基于電力企業(yè)目標(biāo)的中小客戶細分研究

張偉峰 郭大琦 阮箴 張家浩 方智淳

摘 要：目前電力企業(yè)非常重視大客戶和居民客戶的分析和研究工作，針對中小客戶的產(chǎn)品和策略研究較少。但中小客戶群體數(shù)量多、社會影響面較廣，且經(jīng)常存在多用電類別合用的情況，容易發(fā)生欠費、安全用電、內(nèi)部廉政等多方面風(fēng)險。本研究擬通過對中小客戶群體進行客戶細分和營銷策略研究工作，識別不同細分群體客戶特點，制定差異化、個性化營銷策略。為今后孵化出針對中小客戶的服務(wù)、產(chǎn)品打下基礎(chǔ)，以解決目前中小客戶供電服務(wù)的模式化、粗放化，進一步提升客戶滿意度、增加公司經(jīng)營效益、降低公司經(jīng)營風(fēng)險。

關(guān)鍵詞：客戶細分;聚類分析;差異化服務(wù)

中圖分類號：F426.61 文獻標(biāo)識碼：A 文章編號：1671-2064（2019）02-0150-02

0 引言

隨著“互聯(lián)網(wǎng)+”的深入發(fā)展，電力客戶差異化、個性化服務(wù)需求凸顯，為了能夠更好地、更有針對性地滿足客戶多元化的需求，亟待對客戶進行有效分類，為深入掌握客戶需求提供分析主體，據(jù)此制定的服務(wù)策略才能夠精準地滿足不同客戶的用電服務(wù)需求，實現(xiàn)差異化與個性化服務(wù)。為更好的適應(yīng)當(dāng)前社會的發(fā)展，提升電力企業(yè)的服務(wù)水平，各個電力企業(yè)開始提升自身的服務(wù)水平，并結(jié)合當(dāng)前的信息化技術(shù)，加強對客戶類型的分類，并挖掘其中的有效信息，進而制定針對不同的客戶群體制定不同的營銷政策。而通過這種方式，還可以為不同的客戶提供差異化的電力服務(wù)，最終提升電力企業(yè)客戶服務(wù)水平的提升。因此，在這種思想的指導(dǎo)下，很多電力企業(yè)開始結(jié)合自身的實際情況，對不同的客戶進行分類。

1 客戶細分研究

1.1 客戶細分研究概述

客戶細分是由美國學(xué)者溫德爾史密斯（1958年）提出的，指企業(yè)根據(jù)一定目的按照一定標(biāo)準將現(xiàn)有客戶劃分為不同的客戶群。其目的在于使企業(yè)在有限資源的基礎(chǔ)上為客戶提供有針對性的產(chǎn)品、服務(wù)和銷售模式，滿足客戶異質(zhì)性需求，有效參與市場競爭。目前國內(nèi)外對客戶細分的應(yīng)用基本上圍繞人口統(tǒng)計、生活方式、行為等方向展開，細分的維度也更多地由單維轉(zhuǎn)向多維，研究工具除了傳統(tǒng)的統(tǒng)計分析方法，開始大量采用數(shù)據(jù)挖掘技術(shù)、計算機人工智能技術(shù)，如決策樹、隨機森林、神經(jīng)網(wǎng)絡(luò)等。國內(nèi)電網(wǎng)企業(yè)對客戶細分也開展了大量的研究及應(yīng)用工作，如從客戶用電性質(zhì)、電壓等級、用電規(guī)模、信用等級等角度對電力客戶進行分類。

1.2 電力客戶細分研究

當(dāng)前，電力客戶分類主要存在如下幾個方面的問題：客戶細分維度單一，客戶細分應(yīng)用性較差等問題。

客戶細分維度單一。現(xiàn)有的客戶細分維度單一，僅依據(jù)合同容量、用電量等單一維度來劃定，存在一定的局限性，更沒有采用定性與定量相結(jié)合的方式進行客戶細分。

客戶細分應(yīng)用性較差。電力公司目前現(xiàn)有客戶現(xiàn)場服務(wù)中僅電壓和行政區(qū)域細分常用，不能適應(yīng)競爭性市場營銷活動的需要，未能指導(dǎo)員工進行有效的市場營銷活動，可操作性較差，且內(nèi)容更新頻率慢，已不能滿足市場和電網(wǎng)企業(yè)員工需求。

對于本文中小客戶的細分研究，以企業(yè)自身目標(biāo)為出發(fā)點，對目標(biāo)進行分解。以當(dāng)前中小商戶的用電行為導(dǎo)致的三大風(fēng)險，即廉政風(fēng)險、欠費風(fēng)險、安全風(fēng)險為出發(fā)點，以降低風(fēng)險為目標(biāo)，展開多維度，多指標(biāo)的客戶細分工作。

以上圖1為例，借鑒三維法，以三維體系為基準，構(gòu)建客戶細分模型。從企業(yè)目標(biāo)入手，建立基于企業(yè)目標(biāo)的客戶細分體系，克服傳統(tǒng)市場細分方法的缺點，構(gòu)建能夠有效幫助企業(yè)實現(xiàn)提升目標(biāo)的市場細分模型。

2 客戶細分模型構(gòu)建

2.1 K-means算法原理

本文結(jié)合相關(guān)的主要的分類方法，提出基于K-means的客戶細分模型。K-means作為一個經(jīng)典的聚類算法，該算法的原理是結(jié)合歐式距離定理對不同空間中的數(shù)據(jù)相似度進行分析。其具體的過程：首先將需要聚類的數(shù)據(jù)進行劃分，根據(jù)K值分為K個不同的類簇，然后在以某簇作為中心，就該簇與其他簇之間的距離進行計算。將相似度較大的劃分為一類，然后在對上述的數(shù)據(jù)進行劃分，以此類推。具體的數(shù)學(xué)描述為：

假設(shè)在Q維空間中，存在有限集X={x1，x2，…，xn}，采用隨機的方式將有限集分為k類，表示為C1，C2，…，Ck，若類中存在n個對象，那么第i類聚類中心可定義為Z1，Z2，…，Zk。定義其歐式距離公式：J=。

式（1）表示第j個文本到第i個聚類中心的距離。

2.2 客戶細分模型構(gòu)建

結(jié)合K-means算法的原理，本文將本系統(tǒng)的客戶細分模型的步驟設(shè)計為如下：

（1）選擇客戶細分的變量。根據(jù)需要分類的目標(biāo)和相關(guān)的實際數(shù)據(jù)，對細分的指標(biāo)進行選取;（2）對數(shù)據(jù)進行預(yù)處理。對需要細分的電力客戶數(shù)據(jù)進行進行清洗、歸一化、轉(zhuǎn)換和缺失等處理;（3）采用K-means算法對客戶進行分類，并給出分類的結(jié)果;（4）將結(jié)果通過圖形、表格等方式顯示出來。

3 基于K-means電力客戶細分

3.1 數(shù)據(jù)樣本預(yù)處理技術(shù)

對抽取的數(shù)據(jù)進行初步整理，檢查數(shù)據(jù)是否存在變量的缺失值、未知值、無效值等異常情況，對于異常值情況采用直接刪除的方式或者按照數(shù)據(jù)分布的分位數(shù)比例進行替代。如：在欠費風(fēng)險中，將月度平均用電量、月度平均電費為空值（立戶日期為2018年9月1日以后的）;月度平均用電量、月度平均電費為異常值（比如為零點幾）;年電量增長率為異常值（主要為立戶日期2017年10月以后的）;運行容量值為0;累計欠費次數(shù)為0，實收違約金不為0，等相關(guān)樣本數(shù)據(jù)進行剔除。

將剔除完的樣本數(shù)據(jù)數(shù)據(jù)進行標(biāo)準化處理。標(biāo)準化采用Z-score方式：Z=。

其中，x是原始數(shù)據(jù)，是全部數(shù)據(jù)的均值，σ為標(biāo)準方差。將標(biāo)準化后的樣本數(shù)據(jù)引入SPSS軟件，進行樣本數(shù)據(jù)的K-means聚類分析。

3.2 中小客戶細分結(jié)果