摘? 要：隨著電力企業(yè)的不斷發(fā)展，供電公司對用電客戶信譽情況及客戶欠費風險情況越來越重視。從積累的大量電力營銷數(shù)據(jù)的分析和研究中構(gòu)建客戶信譽等級模型和客戶欠費風險模型，進而從中找到二者的關(guān)系成為供電公司的研究重點。為此，該文提出了基于大數(shù)據(jù)分析客戶信譽與客戶欠費間的關(guān)系的研究，對營銷系統(tǒng)的日常業(yè)務(wù)數(shù)據(jù)進行深入的挖掘分析，重新構(gòu)建客戶信譽等級和客戶欠費風險模型，判別存在電費回收高風險的用戶，并依據(jù)客戶類別生成分析儀表盤，多維分析以便降低電費回收風險，同時，找到客戶信譽與客戶欠費間的關(guān)系，以便業(yè)務(wù)人員針對具體客戶采用適當?shù)牟呗蚤_展工作。

關(guān)鍵詞：大數(shù)據(jù)分析;客戶信譽;客戶欠費;OLAP多維分析;電力營銷

中圖分類號：TP311.1;F426.61? ? ? ?文獻標識碼：A 文章編號：2096-4706（2020）02-0126-03

Abstract：With the continuous development of power companies，power supply companies are paying more and more attention to the credit situation of customers and the risk of customersarrears. From the analysis and research of the accumulated large amount of electric power marketing data，it becomes the research focus of the power supply company to build the customer credit rating model and the customer default risk model，and then find the relationship between them. For this reason，in this paper a research based on big data analysis of customer reputation and customer arrears is proposed. The daily business data of the marketing system is deeply analyzed and analyzed，and the customer credit rating and customer arrearage risk model are reconstructed to determine the existence of electricity fee recovery. High-risk users，and generate analytical dashboards based on customer categories，multi-dimensional analysis to reduce the risk of electricity bill recovery，and at the same time，find the relationship between customer reputation and customer arrears，so that business personnel can work with specific strategies for specific customers.

Keywords：big data analysis;customer reputation;customer arrears;OLAP multidimensional analysis;power marketing

0? 引? 言

目前，供電公司營銷基層業(yè)務(wù)人員反映現(xiàn)在的信譽評分不詳細，難以有效支撐業(yè)務(wù)需求，針對這個問題，從后臺分析現(xiàn)有用戶數(shù)據(jù)，發(fā)現(xiàn)營銷系統(tǒng)中93%的信譽等級都是A級（最高信譽等級），客戶信譽評分與客戶欠費間的關(guān)系不明確，需要從大數(shù)據(jù)對客戶信譽進行多維度分析，協(xié)助業(yè)務(wù)部門重新審核信譽的評分制度。而基于大數(shù)據(jù)分析客戶信譽與客戶欠費間的關(guān)系研究則能有效地解決目前供電公司有關(guān)客戶信譽等級及客戶欠費風險的問題，明確客戶信譽等級與客戶欠費間的關(guān)系，為供電公司提供強有力的決策支撐[1]。

1? 設(shè)計原則

基于大數(shù)據(jù)平臺，通過本次開展基于大數(shù)據(jù)分析的客戶信譽與客戶欠費間的關(guān)系研究，實現(xiàn)以下具體目標：

（1）數(shù)據(jù)集成：通過大數(shù)據(jù)平臺完成模型分析數(shù)據(jù)源寬表的設(shè)計與創(chuàng)建，完成DM層目標庫表的設(shè)計與創(chuàng)建，并通過數(shù)據(jù)溯源分析，完成模型數(shù)據(jù)源寬表和DM層目標表的ETL過程工作流的編寫，完成模型寬表數(shù)據(jù)的ETL抽取和統(tǒng)計，并建立定時任務(wù)和ETL日志機制，自動定時調(diào)度ETL工作流的執(zhí)行，輸出調(diào)度日志，以提高ETL工作流的執(zhí)行效率;

（2）模型設(shè)計：模型設(shè)計過程中嚴格遵循數(shù)據(jù)分析建模流程和原則，按照數(shù)據(jù)分析、數(shù)據(jù)準備、數(shù)據(jù)清洗、模型選擇、模型測試、結(jié)果分析等設(shè)計原則，嚴格進行數(shù)據(jù)分析和數(shù)據(jù)清洗，模型流程搭建遵循大數(shù)據(jù)平臺模型工作流設(shè)計要求，自動識別匹配數(shù)據(jù)字段類型，自動配置模型各項參數(shù)，可通過日志查看工作流執(zhí)行情況[2];

（3）定時調(diào)度：利用工作流定時調(diào)度任務(wù)的配置，實現(xiàn)7×24小時模型工作流的自動作業(yè)，可實現(xiàn)快速、按需自動進行模型寬表數(shù)據(jù)的ETL;

（4）函數(shù)設(shè)計：指標量相關(guān)函數(shù)的編寫和設(shè)計完全基于大數(shù)據(jù)平臺的SQL標準，優(yōu)化SQL的性能，優(yōu)化函數(shù)的輸入輸出參數(shù)，達到快速響應(yīng)執(zhí)行展現(xiàn)結(jié)果的目的。

2? 效益預(yù)期

通過本次基于大數(shù)據(jù)分析的客戶信譽與客戶欠費間的關(guān)系研究，運用大數(shù)據(jù)分析方式對客戶信譽進行多維度分析，協(xié)助業(yè)務(wù)部門重新審核信譽的評分制度，按維度可視化展示客戶信用數(shù)據(jù)，按時間、空間、類型分析客戶信用等級分布，精準掌握客戶資源，從根本上有效降低欠費回收風險，可以有效地節(jié)約人力成本，改變原有的通過人工核查的方式評估客戶信譽、識別客戶欠費的方式，降低業(yè)務(wù)人員的人力負擔和管理成本，提高信譽等級和欠費風險判定的準確性、科學(xué)性[3]。

同時，通過基于大數(shù)據(jù)分析的客戶信譽與客戶欠費間的關(guān)系研究，大力推廣應(yīng)用后的客戶信譽等級和欠費回收風險成果配置導(dǎo)出，既可有效地識別客戶欠費風險，判別電費回收高風險用戶，進而提高電費回收率，為供電公司挽回經(jīng)濟效益，又規(guī)范了管理工作，提高了決策效率，為供電公司的運營發(fā)展提速增效。全新的信譽等級和欠費風險管理模式也進一步完善了客戶的檔案、基于客戶信譽的欠費風險，根據(jù)不同情況，因地制宜地采取相關(guān)措施，提高業(yè)務(wù)處理效率，提高用戶滿意度，有利于樹立供電企業(yè)良好的社會形象。

3? 算法模型運用

3.1? Logistic回歸算法

邏輯回歸是從統(tǒng)計學(xué)中借鑒來的，盡管名字里有回歸兩個字，但它不是一個需要預(yù)測連續(xù)結(jié)果的回歸算法。與之相反，Logistic回歸是二分類任務(wù)的首選方法。它輸出一個0到1之間的離散二值結(jié)果。簡單來說，它的結(jié)果不是1就是0。Logistic回歸算法本質(zhì)上是線性回歸，是在從特征到結(jié)果進行映射的過程中加入一層函數(shù)進行映射，具體來講，就是先對特征進行線性求和，然后通過函數(shù)g（z）作為假設(shè)函數(shù)來對其進行預(yù)測[2]。g（z）主要是將連續(xù)值全部映射到0和1上。而在應(yīng)用中，考慮到其存在p個獨立的向量，表示為x′=（x1，x2，…xp），設(shè)其條件概率表示為P（Y=1|x）=p，該概率是相對于某個事件所發(fā)生的概率[2]。由此，邏輯回歸模型可以表示為[4]：

3.2? 評分卡模型

信用評分卡模型在國外是一種成熟的預(yù)測方法[3]，尤其在信用風險評估以及金融風險控制領(lǐng)域更是得到了比較廣泛的使用，其原理是將模型變量WOE編碼方式離散化之后運用Logistic回歸模型進行一種二分類變量的廣義線性模型[5]。

4? 客戶信譽及欠費風險模型構(gòu)建

根據(jù)數(shù)據(jù)挖掘的流程，運用Logistic回歸算法和評分卡模型算法，以歷史欠費客戶作為壞客戶研究樣本，基于大數(shù)據(jù)平臺Edata數(shù)據(jù)挖掘工具，從而將客戶信譽等級與客戶欠費風險模型設(shè)計為如圖1所示的流程。

5? 全體客戶評分

運用評分卡模型對全體客戶進行評分，以客戶欠費風險模型為例，經(jīng)過分析高風險客戶群主要集中在得分的前5%。如表1所示，將前5%客戶進一步細分，可以確定前1%的純度非常高，壞客戶占比較高。因此建議分群方法為：前1%：高風險群;2～5%：次高風險群;后95%：低風險群[6]。

同樣的過程，客戶信譽等級模型分析中，高信譽客戶群體主要集中在得分的前5%，較高信譽的客戶群體主要集中在得分的前20%，因此，建議客戶信譽等級分級結(jié)果為：前5%為A級（最高級），5～20%為B級，20～60%為C級，60～95%為D級，后5%為E級（最低級）[7]。

表1? 得分前5%純度比對

6? 客戶信譽與欠費風險關(guān)系

根據(jù)客戶信譽等級分級結(jié)果及客戶欠費風險等級分群結(jié)果數(shù)據(jù)，采用OLAP多維切片分析，可視化分析展現(xiàn)二者之前的關(guān)系情況，如圖2所示[8]。

經(jīng)過分析，我們可以看到電費欠費高風險的用戶主要集中在最低信譽等級的E級，并且占比為48.34%，而最高信譽等級A級中的絕大多數(shù)客戶均為電費欠費中低風險的用戶，欠費高風險的用戶占比僅為0.3%。為此，我們可以得到，信譽等級越高的用戶，其發(fā)生欠費風險的情況基本越低，而信譽等級越低（信譽差）的用戶其發(fā)生欠費的風險基本越高[9]。

7? 結(jié)? 論

綜上，本文基于供電公司積累的大量電力營銷數(shù)據(jù)，并基于大數(shù)據(jù)平臺Edata數(shù)據(jù)挖掘工具，運用Logistic回歸算法和評分卡模型，重新構(gòu)建了電力檔案客戶的客戶信譽等級，為營銷檔案客戶的信譽等級的確定及更新提供了強有力的依據(jù);同時，對全體用電客戶進行了客戶欠費風險的分群，標簽化了全體用電客戶，并利用OLAP多維切片分析，可視化展現(xiàn)了二者間的關(guān)系，極大地提高了供電公司業(yè)務(wù)分析人員的工作效率，具有廣闊的應(yīng)用前景[10]。

參考文獻：

[1] 劉曉葳.基于數(shù)據(jù)挖掘的保險客戶風險—貢獻評級管理 [J].保險研究，2013（3）：100-109.

[2] 曾小青，徐秦，張丹，等.基于消費數(shù)據(jù)挖掘的多指標客戶細分新方法 [J].計算機應(yīng)用研究，2013，30（10）：2944-2947.

[3] 劉明學(xué)，陳祥，楊珊妮.基于邏輯回歸模型和確定性系數(shù)的崩滑流危險性區(qū)劃 [J].工程地質(zhì)學(xué)報，2014，22（6）：1250-1256.

[4] 徐建民，粟武林，吳樹芳，等.基于邏輯回歸的微博用戶可信度建模 [J].計算機工程與設(shè)計，2015，36（3）：772-777.

[5] 劉曉娜，封志明，姜魯光.基于決策樹分類的橡膠林地遙感識別 [J].農(nóng)業(yè)工程學(xué)報，2013，29（24）：163-172+365.

[6] 張曉春，倪紅芳，李娜.基于數(shù)據(jù)挖掘的供電企業(yè)客戶細分方法及模型研究 [J].科技與管理，2013，15（6）：104-109.

[7] 張琪，周琳，陳亮，等.決策樹模型用于結(jié)核病治療方案的分類和預(yù)判 [J].中華疾病控制雜志，2015，19（5）：510-513.

[8] 覃文文，戢曉峰.基于K-means聚類的快遞企業(yè)客戶細分方法 [J].世界科技研究與發(fā)展，2011，33（6）：955-958+969.

[9] 張衛(wèi)東，李媛.基于C5.0算法的電信用戶流失預(yù)警分析 [J].宜賓學(xué)院學(xué)報，2014，14（6）：119-122.

[10] 魏巍.基于客戶數(shù)據(jù)庫的市場細分實證研究——以某高校網(wǎng)絡(luò)超市數(shù)據(jù)為例 [J].河南工程學(xué)院學(xué)報（社會科學(xué)版），2011，26（2）：32-38.

作者簡介：徐佳玲（1986.11-），女，漢族，浙江諸暨人，局域網(wǎng)及終端管理助理專責，助理工程師，本科，研究方向：終端局域網(wǎng)管理、資產(chǎn)管理。