，也便于缴费工作顺利开展。

（3）咨询、投诉行为分析

通过分析客户以往的缴费记录和客户投诉数据，进而分析客户对于咨询、投诉的敏感程度和次数，进行差异化管理，针对不同的客户，提前做好相关预案，从而有效提高服务质量，减少投诉情况的发生。

（4）客户重要性分析

电网企业为了增加营业收入，根据用电客户的电费金额评价用户所产生的贡献，由此计算具备一定潜力的优质用户，并采取多种营销手段鼓励其消费。同时，通过开展客户发展潜力分析，对这些客户提前介入服务，帮助客户快速稳定成长。

（5）用电安全分析

任何时候都是安全第一，在用电方面也是一样的，分析识别电力客户方面的数据，充分应用科学技术，识别用电安全当中的隐患，保证客户用电安全和电力企业的稳步运行。

6   结   论

对电力大数据下客户立体画像进行应用研究，从市场策略、市场开发等六个方面构建客户立体图像影响的理论模型并进行实例验证。对电力企业进行客户细分及推动电力业务数据化和电力数据业务化具有很好的借鉴意义。

参考文献

[1]    曾峰，黄党生. “能源互联网技术与发展暨《电力大数据》创刊40周年纪念”论坛[J]. 电力大数据，2017，20（12）：2.

[2]    张诗军，陈丰，王志英，等. 基于电力大数据的客户立体画像构建及应用研究[J]. 电气应用，2018，37（08）：18-25.

[3]    齐红涛，开圣武，方盛宇，等. 智能综合决策移动作业终端设想（待续）——基于供电服务指挥平台的共享电力大数据和透明计算的新模式[J]. 农村电工，2018，26（06）：9-10.

[4]    齐红涛，开圣武，方盛宇，等. 智能综合决策移动作业终端设想（续完）——基于供电服务指挥平台的共享电力大数据和透明计算的新模式[J]. 农村电工，2018，26（07）：14-15.

[5]    孙若寒，李志刚，乔涵. 基于电网大数据平台的异构数据统一访问及云化数据整合技术研究[J]. 科技经济导刊，2016，28（32）：27.

[6]    高骞，杨旸，胡广伟，等. 电力大数据驱动的新能源项目投资效益评价研究——以Y市电网公司SG-ERP系统为例[J]. 现代图书情报技术，2016，34（12）：57-65.

[7]    尹蕊，余仰淇，王满意，等. 大数据环境下的电力数据质量评价模型与治理体系研究[J]. 自动化技术与应用，2017，36（04）：137-141.

[8]    KOMORI M ，UEHIRA K . Optical watermarking technology for protecting portrait rights of three-dimensional shaped real objects using one-dimensional high-frequency patterns[J].  Journal of Electronic Imaging，2018，22（3）：033004.

[9]   ROSE D V，WELCH D R，MADRID E A. Three-dimensional electromagnetic model of the pulsed-power $Z$-pinch accelerator[J].  Physical Review Accelerators & Beams，2019，13（1）：252-255.

[10]  吴良斌，孙利武，朱文强. 电力大数据背景下对高职电力类人才培养模式冲击的思考[J]. 太原城市职业技术学院学报，2017，21（03）：171-172.

[11]  肖凯，刘鹏，车建峰，等. 基于电力大数据平台的海量风电数据处理架构与应用研究[J]. 电力信息与通信技术，2017，15（07）：13-19.

[12]  编辑部. 贵州理工学院大数据学院与《电力大数据》举行合作办刊座谈会[J]. 贵州电力技术，2017，20（07）：7.

[13]  虢韬，刘锐，沈平，等. 基于电力大数据的输电线路防灾减灾分析系统设计——以贵州电网为例[J]. 灾害学，2016，31（01）：135-138.

[14]  饶玮，蒋静，周爱华，等. 面向全球能源互联网的电力大数据基础体系架构和标准体系研究[J]. 电力信息与通信技术，2016，14（04）：1-8.

[15]  国家电网公司“电力大数据平台关键技术研发与示范应用工程”项目通过鉴定[J]. 电力信息与通信技术，2016，14（04）：45.

[16]  KERN R C，COPPERSMITH W C，ROSZTOCZY Z R. A three-dimensional method for design studies of xenon-induced spatial power qscillations[J].  Nuclear Applications & Technology，2019，9（1）：70-82.

[17]  GORLA R S R，DAKAPPAGARI V，POP I. Three-dimensional flow of a power-law fluid due to a stretching flat surface[J].  Zeitschrift Fur Angewandte Mathematik Und Mechanik，2015，75（5）：389-394.

[18]  刘定宜，姜曼，叶泽，等. 我国跨省跨区电力交易的资源优化配置机理及效益分析[J]. 中国能源，2018，27（10）：16-24.

[19]  文洋，池永波，袁娜. 基于电信行业MSS专业的大数据计算能力开放平台研究[J]. 電子技术与软件工程，2018，42（20）：179-180.

[20]  周旭，胡娟，赵海兵，等. 遥感大数据支撑下土地资源管理专业学生实践创新能力的培育[J]. 安徽农业科学，2018，39（30）：226-230.

[21]  曹辉.基于大数据分析应用视角的商业银行零售业务转型升级研究[J]. 价值工程，2018，26（34）：12-13.

[22]  宋兰霞，周作梅. 大数据背景下茶产业链物联网信息服务系统的设计与实现[J]. 福建茶叶，2018，31（11）：15.