一种基于机器学习模型的电力优质客户筛选方法与流程

本发明涉及一种基于机器学习模型的电力优质客户筛选方法，属于电力技术领域。

背景技术：

随着国家电力市场化改革的深入推进，售电侧市场逐步放开，售电市场的竞争逐渐加剧，其中优质客户将成为重要的竞争焦点。挖掘优质客户，实现精准化差异化的客户服务，提高客户服务满意度，成为一项重要的事业。当前在电力行业中，对于客户评级多根据电量电费判断，或者简单的层次分析法模型进行识别等，主要考虑的是客户的现有能力，而未能综合从客户的潜力、信用等多维度综合考虑，无法实现更为深刻全面的优质客户识别。

技术实现要素：

针对现有技术的缺陷，本发明的目的在于提供一种电力优质客户识别模型，能够综合考虑客户的经济价值、发展潜力、信用水平维度，进而实现自动化识别优质客户，实现更为深刻全面的优质客户识别的基于机器学习模型的电力优质客户筛选方法。

为实现上述目的，本发明的技术方案为：

一种基于机器学习模型的电力优质客户筛选方法，通过设计指标体系，利用机器学习算法建模，构建电力优质客户识别模型，实现对电力优质客户的识别；电力优质客户筛选方法包括以下步骤：

第一步，设计了一套以识别电力优质客户为目的的指标体系；通过etl抽取系统数据，并对原始数据进行清洗和处理，以及生成衍生指标；从经济价值、发展潜力、信用水平三个主要的维度构建指标体系，在每个维度下建立相应的多个子维度指标，从电量电费角度建立经济价值指标，从增长趋势、行业特征方面建立发展潜力指标，从客户的交费行为、用电行为方面建立信用水平指标；

第二步，通过机器学习算法，使用因子分析算法进行指标降维。模型的输入指标为一个时间点指标体系指标，以该时间点之后一段时期连续稳定高电量、信用好的事实客户作为目标样本，通过支持向量机svm算法进行模型训练，模型输出结果为各个指标的权重；

第三步，对所有客户进行优质客户识别，最终得到优质客户，并进行相应的差异化客户服务和跟踪服务，提高客户服务满意度，维系优质客户关系。

本发明通过机器学习模型对离散的电力客户数据进行整合，能够综合考虑客户的经济价值、发展潜力、信用水平维度，进而实现自动化识别优质客户，实现更为深刻全面的优质客户识别。本发明能够从所有的客户中识别出优质客户，通过实施对电力客户的个性化管理和跟踪管理，从而达到巩固客户资源，提高服务质量，树立品牌形象，占据主导市场的目的。进而本发明可以深度整合现有数据，挖掘电力潜力，为电力发展由单纯数量上的简单积累转向效率上的提高奠定数据支撑。

这既有利于政府制定政策、决策规划的科学性，前瞻性，也用于电力部门分析客户群、制定商业策略、谋求互利合作提供参考。

作为优选技术措施，所述机器学习算法指标包括：年用电量、峰谷用电比、合同容量、年用电增长率、用行业电增长率、信用等级。指标涵盖各种变量，使得对客户的评价更加客观、全面。

作为优选技术措施，年用电量权重占比为0.35，峰谷用电比权重占比为0.17，合同容量权重占比为0.08，年用电增长率权重占比为0.38，用行业电增长率权重占比为0.07，信用等级权重占比为0.16。

作为优选技术措施，评估一个用户在未来是否是优质客户的重要指标是用电量及用电量增长率，其次是用电行为、信用等级。作为一种筛选模型，将之前离散的数据有机结合起来，综合体现电力客户变化趋势，为地区间、行业间的横向比较与量化评价提供数据支撑，也为同一地区、同一行业进行纵向分析和客户筛选提供数据参考。

与现有技术相比，本发明具有以下有益效果：

本发明通过机器学习模型对离散的电力客户数据进行整合，能够综合考虑客户的经济价值、发展潜力、信用水平维度，进而实现自动化识别优质客户，实现更为深刻全面的优质客户识别。本发明能够从所有的客户中识别出优质客户，通过实施对电力客户的个性化管理和跟踪管理，从而达到巩固客户资源，提高服务质量，树立品牌形象，占据主导市场的目的。进而本发明可以深度整合现有数据，挖掘电力潜力，为电力发展由单纯数量上的简单积累转向效率上的提高奠定数据支撑。

这既有利于政府制定政策、决策规划的科学性，前瞻性，也用于电力部门分析客户群、制定商业策略、谋求互利合作提供参考。

附图说明

图1为某一客户2016-2017年用电趋势分布图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

一种基于机器学习模型的电力优质客户筛选方法，通过设计指标体系，利用机器学习算法建模，构建电力优质客户识别模型，实现对电力优质客户的识别；电力优质客户筛选方法包括以下步骤：

第一步，设计了一套以识别电力优质客户为目的的指标体系；通过etl抽取系统数据，并对原始数据进行清洗和处理，以及生成衍生指标；从经济价值、发展潜力、信用水平三个主要的维度构建指标体系，在每个维度下建立相应的多个子维度指标，从电量电费角度建立经济价值指标，从增长趋势、行业特征方面建立发展潜力指标，从客户的交费行为、用电行为方面建立信用水平指标；

第二步，通过机器学习算法，使用因子分析算法进行指标降维。模型的输入指标为一个时间点指标体系指标，以该时间点之后一段时期连续稳定高电量、信用好的事实客户作为目标样本，通过支持向量机svm算法进行模型训练，模型输出结果为各个指标的权重；

第三步，对所有客户进行优质客户识别，最终得到优质客户，并进行相应的差异化客户服务和跟踪服务，提高客户服务满意度，维系优质客户关系。

本发明通过机器学习模型对离散的电力客户数据进行整合，能够综合考虑客户的经济价值、发展潜力、信用水平维度，进而实现自动化识别优质客户，实现更为深刻全面的优质客户识别。本发明能够从所有的客户中识别出优质客户，通过实施对电力客户的个性化管理和跟踪管理，从而达到巩固客户资源，提高服务质量，树立品牌形象，占据主导市场的目的。进而本发明可通过数字、曲线、图形的形式，直观、简洁、清晰地反映电力客户变化趋势，可以深度整合现有数据，挖掘电力潜力，为电力发展由单纯数量上的简单积累转向效率上的提高奠定数据支撑。

这既有利于政府制定政策、决策规划的科学性，前瞻性，也用于电力部门分析客户群、制定商业策略、谋求互利合作提供参考。

通过机器学习算法建立的优质客户识别模型算法结果如下表：

从上表结果表明，评估一个用户在未来是否是优质客户的重要指标是用电量及用电量增长率，其次是用电行为、信用等级。

作为一种筛选模型，将之前离散的数据有机结合起来，综合体现电力客户变化趋势，为地区间、行业间的横向比较与量化评价提供数据支撑，也为同一地区、同一行业进行纵向分析和客户筛选提供数据参考。

如图1所示，通过本发明识别的优质客户，其用电量实际情况：

在2017年1月，通过本发明识别的该优质用户，实践证明其在2017年的用电量依旧强劲，且呈上升趋势，其2017年总用电量14.5万千瓦时，比2016年增长13％，且2017年没有违约用电行为，没有逾期交费行为，符合优质客户定义，说明本发明能够有效识别优质客户。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。