|
|
|
|
|
|
|
|
|
|
|
|
电力改革
  您当前位置:首页 >> 电力改革
新电改背景下电力大客户服务策略
发布时间:2020/5/6  浏览次数:2019


随着电力体制改革和售电侧放开不断推进,多买多卖的竞争格局和多层次电力市场体系将逐步形成,市场化售电环境构建过程中,售电公司除为客户提供基础能源供应外,将以差异化营销服务和增值服务吸引客户,抢占市场份额,同时更加注重客户关系管理和维系,保持企业利润。面对市场化竞争和客户流失风险,电网企业应逐步转变服务模式,改变同质化的服务现状,利用大数据技术为不同属性特征和需求特征的客户提供相适应的服务策略。目前,电网公司针对电力客户,尤其是具备参与电力市场化交易能力的电力大客户,其服务目前存在以下问题:未能实现针对细分群体及其需求特征的差异化、精准服务策略供应;营销人员基于客户需求的服务策略探索多以定性为主,不便于形成统一标准,使得结果科学性、合理性存疑,为策略推送结果适用性和可操作性增加了困难。

本文应用客户需求的服务策略研究结果,利用大数据技术构建了电力大客户服务策略定量推荐模型,基于研究实践形成了一套服务策略智能匹配的工作机制,为企业精准推送服务策略提供科学依据,对电网公司在售电市场化环境下满足不同类型用电客户需求,维护客户关系,提升服务运作效率,增强售电侧市场放开环境的应变能力和竞争实力期重要意义。

1客户需求导向的服务策略清单引入

基于前期对电力大客户进行需求调研,形成客户细分及需求研究成果(需求清单),组织电力营销人员依据对不同细分群体客户(传统电力大客户、新型售电公司及园区客户、分布式能源及微网客户)需求满足能力,结合客户需求方向的营销服务管理、业务运作现状评估结果,围绕服务策略梳理和提升工作开展以下业务:业扩报装(大客户经理)、电费、用电检查、需求响应及节能服务、渠道、计量等。通过分析客户需求和服务供给评估结果对单一业务从流程、执行规范和标准、服务手段和措施等方面梳理当前服务差距和不足,提出后续服务改进方向和关键t,形成客户服务策略清单(共45类),含策略编号、策略名称、策略说明、策略级别等,为后续客户服务策略模型构建工作提供数据支撑。

客户需求导向的服务策略清单如表1所示


2电力大客户服务策略推荐算法及思路

2.1服务策略推荐算法选择

随机森林是一种多功能的机器学习算法,能够执行回归和分类的任务,同时也是一种数据降维手段,用于处理缺失值、异常值以及担当其他数据探索中的重要步骤,并取得了不错的成效。另外,它还是一种集成学习的重要方法,是将几个低效模型整合为一个高效模型的有效方法。在随机森林中,生成很多决策树,并不像在CART模型只生成唯一的树。当基于某些属性对一个新的对象进行分类判别时,随机森林中的每一棵树都会给出自己的分类选择,并由此进行“投票”,森林整体的输出结果将会是票数最多的分类选项目。而在回归问题中,随机森林的输出将会是所有决策树输出的平均值。

随机森林具有准确率高、鲁棒性好、易于使用等优点,成为目前最为流行的机器学习算法之一四。本文将探索使用随机森林算法实现服务策略推荐模型的构建以及服务策略的精准推送。

2.2服务策略推荐模型构建思路

基于电力大客户的历史属性特征数据收集和需求分析结果,结合服务策略清单梳理成果,选取一定数量的训练样本和测试样本用于模型构建和验证(要求样本具有完整客户属性特征、需求属性特征和策略清单),并组织电力营销专家对样本客户策略匹配情况进行审定,确定样本客户属性特征与策略的匹配关系,形成模型训练样本数据库(含客户属性标签库和策略清单库)。

通过人工和算法结合的方式对样本客户属性特征数据和策略清单数据进行清洗整理,基于训练样本基础数据,采用随机森林算法对每一类策略的客户属性特征进行机器学习,完成客户属性特征与策略匹配模型的构建,进而利用模型预测测试样本服务策略推荐结果,并对推荐结果的准确率进行评估。服务策略推荐模型构建思路如下图1所示


3基于随机森林算法的服务策略推荐模型构建

3.1样本客户选取

本研究中以江苏常州武进区电力大客户作为研究对象,基于样本客户基础数据完整、有效原则,通过整合需求研究和客户价值评估阶段结果,共抽取武进区有效样本客户223,随后对样本客户属性特征数据、客户需求数据、价值评价数据进行了初步清洗,以确保满足推荐模型构建和服务策略精准推送的需要。

3.2服务策略审定

基于服务策略清单梳理结果及样本客户抽样结果,结合样本客户属性特征和需求情况,组织营销业务专家对每位样本客户策略匹配情况进行审定,确定样本客户属性特征与策略的匹配关系,形成客户属性-服务策略样本数据库(含客户属性标签库和策略清单库),用于客户服务策略推荐模型训练样本数据库和测试样本数据库构建工作。

3.3数据清洗

数据清洗工作主要从2个方面开展:样本数据筛选(样本客户属性特征筛选)和数据标准归一化处理。

3.3.1样本客户属性特征筛选

样本客户属性特征筛选的主要目的是选择对训练数据具有分类能力的属性特征,以提高机器学习的效率。如果利用一个属性特征进行分类的结果与随机分类的结果没有较大差别,则称这个特征不具备分类能力,理论上删除此特征对决策树学习的精度影响不大,同时可使模型泛化能力更强。随机森林提供了2种特征选择的方法:平均精确率(MDA)减少和平均不纯度减少(MDI)。本研究中采用随机森林平均精确率减少方法进行特征选择。平均精确率减少特征选择方法是指直接度量每个特征对模型精确率的影响,主要思路是打乱每个特征的特征值顺序,度量顺序变动对模型的精确率的影响,对于不重要的变量来说,打乱顺序对模型的精确率影响不会太大,但是对于重要的变量来说,打乱顺序就会降低模型的精确率。


3.4模型训练

模型训练步骤如下图2所示,将标量样本数据分为80%训练样本和20%测试样本,通过对训练集数据进行机器学习,有放回的多次随机抽取训练数据和特征数据建立随机森林,计算测试样本在随机新组合,使得每一条客户数据对应一个策略,以符合随机森林函数的数据要求。此处是通过将没有采取的策略用-1标记,通过np.where函数找到每一类策略中不为T的数据,也就是采取该策略的客户,找到该客户的特征值,从而将所有的训练样本数据重新组合成一个新的客户特征-策略数组。


加载随机森林函数包,将训练数据导入进行训练,通过有放回的随机选择节点上的N个样本特征中的"个特征(n小于N),构建决策树作为弱分类器,在这些随机选择的部分样本特征中选择一个最优的特征来做决策树的左右子树划分,最终得到最强的分类器。

3.5服务策略推荐预测结果计算

通过构建好的随机森林模型,可以预测测试样本客户在每一类策略上的可能性,通过函数对每一个策略的可能性进行判别,根据某客户是否有可能属于该类策略,判断是否对客户推送该策略。

通过随机森林模型的构建和策略推送函数判断,得到客户策略的预测结果。基于随机森林分析法可以得到每一个测试样本客户关于每一类策略是否推送的选择结果,其中T表示推送该策略,0”表示不推送该策略。客户服务策略推送结果预测示意如表4所示。


4结束语

本文结合服务策略清单梳理结果,选用随机森林推荐算法的大数据分析方法,通过选择江苏常州武进区大客户样本,训练并构建了服务策略精准推荐模型,通过训练样本的服务策略匹配结果预测并实现了测试样本服务策略精准推送。同时,基于随机森林推荐算法的服务策略推荐模型,可以根据客户需求的变化和服务策略内容的更新进行机器自主学习,实现服务策略推荐模型的优化和新型服务手段、措施的精准匹配,对于电力营销业务专职创新大客户服务管理模式、提升大客户服务效率和精准服务水平具有现实指导意义。

本文构建的服务策略动态优化和调整的工作机制实现了服务策略的智能推送和精准匹配,有助于江苏电力满足不同类型的用电客户个性化、差异化供电服务需求,弥补传统电网公司服务空白或服务短板,实现服务供给和服务需求的平衡;有助于电网企业优化供电服务资源配置,推动服务升级和服务模式创新,提升内部管理和运作效率;同时对于售电侧放开背景下电网企业应对日益突变的市场环境,吸引并发展高潜价值客户,培育核心竞争能力,赢得市场先机具有深远战略意义。

(来源:电力需求侧管理)