大数据环境下的电力客户服务数据分析系统研究

国网浙江省电力有限公司湖州供电公司 顾孟雷 陈芳芳 景晓莹

在大数据环境下，电力企业要想实现高质量的客户服务，应建立数据分析系统，对相关数据进行全面的分析，从中提取重要信息。通过对大数据技术的优势特点进行阐述，明确电力客户服务要求及现状，分析电力客户服务数据分析系统设计及技术应用，使数据分析系统发挥出更好的作用。

1 大数据技术的优势特点

大数据代表大量的数据信息，在当前的发展趋势下，数据呈现出了海量特点，同时能够带来更多的价值，因此数据信息对企业来说有重要的意义，为企业的运行提供更多的参考依据，还可使企业的发展需求得到满足，但是不是所有的数据都能够产生价值，不同的信息其价值性不同，需要经过数据分析及研究进行提取。在面对海量数据的时候，人们能够发现更多类型的信息，要想在大量的信息中挖掘出自己所需要的信息，企业可采取不同的措施来获取需要的数据。在海量数据中，包括了不同领域及学科的信息，呈现的方式具有多样性特点，其中有图片、音频、视频等模式，还包括了使用传感设备收集到的信号信息，在不同的呈现模式下，数据的类型也越来越多，这使数据的可靠性有所加强。大数据技术在应用中可将数据转换、整合在一起，提供给需要的用户，使其获取到匹配性更高的信息，保证了信息的全面性。

2 电力客户服务要求及现状

当前，电力企业客户服务人员在受理业务的时候获取的信息量比较少、数据不整合，难以获得有效的数据支持，对客户的感知比较差。主要包括以下两方面问题，第一，客服专员难于锁定客户身份。客户来电后如果未提供户号，需要根据来电号码、户名、地址等信息匹配营销档案，过程繁琐，且经常由于信息不准确无法锁定客户身份。如客户无法提供户号且之前未拨打过热线，则无法查询到该客户相关联的信息，只能根据客户描述下发工单。第二，客服专员在服务过程中缺乏对信息全面掌握，无法一次性答复客户。目前服务系统只能获取到部分营销系统中信息，较大一部分数据话务坐席无法获取，比如现场查勘后中止的新装流程，坐席无法查询，极易造成已申请未装表的投诉。对已开放的数据查询操作繁琐，信息整合不充分，导致客服专员的信息查询耗时久。

图1 客户服务体系

3 电力客户服务数据分析系统设计及技术应用

3.1 数据体系架构设计

结合电力企业客户服务监控业务模型内容来看，数据系统分析系统中包括了数据整合源数据层、数据仓库&Hadoop 系统&Stream 流计算层、数据服务平台层、分析型应用层。结合系统的结构进行分析，数据整合&源数据层是电力企业业务系统数据库，其中包括了呼叫中心数据库、营销系统数据库以及配网系统数据库等，该层级能够进行各项数据库数据源访问节点的统一配置，使数据库得到全面的管理。在数据仓库&Hadoop 系统&Stream 流计算层中，Hadoop系统可用于存储非结构化的数据，例如呼叫中心电话录音、自助服务的按键信息、企业OA系统文档数据等，通过对这些数据进行分析可使系统的应用效果增强。Stream 流计算层能进行文本、语音、图像信息的分析，快速判定特殊问题下某一类数据的相关性。数据的提取、转换及加载系统的设计也是其中的重要内容，作为数据仓库中支持数据分析的基础条件，发挥了有效的作用。在数据服务平台层，数据仓库&Hadoop 系统&Stream 流计算层和分析型应用层之间建立一层代理层，统一地开展数据管理及访问，该层次结构具有模型数据映射及性能优化特点，模型数据映射可实现业务模型各个属性及底层不同类型数据源的模型数据映射，支持关系型数据库、数据仓库的访问，还可提高以业务模型为基础的统一查询。如图1所示。

3.2 多维数据分析技术

电力客户服务管理中涉及到了较多的对象，其中包括了不同的属性，工作表格复杂，需要处理的数据数量多，这对客户服务工作的开展产生了影响，应使客服信息得到高效地处理，通过对信息的分析来调整服务，使服务效果加强，提升客户服务的效率及质量，为企业的经营带来保障。多维数据分析技术有着人机互动性、数据表达灵活的特点，业务人员可脱离技术人员的帮助，全面地进行数据分析。在进行联机交互分析的时候，大量的信息会被挖掘出来，可借助分析模型工具对数据仓库的数据开展相应的分析，生成具有不同导向的分析模型，例如服务质量指标分析、服务质量分析主题分析等，用户可通过多层数据来获取分析的结果，使数据分析的过程得到了简化，达到了客户数据分析的目的。

3.3 数据聚合与数据挖掘

首先，统计数据分析是对电力客户服务管理组织方式的主题分析，设计了电力客户服务业务信息、电力客户服务分析指标维度指标的多维数据模型。通过对数据的分析，结合统计的结果来进行客户服务数据挖掘及建模，经过有效的计算，能够形成具有多种功能的数据分析立方体，使数据分析更加全面，实现多种分析功能。其次，在预测数据分析中，以大数据技术为基础，建立数据挖掘预测模型涉及的内容比较复杂，应重视数据准备环节，将业务规则及挖掘模型结合起来，对电力企业客户服务数据进行优化，建立相应的模型，使数据得到简化，利用系统进行线性回归模型、对数线性模型等模型的建立，使数据分析具有相应的模型基础。最后，决策数据的分析中需要借助系统进行定量、统计分析，算法的选择在分析中发挥了重要的作用。一般经常使用算法包括了时间序列算法、线形回归算法、神经网络算法等，根据分析的需求及算法特点进行选择。在电力客户服务数据分析中，可采用分类回归树算法，在没有隐含假设的情况下，对预测变量及因变量之间的线性相关性进行预测分析。

4 系统应用实例

电力企业将数据服务平台作为基础，以客户为导向，建立数字化管理模型，并且建立了营销系统性算法模型库，经过系统的应用分析电力营销中数据之间存在的关系，为电力服务的调整提供相应的参考依据，实现深入的电力数据分析，使电网企业的服务质量得到提升。该企业还对客服系统、电力营销系统等相关的系统进行了数据的整合，从中提取出数据指标，设置了示警阀值，并且进行相应的检查，实现对营销过程的全面管理，能够及时发现其中的问题，并且进行处理，使服务的开展效果得到改善，发挥了系统的有效性。企业运用服务数据分析系统可获取到关于客户构成的相关数据，通过对数据的分析可了解当前的客户构成情况，从中获取到有价值的信息，参考信息对营销、服务等业务进行优化，使企业有效地完善客户服务体系。

结语：供电企业应将电力客户服务作为重要内容，在大数据环境下，重视对数据的挖掘及分析，建立相应的数据分析系统，优化其功能，使数据分析的效果加强。应将数据体系架构设计落实，运用多维数据分析技术、数据聚合与数据挖掘技术来实现数据分析系统的应用，提升数据利用效率。