电力企业客户细分模型研究

摘 要： 通过客户细分，可以帮助电网公司更为准确地掌握用电客户差异化服务的业务需求，协助提供符合实际需要的主动服务，最终取得提升客户用电体验满意度和降低电网公司服务成本的成效。从电网公司用电客户细分现状与应用需求出发，结合广东电网客户细分的各类应用场景，提出了基于客户价值区间的客户细分、K?Means聚类客户细分与基于决策树的客户细分三种细分模型，研究并创新性构建了细分模型从目标群体选择、细分模型层级管理到细分结果的深度分析总结三步客户细分机制，为电网公司个性化优质服务策略的制定奠定了基础。

关键词： 客户细分； 聚类； 决策树； 差异化服务

中图分类号： TN964?34 文献标识码： A 文章编号： 1004?373X（2014）02?0091?04

0 引 言

随着电网公司以用电业务处理能力与工作效率提升为核心的经营管理模式向以客户服务能力提升为核心的转变，电网公司更加关注对用电客户的个性化差异服务满意度与质量情况，通过不断改进客户的用电体验，有效提升客户用电满意度，促进用电客户合理用电、高效用电的同时实现供电企业、用电客户及对整个社会的多赢。

对客户提供贴心服务的前提是对不同客户群体的行为特点与用电需求有准确了解，根据客户属性划分出不同的客户集合[1]，即客户细分。电力企业内部丰富的客户资料与用电行为历史数据，为有效运用各类细分技术开展客户细分提供了良好的数据基础。本文结合作者的项目经验，对利用各类客户细分技术实现客户细分的关键过程进行了分析和总结。

电力企业客户细分是依据电力市场特有的运作规律，按照客户在需求、动机、行为与能力方面的差异，运用系统的方法将整个电力市场划分为若干个不同的客户群，然后选择合适的客户群作为公司服务目标市场的过程[2]。通常是按照客户的用电档案、用电行为特征、客户用电偏好与动因等分成若干客户群，其目的是使得同一群内的客户特征非常相似，不同群间的客户特征差异较大。本文研究客户细分模型是为了寻求适合电网公司用电客户细分要求，且具有通用应用能力与可扩展能力的客户分群方法，研究的过程是基于广东电网佛山供电局专变客户细分实施的项目，以客户用电台帐与用电业务数据为基础、以信息技术手段为支撑的细分方法。其细分功能项的落地是通过分析用电业务库中已有用电客户业务数据模式来对用电客户进行群体分类[3]。

1 客户细分模型理论研究

客户细分的过程包括五个步骤：目标群体选择、客户细分模型适用性分析与选取、客户细分、细分结果的深度分析、知识同化。其中细分模型的适用性选择最为关键，直接决定客户细分结果的准确性与可用性。

客户细分是指通过有效收集、归类和分析各方面的需求，定义不同属性与行为特征的客户群，对客户价值、客户风险进行评估。依据评估结果将客户划分为不同的类别，并对其进行管理，同时，针对不同的客户群体为客户提供个性化服务[4]。客户细分过程是典型的数据挖掘技术的运用过程，通过运用数据挖掘的建模方法，可以精确应用数据挖掘算法，有效地运用用电客户档案属性与用电行为特征数据，实现对客户群体的精细化分解。

2 客户细分数据元素研究

电力客户细分的前提是对客户用电基本属性及客户用电行为特征数据的全面收集与有效整理。这些信息是实现对客户群体有效划分与特征刻画的基本数据单元。每种细分模型与算法，都需要以此数据单元作为初始数据理解对象与细分输入参数。为此，提出了构建客户属性池与行为指标池的管理模式。即将客户的用电档案属性如客户的用电类别、报装合同容量、计量方式等作为客户属性池的基础对象来管理，对于每一个对象，提供该对象数据来源、数据类型、取值范围及主要用途的详细说明；同样，客户行为特征池中也以对象的形式存放客户的行为特征数据，如客户月度用电平均负荷、本年累计用电违章窃电次数、被催费次数等。

通过构建客户属性池与行为特征池的方式，一方面保证了对客户属性与用电行为维护的可扩展性，另一方面采用面向对象的实现方式，在利用细分方法进行客户细分时，对客户特征指标的筛选就如同超市购物一样，只需点选相应的特征列表，即可完成对关注指标与数据获取路线的准备，有效降低了细分过程中客户基础数据分析与准备的复杂性。

3 模型算法梳理

客户细分模型主要用到的算法包括：

（1） 分类算法：分类分析是通过分析抽样客户的特征，构建客户细分的分类规则或分类器，再应用分类规则对整体客户进行细分的方法。分类规则通常是根据市场现状、业务经验和统计分析结果来构建的；分类器通常是借助有监督的分类算法来构建的。此分类方法一般用决策树算法。

（2） 聚类算法：聚类分析是一种无监督学习的数据挖掘算法，其分类规则等事先不能确定。而是根据给定的客户特征，综合计算客户特征集基础上的相似度，然后按照客户之间相似度的大小逐一归类的方法。

（3） 依据经验规则的算法：依据业务人员已知的经验规则，通过指定的属性维度对客户进行细分的方法。

当客户细分目标明确，但涉及的客户属性较多、需经过对各项指标进行复杂的评价计算，根据综合取值来界定客户群体的，如客户信用等级评价、用电客户价值细分等，通常利用样本数据进行有监督学习的分类方法，实现客户细分；当需要依据客户多个用电行为指标的综合相似度来对客户群进行划分，以便从整体上归纳客户的用电行为习惯与模式，刻画细分客户群体特征时，采用聚类分群的方式；当业务上已有相对具体的客户细分规则，业务目标为根据已有业务规则在系统中的固化实现对客户群体的快速定位时，采用依据经验规则的算法完成。

在本研究过程中，着重研究了依据经验规则的算法在电力客户细分中的具体应用，构建了基于综合权重法的评分卡细分模型。

4 客户细分模型设计

4.1 细分模型架构设计

通过对某电网公司目前主要客户细分应用场景的研究与分析，结合对数据挖掘模型主要应用分类的研究，本文设计了基于K?Means算法[5]的聚类分析、基于价值区间的客户细分、基于确定业务逻辑规则的客户细分与决策树客户细分四大类细分模型。其中第一类属于聚类模型应用范畴；第二类属于有监督的分类算法；第三类与第四类属于依据经验规则的算法。

为实现对客户细分模型的有效管理，在模型设计过程中，引入了模型大类、模型子类与模型实例的多级模型细分管理机制。如图1所示。

其中模型大类主要界定聚类、价值区间客户细分、决策树、逻辑规则细分等；模型子类主要界定不同客户细分应用场景下标准的或主要关注的客户属性与行为指标集，以及该模型适合应用场景；模型实例是一个选择样本数据，继承子类的属性与指标集裁减、以及相关指标权重的学习确定过程，是目标群体细分中模型应用数据源。层次式的结构划分，既保证了模型的合理扩充与有效管理，同时，在后续客户细分过程中，保证了模型实例选择的简洁清晰。

4.2 客户细分过程设计

客户细分过程涉及三个步骤，即细分目标客户选取、模型实例选择、细分结果分析与特征总结。其中细分目标客户的选取主要以用电客户的用电属性集为选择来源，设计过程突出了对属性选择的方便性与可扩展性，通过选择属性分类对应的属性值，自动形成目标客户逻辑条件集，利用条件集查询得到目标客户。

模型实例选择是对模型管理过程中形成的模型实例的具体选择与应用。该过程以模型实例中定义的客户细分特征参数、模型初始化参数为基础，实现对当前选择客户按模型实例算法的自动细分。从设计的角度将复杂的模型设计过程前移到模型管理中，客户细分过程强调对模型设计结果的直接应用。

细分结果分析包括两方面，一方面是对划分群体内不同特征值的单项值特点的分析或多个特征值的关联分析，总结该群体用电行为特征；另一方面是对一次细分中不同群体针对同一客户行为特征的在线分析，掌握同一行为特征分类在不同群体间的取值特点，更好的总体把握客户细分群体的特征差别。

5 经验规则算法在细分模型中的应用

本应用运用评分卡技术手段，通过设计多维度、灵活组合的综合价值指标体系，精确地选取训练样本，并且通过客观和主观相结合的方法确定指标体系中各指标的权重，建立一套电力行业应用的客户细分方法，实现对客户用电行为特征和需求的精确识别。具体流程如图2所示。

5.1 建立细分属性库

客户细分属性库中包含两类指标，一类是客户行为属性指标，另一类是客户台帐属性指标。其中，客户行为属性指标是描述的客户的业务行为的统计信息，来自于丰富的业务数据；客户台账属性指标是描述客户所属业务性质的信息，来自于客户台帐数据。客户属性库中指标需要定期进行数据抽取更新，更新频率视不同的指标情况而定，月度指标更新频率为每月月初一次，年度指标更新频率为每年年初一次，日指标更新频率为每日一次。

5.2 建立评分卡指标体系

以细分属性库为基础，以细分目的为指导，选取评分指标，构建指标体系。在构建过程中可能会包含进多个相似指标或者关联密切的指标，一方面影响了指标体系在评分过程中的效率，另一方面增大了指标体系的复杂度。为了避免这种情况发生，在初步确定了指标体系后，通过对两两指标进行相关性分析来确定指标间的相关度，剔除相关度较高指标已达到指标体系合理降维的目的，进而提升指标体系的实用性和科学性。本研究采用的相关性分析具体如下：

自变量为[Xi]，i=1，2，…，n，[X]为自变量的平均值。

自变量为[Yi]，i=1，2，…，n，[Y]为自变量的平均值。

相关系数[rxy]的计算公式为：

[rxy=i=1n（Xi-X）（Yi-Y）i=1n（Xi-X）2?i=1n（Yi-Y）2]

式中，r值的范围在-1和+1之间，r>0为正相关，r

5.3 综合权重设置

在客户细分指标体系中，由于每个评分指标与同一类别中的其他指标相比，其作用、地位和影响力不尽相同，必须根据每个指标的重要性程度赋予不同的权重.权重反映了各个指标在“指标集”中的重要性程度，指标的权重直接关系到这一指标对总体的“贡献性”大小.因此，确定评分指标体系的权重，是评分的基础[6]。

在权重的合理设置过程中，一方面要考虑到数据本身的内在特点，另一方面要考虑到电力行业的自身特点。只有将这两方面因素综合考虑才能更为精确地设置指标体系的权重值。

本研究中，对权重的设置分三步考虑，第一步根据数据本身的内在因素设置各指标的客观权重；第二步根据电力行业的特点，通过专家经验设置各指标的主观权重；最后综合考虑两者的影响计算得出综合权重。通过三步走的方法获得的综合权重值是理论和实践因素结合的结果，具有更强有力的说服性和可信度。

客观权重的设置采用熵权法原理进行计算，在具体应用时，熵权法根据细分指标体系中各指标值的变异程度，利用熵计算各指标的熵权值，利用各指标的熵权对所有的指标进行加权，从而得出较为客观的权重结果。另外，主观权重的设置采用层次分析法得到。最后指标体系中的每个指标均含有两个权重值，一个客观权重值，一个主观权重值。然后通过以下公式计算指标的综合权重：

[βi=αiwii=1nαiwi]

式中：[αi]为第i个指标的客观权重；[wi]为第i个指标的主观权重；[βi]为第i个指标的综合权重。

5.4 细分计算

基于评分卡的细分最后一步为细分计算，在本研究中，细分结果的计算的重点在于计算指标体系中末层各指标的得分，然后根据末层得分与各指标权重计算父指标得分，依次迭代计算直到指标体系的根指标。

6 结 语

客户细分是有效实施客户个性化服务的第一步，也是对客户关系进行良好管理和维护的基础。在当前电力供需形势下，如何保证客户服务质量，在保证供电可靠的情况下，实现供电服务的精益化管理，准确区分不同类型客户的用电习惯与用电特点，都需要准确的客户细分。

本文简要分析了电力客户细分现状与需求，在对各类客户细分模型研究基础上，提出了基于客户价值区间的细分、基于K?Means聚类算法客户细分与决策树基础上的客户细分三种细分模型，在模型的应用研究过程中充分考虑了模型输入数据的预处理过程以及模型应用的灵活性与方便性，为后续模型的维护和管理，以及客户细分应用的扩展打下了良好的基础。

在细分的过程中，为了达到较为理想的细分效果，细分指标的选取不能是任意的和随机的，需要以细分目标为准绳构建相一致的细分指标体系，合理筛选细分的维度，根据不同的场景构建相应的细分实例。与此同时，针对细分方法的构建和选择，没有绝对的正确和有效，可以根据预期效果进行尝试和选择，将误差控制在一定的范围之内。如此，才能合理和有效地进行客户特征的识别与分群，为个性化客户服务策略的指定提供可靠有力的指导和支持。

参考文献

[1] 陈明亮.客户价值细分与保持策略研究[J].成组技术与生产现代化，2001（4）：23?27.

[2] 贺仁龙，叶宇航，赵晓康.电信企业客户细分模型构建与应用研究[J].情报杂志，2011，30（6）：145?151.

[3] 刘英姿，吴昊.客户细分方法研究综述[J].管理工程学报，2006（1）：53?57.

[4] 王春叶.基于数据挖掘的电力客户细分研究[D].北京：华北电力大学，2009.

[5] MACQUEEN J. Some methods for classification and analysis of multivariate observations [C]// Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability. USA： University of California Press， 1967， 1： 281?297.

[6] 程启月.评测指标权重确定的结构熵权法[J].系统工程理论与实践，2010，30（7）：1225?1228.