CN112100246A - 一种基于多维图码标签的客户用电价值挖掘方法 - Google Patents

Abstract

一种基于多维图码标签的客户用电价值挖掘方法属于用电客户管理技术领域，尤其涉及一种基于多维图码标签的客户用电价值挖掘方法。本发明包括以下步骤：基础数据收集：获取用电客户数据，包括客户基础信息、客户价值、电费信息、账户余额、客户信用；多源数据融合：基于国网数据中台，建立营销客户数据库，完成数据转换、存储，为标签构建提供数据支撑。

Description

一种基于多维图码标签的客户用电价值挖掘方法

技术领域

本发明属于用电客户管理技术领域，尤其涉及一种基于多维图码标签的客户用电价值挖掘方法。

背景技术

国网公司传统营销的服务模式以“柜面为主”，客户黏合度低。公司现有服务模式以“坐商”为主，服务接触以“柜面”为主，难以形成与客户实时、有效、高频互动，难以满足客户个性化、便捷化需求，难以形成持续、稳固的客户依赖，客户资源价值不能充分显现。对不同价值的客户的不同用电需求深度挖掘，制定针对性的服务产品，使经营服务策略从过去的以产品为导向逐步向以客户为导向转变，实施差异化的供电服务，进一步提升供电企业的盈利能力和客户满意度，建立和谐稳固的客户关系。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于多维图码标签的客户用电价值挖掘方法，该方法克服了现有方法以柜面为主导致的客户黏合度低的缺点，充分利用电力客户用电行为的图码获取算法，结合大数据分析技术，对大量样本数据进行分析计算，大幅度提高了该方法的实际可操作性，具有很高的工程应用价值；本方法具有较高的适应性，可适用于不同地区、不同规模的客户用电价值挖掘，进而满足不同客户个性化、便捷化需求，形成持续、稳固的客户依赖，使其充分显现客户资源价值。本发明包括以下步骤：

(1)基础数据收集：获取用电客户数据，包括客户基础信息、客户价值、电费信息、账户余额、客户信用；

(2)多源数据融合：基于国网数据中台，建立营销客户数据库，完成数据转换、存储，为标签构建提供数据支撑；

(3)标签规则定义：基于客户用电价值挖掘应用开展客户标签规则梳理与确定，结合企业收入贡献、社会影响力、用户用电基本信息等业务指标，通过构建当前客户用电价值模型生成当前价值模型标签；结合电量增长减少波动、电费增长减少波动、欠费风险、客户信用等指标，构建潜在客户用电价值模型，生成潜在价值模型标签。通过用电客户电量、电费使用等数据构建电量增长、突增突减、逐增逐减、电量波动、电费突增突减等衍生标签。通过用电客户行业类别、电费信息、电量信息等数据构建行业用电高、中、低客户、行业类别、大电费客户、用电类别等衍生标签。

(4)标签算法建模：

1)分析客户用电价值需求及现状；

2)选定用电客户范围，对其现状及影响客户价值的因素进行分析；

3)建立客户价值挖掘指标体系；

4)对指标数据进行处理；

5)采用K-Means聚类分析算法，并根据业务常识选择聚类数k值，并判断模型是否收敛；

6)如模型收敛，输出并生成当前/潜在高/中/低价值客户分类结果集；否则调整模型参数，并并根据目标函数SSE判断模型是否收敛，不断调整k值，最终选取SSE最小的一次作为聚类结果。

(5)标签生产：根据标签规则定义及建模结果，对客户进行标签化标注，最终形成以客户编号为主体的关系模型客户标签库。

(6)标签应用：根据标签生产的衍生标签及模型标签结果集进行展示，并且向相关业务***提供标签应用。

本发明有益效果。

本发明利用多维图码技术，结合大数据挖掘算法，建立客户用电价值挖掘方法，对每个客户进行客户价值的多维度标注，根据标注结果实施差异化的供电服务，满足客户个性化、便捷化需求，形成持续、稳固的客户依赖，充分显现客户资源价值。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。

图1是本发明标签数据流转图。

图2是本发明标签规则定义图。

具体实施方式

(一)多维图码标签：

标签是“数据”与“业务”间的“桥梁”，标签表达结论和评判，是对数据高度提炼归纳和分析挖掘得到的特征标识。围绕实体-关系-标签这三个元素进行建模，从业务的角度出发对数据进行组织管理，以概念模型的形态透出，实现多维统计分析，生成标签矩阵表，基于国网数据中台架构，支持实时批量更新，保证标签矩阵的时效性。

(二)聚类分析法：

聚类分析是根据“物以类聚”的道理，对样品或指标进行分类的一种多元统计分析方法，其讨论的对象是大量的样品，要求能合理地按各自的特性进行分类，在没有先验知识的情况下进行。聚类原则是同一聚类内的数据具有较高的相似性，而不同聚类中的数据不具有相似性。划分方法给定一个包含n个对象或数据行的数据集，从中任意选择k个对象作为初始聚类中心，而剩下的其他对象，则根据它们与这些聚类中心的距离分别进行分配。然后再计算每个所获新聚类的聚类中心，不断重复迭代直到目标函数SSE开始收敛为止。通常采用均方差函数作为测度函数，通过采用K-Means算法，结合企业收入贡献、社会影响力、用户用电基本信息等业务指标，通过构建当前客户用电价值模型生成当前价值标签。结合电量增长减少波动、电费增长减少波动、欠费风险、客户信用等指标，构建潜在客户用电价值模型，生成潜在价值标签。

算法原理：

K-Means的计算方法如下：

1随机选取k个中心点；

2遍历所有数据，将每个数据划分到最近的中心点中；

3计算每个聚类的平均值，并作为新的中心点；

4重复2-3，直到这k个中线点不再变化(收敛了)，或执行了足够多的迭代。

算法收敛：

从K-Means的算法可以发现，SSE其实是一个严格的坐标下降过程。设目标函数SSE如下：

SSE(C₁,C₂,…,C_k)＝∑(X-C_i)²

采用欧式距离作为变量之间的聚类函数。每次朝一个变量C_i的方向找到最优解，也就是求偏倒数，然后等于0，可得

其中m_i是C_i所在的簇的元素的个数。

也就是当前聚类的均值就是当前方向的最优解(最小值)，这与K-Means的每一次迭代过程一样。所以，这样保证SSE每一次迭代时，都会减小，最终使SSE收敛。

由于SSE是一个非凸函数，所以SSE不能保证找到全局最优解，只能确保局部最优解。但是可以重复执行几次K-Means，选取SSE最小的一次作为最终的聚类结果。

0-1标准化：

由于数据之间量纲的不相同，不方便比较。所以，需要将数据统一放到0～1的范围，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。具体计算方法如下：

K值选取：

在实际应用中，由于K-Means一般作为数据预处理，或者用于辅助分类贴标签。所以k一般不会设置很大。可以通过枚举，令k从2到一个固定值如10，在每个k值上重复运行数次K-Means(避免局部最优解)，并计算当前k的平均轮廓系数，最后选取轮廓系数最大的值对应的k作为最终的集群数目。

本发明涉及一种基于多维图码标签的客户用电价值挖掘方法，利用电力客户用电行为的图码获取算法，抽取客户基础属性、客户缴费行为、客户用电行为等客户相关数据，结合大数据挖掘算法，开展客户用电价值挖掘，能够为错峰限电、增容扩销、电费服务、抢修服务，提供参考依据，形成与客户实时、有效、高频互动，满足客户个性化、便捷化需求，形成持续、稳固的客户依赖，使其充分显现客户资源价值。

可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (1)

1.一种基于多维图码标签的客户用电价值挖掘方法，其特征在于包括以下步骤：

(1)基础数据收集：获取用电客户数据，包括客户基础信息、客户价值、电费信息、账户余额、客户信用；

(2)多源数据融合：基于国网数据中台，建立营销客户数据库，完成数据转换、存储，为标签构建提供数据支撑；

(3)标签规则定义：基于客户用电价值挖掘应用开展客户标签规则梳理与确定，结合企业收入贡献、社会影响力、用户用电基本信息等业务指标，通过构建当前客户用电价值模型生成当前价值模型标签；结合电量增长减少波动、电费增长减少波动、欠费风险、客户信用等指标，构建潜在客户用电价值模型，生成潜在价值模型标签。通过用电客户电量、电费使用等数据构建电量增长、突增突减、逐增逐减、电量波动、电费突增突减等衍生标签。通过用电客户行业类别、电费信息、电量信息等数据构建行业用电高、中、低客户、行业类别、大电费客户、用电类别等衍生标签。

(4)标签算法建模：

1)分析客户用电价值需求及现状；

2)选定用电客户范围，对其现状及影响客户价值的因素进行分析；

3)建立客户价值挖掘指标体系；

4)对指标数据进行处理；

5)采用K-Means聚类分析算法，并根据业务常识选择聚类数k值，并判断模型是否收敛；

6)如模型收敛，输出并生成当前/潜在高/中/低价值客户分类结果集；否则调整模型参数，并并根据目标函数SSE判断模型是否收敛，不断调整k值，最终选取SSE最小的一次作为聚类结果。

(5)标签生产：根据标签规则定义及建模结果，对客户进行标签化标注，最终形成以客户编号为主体的关系模型客户标签库。

标签应用：根据标签生产的衍生标签及模型标签结果集进行展示，并且向相关业务***提供标签应用。

Images