基于电力客户行为的客户细分与价值评价研究--中国期刊网

字体：大中小

首页> 原创作品> 正文

基于电力客户行为的客户细分与价值评价研究

发表时间：2020/11/23 来源：《基层建设》2020年第22期作者：陈俏俏

[导读] 摘要：随着电力市场的发展，我国电力市场需求多元化的特性逐渐凸显。

        国网新疆电力有限公司塔城供电公司新疆塔城 834700
        摘要：随着电力市场的发展，我国电力市场需求多元化的特性逐渐凸显。如何优化营销策略，满足不同客户的用电需求，提高核心竞争力，已成为电力企业迫切需要解决的一项问题，而电力客户细分与价值评价的研究能为制定有针对性的营销策略提供重要依据。
        关键词：电力客户行为；客户细分；价值评价
        因各种体制原因，我国电力企业长期垄断经营，加之政企不分，造成对客户资源重视度不足。在这种情况下，电力营销无疑是摆脱这一困境的一大利器。近年来，随着各级电力公司营销体系的规范化建设和用户用电信息系统建设等的开展，建立了电力行业门户网站，拓展了电费支付渠道，建立了电力95598客户服务中心，基本实现了电力客户的专业化互动服务平台。但目前仍有大量的用电数据未得到充分挖掘利用，电力营销服务在很大程度上还停留在同质化的普通服务中，缺乏针对性、时效性、准确性。本文对基于电力客户行为的客户细分与价值评价进行了分析。
        一、研究现状与内容
        1、电力客户细分研究现状。当前，电力客户细分主要基于定性分类方法，而定量方法在电力客户细分中的应用十分有限。用定性分类的方法对电力客户进行细分，往往不能对电力客户有一个全面的了解，而且客户间的区分标准较模糊，因此不能准确地划分客户。定量方法则未考虑电力客户自身属性对电力客户的影响，不能很好地解释细分结果。有文献综合采用定性和定量相结合的方法对电力客户进行细分，但可操作性不强，主要体现在：1）由于电力客户众多，专家评分过程中一些定性指标无法保持一致，主观性较强，从而使误差大；2）未形成基于电力客户经济行为和价值细分的综合评价，不能满足决策的精确性要求。
        随着数据仓库及数据挖掘技术的完善，客户越来越成熟，客户数据也会越来越丰富及复杂，有些复杂的数据很难精确化，只有运用数据挖掘技术，才能贴近人类的思维方式，更易被人理解，从而使分类更加科学、规范。相关文献涉及到数据挖掘技术在电力行业中的应用，但这些研究并未将电力客户细分和价值评价结合起来。
        基于数据挖掘的客户行为细分，是借助数据挖掘的深层次数据分析方法，对数据库中的各种客户行为变量进行精确细分，实现对客户行为的定量描述，准确判断和分析客户行为模式及价值，进而为精细化营销提供决策依据。
        与传统的客户细分相比，基于数据挖掘的客户行为细分具有以下优势：能客观反映客户群体的内在特性；能全面反映客户多方面的特征；有利于对客户价值有更深入、更详细的了解；在营销实践中具有可操作性；易于实现对客户的动态跟踪。
        当前，利用数据挖掘对电力客户进行细分的研究文献较少，基于此进行实证验证分析的文献更少。本文提出了一种基于数据挖掘的电力客户细分模型，并以某电力大客户为研究对象，对电力客户细分结果进行了实证分析。
        2、电力客户价值评价研究现状。客户价值是营销理论的重要组成部分，价值的含义因研究角度的不同而不同。本文将用“客户终身价值”的概念来界定电力客户价值。从时间层面划分，客户终身价值由两部分组成。当前价值：目前已实现的客户价值；潜在价值：公司通过有效的交叉销售，调动客户的购买积极性，或客户向他人推荐产品与服务，从而可能增加的客户价值。
        电力客户价值研究可借鉴成熟的电信业客户价值研究成果。本文建立了移动运营业用户价值评价指标体系，框架如图1所示。
        图1 移动客户价值评价指标体系

        该移动客户价值评价指标体系中，客户价值包括客户当前价值和客户未来短期内价值。其中，利润贡献率和成本占有率指数能综合反映移动客户的当前价值；忠诚度、信用指数能综合反映移动用户未来的短期价值。
        3、研究内容。本文以数据挖掘为切入点，建立基于数据挖掘的电力客户细分和价值评价模型，并以某电力部分客户为研究对象，进行实证分析。具体内容包括：①根据客户经济行为的属性，构建客户行为细分指标体系。②综合考虑电力客户的当前、潜在价值，构建客户价值评估指标体系。③为实现行为细分变量与价值评估变量的有机统一，构建以客户经济行为细分体系为基础，以客户价值评估体系为辅的电力客户细分模型。④聚类分析法是根据客户的经济行为和价值评估分类，对顾客进行细分。⑤根据聚类分析结果，生成电力客户细分标准。⑥根据客户细分类型，确定评估变量取值，分别计算不同细分客户群的相对价值，以实现电力客户价值的量化评估。
        二、模型建立
        1、研究思路。不同经济行为的客户往往有不同的电力需求，因此，通过分类或聚类分析技术，将具有相似经济行为的客户划分为同一组，而经济行为差异较大的客户划分为不同的群体。同时，考虑到客户价值与行为两方面因素，从企业价值创造的角度对每个客户群进行分析，揭示了各客户群为电力企业创造的价值大小和价值创造的形式，实现基于电力客户细分类别的用户相对价值的量化评估，从而科学制定出能全面反映电力客户利益关系、用电特征、发展潜力、信用状况等综合信息的客户价值评价标准，进而为企业营销服务战略的制定提供依据。
        2、细分工具方法。利用聚类算法进行客户细分是一种常用的数据挖掘技术。根据聚类中数据的积聚规则，聚类算法大致可分为以下几类：划分式聚类算法、层次化聚类算法、基于模型的聚类算法与基于密度和网络的聚类算法。K-means聚类算法是解决聚类问题的一种经典算法，它利用距离为度量个体间的关系紧密程度的指标，通过指定分类数得到聚类结果。其主要优点是算法简单、快速，能有效处理大型数据库。本文将采用K-means聚类算法对电力客户进行细分，具体过程为：输入：聚类数k，包含n个数据对象的数据；输出：满足方差最小标准的k个聚类。
        演算步骤：
        ①指定聚类数目。确定聚类数目（也称簇数目），太大或太小都会失去聚类的意义。
        ②确定K个初始类中心。类中心（也称簇中心）是各类典型代表。定聚类数目K后，还需指定K个类的初始类中心点。初始类中心点的合理性将直接影响聚类收敛的速度。
        ③基于最近原则进行聚类。根据距依次计算每个数据点与K类中心点间的欧式距离，并按距K个中心点最近原则，将所有样本分配到最近的类中，形成K个类。
        ④重新确定K个中心。重新计算K个类的中心点。中心点的确定原则是：依次计算每一类中所有数据点变量的均值，以均值点为K个类的中心点。
        ⑤判断是否满足终止聚类的条件（聚类中心点不再变化），若未满足返回步骤3，重复上述过程，直到满足迭代终止条件。
        3、电力客户细分指标体系。电力客户的经济行为属性最能反映其经济特征，因此将其作为细分变量，其衍生变量通常包括：汇总变量、平均变量、趋势变量、波动变量和结构变量。根据实际取得的数据，构建电力客户细分模型指标体系，如表1所示。
        表1 电力客户细分模型指标体系

        电力客户细分指标：
        年用电量：电力客户年用电量，反映电力客户用电规模，是电力客户细分中重要的细分指标。
        平均电价：电力客户消耗电能的平均价格，反映用电客户用电效率情况。
        用电增长率：电力客户年用电增长率，反映电力用电潜力情况。
        变异系数：一年内各月用电标准差与平均值比值，反映用电客户波动情况。
        付款率：一年内按时缴纳的电费金额与应缴电费金额比值，反映电力客户信用状况。
        4、电力客户价值评价。本文运用“客户终身价值”的概念来界定电力客户价值。客户终身价值是指客户未来能为公司带来的直接成本和利润的净现值。
        参考文献：
        [1]李逢春.基于数据挖掘的电力行业客户细分建模浅探[J].计算机光盘软件与应用，2015（17）.
        [2]陈章良.基于数据挖掘的电力营销预测决策模型应用与研究[J].电力信息化，2015（12）.
        [3]田建伟.基于电力客户行为的客户细分与价值评价研究[J].电子世界，2016（24）.