基于“客户画像”的供电服务情绪指数构建与应用研究

杨 雨，李 雁，蔡秋雷，冯欧阳，徐正一

（国网瑞安市供电公司，浙江 瑞安325200）

随着社会经济高速高质量发展，生产企业、居民客户对用电的敏感度越来越高，对供电企业服务质量的要求也越来越高，一旦在供电可靠性或供电服务质量上发生问题，易引起客户情绪波动甚至引发舆情。如何有效规避客户投诉，消除客户情绪化事件造成的不良影响，已成为电力企业亟待解决的问题，因此，需要有效地评估客户在用电体验方面的满意度，以便提升供电服务质量。

查阅文献发现有关情绪影响的研究多用于股市金融方面[1-3]，有学者用VAR模型和Granger因果检验方法分析了投资者情绪对股市收益的影响，并将投资者情绪指数作为股市盈亏预测数据[4]。随着电网规模的不断扩大，目前大数据分析在电力行业也得到广泛应用[5]，王德文等人利用大数据分析原理解决电力用户侧负荷分析和处理问题，并进行了负荷预测实验[6]。借鉴相关学者的理论研究，为有效分析客户在电力体验方面的满意度，本文提出利用大数据分析原理，建立客户的多维数据构建客户行为的画像模型，依据客户行为的画像模型，同时引入sigmoid函数来预测客户的情绪指数值[7-8]，将每个电力事件中的情绪化客户视为一个对象，对客户情绪变化进行刻画打分，最终构建客户行为特征的全景视图，通过对客户不同维度信息数据的挖掘，将情绪化事件转换为数字化的情绪指数，精准筛选高风险客户，提升优质服务水平，实现更为贴切的个性化服务[9-10]。

1 “客户画像”的构建

以能源互联网中的用电信息采集系统、营销系统、供电服务指挥系统、99598系统、12345政务热线平台、气象数据等系统积累的海量客户信息为基础。通过停电感知、业务办理、电话咨询、电量波动、12345政务热线平台、气象原因6个方面追溯历史电力事件，挖掘影响到客户情绪的事件，分析客户对供电服务情绪化的原因，通过客户画像数据分析方法快速筛选出客户行为特征指标，构建客户情绪指数预判指标体系，最终得到基于“客户画像”的客户情绪指数模型。

1.1 数据清洗与处理

本文以供电公司2019年数据为依据，将各系统中采集到的基础数据，如居民抄表信息、历史停电记录、电话呼入工单数据、业务办理数据等数据，通过数据缺失、数据冗余、常识性错误等清洗规则对异常数据通过Python编程进行清洗与处理，提取最具概括性字段信息，形成户号、电量、停电次数、电话呼入工单、业务办理为代表的关键数据字段集，并作为情绪等量化的指标事件。

1.2 客户行为特征集提炼

将系统中清洗与处理完成后的数据和电力客户的行为特征进行有机整合分析判断，构建客户行为特征集，如图1所示。该特征集具备较为完整的客户数据信息源，同时拥有丰富的成长性[11]。

图1 客户行为特征集

1.3 客户标签体系构建

客户行为特征集构建完成后，需从用户信息中抽取出高度精练、能概括用户某种特征或属性的“标签”。本文基于直接抽取、统计抽取、回归抽取标签规则，将部分基础信息的特征集直接转换成客户标签体系中的基础客户标签，如业务办理、停电感知等；通过大数据分析挖掘得出客户行为特征集，再将这些特征通过标签体系中的逻辑运算得出客户标签；依据应用需求回归建立模型，确立将电量波动、电话呼入、业务办理、停电感知特征集加入模型预算，得出客户情绪指数预测标签。

客户标签体系建立包括数据采集、标签体系建模、标签分类，通过提炼分析客户行为特征集中的数据并对其进行再次加工、清洗、运算，然后给不同的电力客户打上相应标签，具体可概括为四个标签：个人属性、用户用电、用户交费、客户互动，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客户全景视图[12]，如图2所示。

图2 客户标签体系

1.4 标签周期管理形成

对采集到的数据通过Odps抽取后，经过数据获取、清洗、处理、制定标签规则，形成标签生命周期管理方式。根据规则从数据中提取对应客户进行打标签，打完后经过评估，评估后再通过模型分析预判后再进行规则微调。在应用与模型中，通过应用收集使用反馈意见，进行调整标签规则和更新标签，图3为标签生命周期管理图[13]。

图3 标签生命周期管理图

2 基于“客户画像”情绪指数模型建立

以客户行为特征为指导，利用丰富的信息资源，建立包括客户电量波动维度、客户停电感知维度、业务办理体验维度、客户电话呼入维度的四维特征视图[14]，如图4所示。

图4 客户标签四维特征视图

将用户个人属性、用户用电、用户交费、客户互动标签来计算客户电量波动维度、客户停电感知维度、业务办理体验维度、客户电话呼入维度这四个维度的权重，计算公式设定为：

其中，PW代表维度权重；BW代表标签与业务关联权重；WW代表频度。其含义为：BW标签与业务关联权重，标签项和业务是否有关联，无关联则权重低，相关维度越高权重越大。WW频度，标签出现的频度，在“用户画像”数据库中出现的频度越高，赋值越大。客户情绪指数构建公式可定义为：

2.1 客户电量波动维度

通过统计客户在2019年内的电量波动异常情况，获得本维度在客户历史电力事件中的比值，通过下文中的公式（3）转换成电量波动异常维度的分值Q，如图5所示。从图5可以得到该用户用电信息，特别是该用户3月份单月用电量比上个月超出200%，属于不正常信息，需要特殊关注该用户线路。

图5 客户电量环比

2.2 客户停电感知维度

统计客户在过往2月内的停电情况，获得本维度在客户历史电力事件中的比值，通过下文中的公式（4）转换成停电感知维度的分值W，如表1所示。

表1 线路停电信息

2.3 业务办理体验维度

统计客户在2019年内的业务办理情况，获得本维度在客户历史电力事件中的比值，通过下文中的公式（5）转换成业务办理维度的分值E，如表2所示。

表2 业务办理信息列表

2.4 客户电话呼入维度

统计客户在2019年内的电话呼入情况，获得本维度在客户历史电力事件中的比值，通过下文中的公式（6）转换成业务办理维度的分值R，如表3所示。

表3 电话呼入信息

2.5 “客户画像”的情绪指数模型

对客户行为特征集与四维视图互补建立形成客户情绪化特征，如图6所示，为客户情绪指数全景视图构建奠定基础[15-16]。

图6 基于“客户画像”的情绪指数

3 基于“客户画像”的算法模型

电力客户数据量大，数据类型多、信息复杂，本项目通过在海量的大数据中找到对应每个客户最具代表性的数据进行分析，依靠数据挖掘算法找到相应标签[17-18]，具体方式参考上述第2章节，利用sigmoid函数将其转化成对应的情绪指数。

3.1 客户电量波动模型

模型通采集客户2019年内的月电量，计算相邻两个月的电量环比情况，判断电量波动是否大于100%，公式如下：

其中：

Q：表示客户在电量波动维度的分值；

A1:表示电量波动异常1次占据本维度的比值，

A:表示电量波动维度影响客户情绪百分占比，

an：第n个客户中，过往1年内电量波动异常发生事件的次数。

0次：Q=100*A；

1次：Q=100*A-A1*100*A；

2次：Q=100*A-A2*100*A；

3次：Q=100*A-A3*100*A；

＞3次：Q=0，

当Q=0时，客户的属性栏直接标红。

同理，根据客户电量波动模型，以此类推可以得到W、E、R三个维度的分值计算公式，分别如式（4）、（5）、（6）所示：

其中，B、C、D表示各自维度占客户情绪百分占比；B1、C1、D1表示各种维度发生事件1次占据本维度的比值；bn、cn、dn表示各维度第n个客户中，过往1年内电量波动异常发生事件的次数。

3.2 逻辑回归模型

由于模型需要得到一个概率值，故引入逻辑回归模型[19-20]。该模型是一个分类预测模型，在实际生产环境中经常使用。可以在分类情况下经过学习得到一组权值w，当有测试样本输入时，这组权值与测试数据按照加权得到：

其中，x1、x2、…xn就是每个测试样本的n个特征值，按照sigmoid函数的形式求出g（h），如公式（8）所示，从而判断每个测试样本所属的类别。

根据四个维度客户行为特征集选取80%作为训练集进行模型训练，求得不同样本空间的收敛值[21]，如图7所示。根据收敛度最高的模型，最后得到一组初始化参数。

图7 不同样本空间收敛值图

其中：

最后，根据得到的参数对测试集进行预测，准确率在99.2765%。

3.3 客户情绪指数构建

通过四个维度的分数值Q、W、E、R来预测客户在四个维度对于电力服务的满意度，分数值越低，满意度越低。

客户情绪指数通过四个维度的事件发生次数，代入式（2），来求得客户情绪指数的预测值，分数值越低，满意度越低。

通过对情绪指数的分段，将客户画像为红色（重点关怀客户）、黄色（保持关注客户）、绿色（优质客户）等三类层级。

4 具体实施及应用成效

4.1 具体实施

本文选取汀田片区部分客户，分析该片区客户在四个维度中的分值及综合值，如表4所示。然后对其进行客户画像，并在情绪指数模型中预测出客户相应的情绪指数，如图8所示，为单个客户情绪指数四维图。将得到的情绪指数划分成不同层级的客户群体，通过在不同维度的得分，为不同客户制定相应的管控措施，实现客户情绪的精准把控。

图8 单个客户情绪指数四维图

表4 客户情绪指数汇总表

4.2 应用成效

基于“客户画像”的电力客户行为特征为电力行业在大数据环境中供电服务情绪指数的建立提供了基础。通过构建一个情绪指数模型，分析从内外网系统中获取的数据，从用户感知角度出发，利用“客户画像”数据分析工具挖掘客户行为特征建立全景视图模型，对供电服务做一个数字化评价，用红、黄、绿三种不同颜色反映客户情绪值，实现客户情绪指数的构建。

目前，课题已在瑞安公司3个片区14.8万客户中完成供电服务感受的数字化评估，实现了客户分类精准化服务。针对红色客户，公司建立“一户一档”，安排专人持续关注用户用电感受；针对黄色客户，公司及时收集用户需求信息，着力加强与用户的沟通交流；针对绿色客户，公司继续保持优质服务，给予客户更好更贴心的服务体验。

5 结论

利用情绪指数作为客观评估各地供电服务水平的一个指标，预警潜在的情绪风险，以打造客户需求为导向的智慧互动、高质量的供电服务新模式，通过“客户画像”数据库中的客户行为特征将客户精准分类，达到对客户全面、准确的认知，正确把握客户心理、掌握客户期望，进行差异化关怀，做好供电服务，优化营商环境，让大家用上省心电，实现企业服务更优化、客户体验更舒心。

由于情绪是一种外在表现，且具有很强的主观性、随机性。而99598意见工单、故障工单、投诉工单、12345政务热线等等，都代表用户对供电服务的不满。因此，本文构建供电服务情绪指数，量化对供电服务的感知，利用该模型来训练数据库中的不同数据，得出供电服务情绪指数。经验证，投诉用户经模型评估，大多得分极低，模型有效性得到初步验证。

目前，本文仅仅是将客户的感受作数字化评估，把客户分类。未来可按时间、地域拓展至更多维度进行评估，用更多的客户行为数据进行学习和训练，进一步完善数据库模型。同时情绪指数可以用于判断公众对供电企业的满意度，辅助政府进行行风评价，客观评估各地电力企业的供电服务水平，建立竞争性的电力市场聚焦民生服务，一切以客户为中心，以最大程度满足客户需求为首要目的，打造有温度的数字社会。