宋才華+王永才+藍(lán)源娟+鄭錦卿

摘 要： 社會(huì)經(jīng)濟(jì)的不斷發(fā)展推動(dòng)了電力行業(yè)的快速發(fā)展。隨著客戶細(xì)分理論與方法的發(fā)展，其已廣泛應(yīng)用于我國電力、電信、銀行及零售業(yè)等行業(yè)的營銷實(shí)踐中。由于客戶行為能有效、直接地反映出消費(fèi)者的需求，在經(jīng)濟(jì)市場中的應(yīng)用更為廣泛，是市場細(xì)分中的最佳起點(diǎn)。主要以客戶細(xì)分的概述為出發(fā)點(diǎn)，對電力客戶細(xì)分現(xiàn)狀、基于數(shù)據(jù)挖掘的客戶細(xì)分及模型構(gòu)建進(jìn)行探討。

關(guān)鍵詞： 電力行業(yè)； 數(shù)據(jù)挖掘； 客戶細(xì)分； 模型構(gòu)建

中圖分類號： TN911?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2014）14?0021?03

Analysis of data mining based customer classification model for electric power industry

SONG Cai?hua， WANG Yong?cai， LAN Yuan?juan， ZHENG Jin?qing

（Information Center， Foshan Power Supply Bureau， Foshan 528000， China）

Abstract： The continuous development of social economy promote the rapid development of electric power industry. The theory and method of customer classification has been widely used in Chinese markets of electric power， telecommunications， bank and retail industries. Proceeding from the overview of customer classification， the status quo and model construction of customer classification based on data mining are discussed.

Keywords： power industry； data mining； customer classification； model construction

隨著我國供電企業(yè)在經(jīng)濟(jì)市場中的競爭越來越大，供電企業(yè)不斷提高市場競爭意識，加強(qiáng)對客戶資源及企業(yè)效益的重視程度。目前，電力企業(yè)工作的重點(diǎn)已逐漸轉(zhuǎn)移到電力市場營銷工作中來，其營銷工作效率對電力企業(yè)的經(jīng)濟(jì)、社會(huì)效益及發(fā)展造成極大的影響[1]。在市場經(jīng)濟(jì)環(huán)境下，電力企業(yè)的營銷工作重心要放在如何滿足客戶的要求上。另外，電力企業(yè)在客戶研究方面缺乏深度，目前，部分供電企業(yè)逐漸認(rèn)識到大客戶的管理工作的重要性，但由于缺乏有效的理論支持，導(dǎo)致電力企業(yè)對大客戶管理工作的落實(shí)效果并不明顯[2]。因此，識別與細(xì)分大客戶的實(shí)際需求，根據(jù)其需求推出相應(yīng)的營銷策略，能有效提高企業(yè)的經(jīng)濟(jì)效益。

1 客戶細(xì)分的概述

客戶細(xì)分的前提是根據(jù)企業(yè)收集與整理的客戶信息，結(jié)合其需求特點(diǎn)、信譽(yù)狀況及購買行為等方面的不同，將某種產(chǎn)品的客戶分到多個(gè)客戶群當(dāng)中。因此，不同的細(xì)分客戶群體具有不同的特征，其客戶需求也各不相同?？蛻艏?xì)分立足于多種不同客戶特點(diǎn)基礎(chǔ)上，根據(jù)不同的企業(yè)客戶對產(chǎn)品的需求，才能進(jìn)行細(xì)分。同時(shí)，隨著經(jīng)濟(jì)市場改革的日趨成熟，客戶對產(chǎn)品的特點(diǎn)也是隨之改變的，而客戶細(xì)分也會(huì)隨著其發(fā)生改變。因此，企業(yè)要密切關(guān)注客戶的實(shí)際情況，以采取及時(shí)、有效的細(xì)分對策。在客戶細(xì)分實(shí)際的應(yīng)用中，體現(xiàn)的是一個(gè)聚集的過程，即企業(yè)根據(jù)客戶的需求，將相同需求特點(diǎn)的客戶歸為一個(gè)群體[3]。

2 電力客戶細(xì)分中存在的問題

2.1 經(jīng)濟(jì)行為缺失

電力客戶的屬性體現(xiàn)在社會(huì)、經(jīng)濟(jì)及經(jīng)濟(jì)行為等方面，作為企業(yè)應(yīng)該根據(jù)不同的客戶屬性，結(jié)合相應(yīng)的因素，妥善分類客戶群體。目前，電力企業(yè)主要是將客戶的社會(huì)屬性和經(jīng)濟(jì)屬性應(yīng)用在客戶分類的因素上，卻甚少應(yīng)用到客戶經(jīng)濟(jì)行為因素上。

2.2 細(xì)分維度單一

現(xiàn)階段，電力企業(yè)對大客戶的細(xì)分主要采用定性分類法，甚少會(huì)采用定量分類法，而將定性、定量分類法相結(jié)合的分類方法則是少之又少[4]。定性分類法的應(yīng)用導(dǎo)致無法全面了解客戶情況，且劃分不明確，難以區(qū)別出不同類型的客戶等。

2.3 可操作性較差

現(xiàn)階段，電力客戶細(xì)分可操作性較差，主要體現(xiàn)在：

（1） 客戶細(xì)分方法落后，滿足不了現(xiàn)代電力企業(yè)營銷活動(dòng)的需求；

（2） 細(xì)分結(jié)果不明確，無法為現(xiàn)代電力企業(yè)營銷活動(dòng)提供科學(xué)有效的數(shù)據(jù)支持；

（3） 無法真實(shí)反映出客戶的經(jīng)濟(jì)行為，其操作部存在實(shí)際的意義。

3 基于數(shù)據(jù)挖掘的電力客戶細(xì)分模型構(gòu)建

3.1 數(shù)據(jù)挖掘客戶細(xì)分整體模型的設(shè)計(jì)

3.1.1 細(xì)分模型設(shè)計(jì)思路

數(shù)據(jù)挖掘客戶細(xì)分模型設(shè)計(jì)的思路主要包括：結(jié)合不同的客戶行為屬性，不斷優(yōu)化客戶細(xì)分指標(biāo)體系；在客戶價(jià)值評價(jià)上進(jìn)行客戶價(jià)值描述體系的構(gòu)建；以客戶行為細(xì)分為主的思路進(jìn)行客戶細(xì)分模型的構(gòu)建。

3.1.2 細(xì)分原則

電力企業(yè)在進(jìn)行客戶細(xì)分的過程中應(yīng)遵循以下原則[10]：第一，可衡量性。也就是企業(yè)在進(jìn)行客戶需要信息、數(shù)據(jù)的收集及調(diào)研中能進(jìn)行合理的衡量，并明確各個(gè)細(xì)分市場的范圍無論是市場的規(guī)模大小，還是需求量都要進(jìn)行衡量。第二，可進(jìn)入性。電力企業(yè)的資源條件及營銷能力可體現(xiàn)在子市場中。第三，可盈利性。細(xì)分后客戶購買力及子市場規(guī)模能滿足企業(yè)盈利的最大化。第四，反應(yīng)差異。

在各個(gè)子市場對市場營銷組合中因素變動(dòng)的情況下，都正確及時(shí)作出差異性反應(yīng)等。

3.1.3 細(xì)分方法

在經(jīng)濟(jì)市場各個(gè)領(lǐng)域當(dāng)中，大多都是采取K?means算法進(jìn)行客戶細(xì)分。該算法是一種劃分的，但并非分層的聚類方法，是由Mac·Quen最先提出的[11]，目前在數(shù)據(jù)挖掘領(lǐng)域中應(yīng)用越來越廣泛。

3.1.4 基于數(shù)據(jù)挖掘的總體模型設(shè)計(jì)

功能、數(shù)據(jù)及方法三方面作為主要的數(shù)據(jù)挖掘電力客戶細(xì)分功能結(jié)構(gòu)模型。其中功能部分不僅是模型設(shè)計(jì)的目標(biāo)以及設(shè)計(jì)的結(jié)果，其功能部分主要包括：客戶分析、客戶分類、市場預(yù)測、定向服務(wù)、輔助營銷等功能。在長期的數(shù)據(jù)挖掘中，市場功能的不同在選擇細(xì)分方法，會(huì)導(dǎo)致數(shù)據(jù)出現(xiàn)相當(dāng)大的差異性。數(shù)據(jù)模塊是總體模型的基礎(chǔ)，進(jìn)行充分的數(shù)據(jù)準(zhǔn)備及預(yù)處理，才能真正保證產(chǎn)生真實(shí)性、有效性。而客戶維度的選擇及明確度量是保證取得滿意客戶細(xì)分結(jié)果的前提，而方法模塊則是總體模型中的核心。電力大客戶細(xì)分功能結(jié)構(gòu)模型，如圖1所示。

3.1.5 基于K?means 算法的模型設(shè)計(jì)

數(shù)據(jù)挖掘技術(shù)涉及的領(lǐng)域相當(dāng)廣泛，包括：計(jì)算機(jī)軟件、統(tǒng)計(jì)學(xué)、數(shù)學(xué)、人工智能理論等，包含豐富的理論知識，采取各種科學(xué)技術(shù)。因此，數(shù)據(jù)挖掘技術(shù)的成功應(yīng)用具有重要的設(shè)計(jì)意義。而數(shù)據(jù)挖掘模型則是該應(yīng)用方法的研究成果。通過研究K?means 算法的原理、特點(diǎn)，遵循相關(guān)的處理流程，客戶細(xì)分模型框架，如圖2所示。

圖1 電力大客戶細(xì)分功能結(jié)構(gòu)模型圖

圖2 挖掘模型框架

從K?means 算法的工作過程中可以看出：先是從n個(gè)數(shù)據(jù)中任意選出k個(gè)數(shù)據(jù)對象作為初始的聚類點(diǎn)；其次是根據(jù)所剩下數(shù)據(jù)對象和這些聚類點(diǎn)之間的聚類，把它們相應(yīng)分配到與其相似值最高的聚類中心；最后進(jìn)行各個(gè)新聚類的聚類中心的計(jì)算，精確求出該聚類中數(shù)據(jù)對象的平均值，進(jìn)行循環(huán)漸進(jìn)的重復(fù)計(jì)算，直到計(jì)算出準(zhǔn)確的準(zhǔn)則函數(shù)。K?means 算法可采取準(zhǔn)則函數(shù)：

[E=i=1kp∈cip-mi2]

式中：E為數(shù)據(jù)庫中全部數(shù)據(jù)對象平均誤差的總和；p為空間的點(diǎn)；mi為簇Ci的平均值，而p與mi均屬于多維的。其準(zhǔn)則的根本目標(biāo)在于：強(qiáng)化生成的結(jié)構(gòu)簇的緊密型；k作為K?means 算法參數(shù)，可將n個(gè)數(shù)據(jù)對象分成k 簇，不斷增強(qiáng)簇內(nèi)的相似度，從而降低簇間的相似度。K?means 算法作為一種時(shí)效性的算法，可綜合分析聚類問題，其算法具有顯著的簡單性、精確性、高效性，可集中處理大數(shù)據(jù)庫等。

3.2 電力客戶行為細(xì)分指標(biāo)體系的設(shè)計(jì)

在電力客戶細(xì)分中，可以結(jié)合數(shù)據(jù)挖掘項(xiàng)目中的具體目標(biāo)，綜合分析客戶細(xì)分維度，同時(shí)，遵循根據(jù)電力企業(yè)的業(yè)務(wù)指標(biāo)體系標(biāo)準(zhǔn)，不斷優(yōu)化明確的項(xiàng)目指標(biāo)，最后是合理選擇變量，在寬表中體現(xiàn)出所有的全部變量分析數(shù)據(jù)，收集全面的數(shù)據(jù)后進(jìn)行數(shù)據(jù)挖掘。建立客戶指標(biāo)體系是保證數(shù)據(jù)挖掘順利進(jìn)行的基礎(chǔ)。

3.2.1 行為細(xì)分的維度設(shè)計(jì)

維元素及度量組成了維護(hù)的主要內(nèi)容，維元素對應(yīng)的是分析角度，度量所的對象是分析結(jié)果中的明確指標(biāo)。指標(biāo)的數(shù)據(jù)屬于離散型，無法進(jìn)行無限度的取值；同時(shí)，也出現(xiàn)連續(xù)型數(shù)據(jù)，可允許無限度的取值。其中，細(xì)分變量主要是應(yīng)用于客戶細(xì)分的變量中，描述變量為對細(xì)分后客戶對體征描述的變量。

3.2.2 行為細(xì)分指標(biāo)體系構(gòu)建

在客戶行為細(xì)分中，需要合理選擇細(xì)分變量，才能提高細(xì)分結(jié)果的準(zhǔn)確性，確保成功的細(xì)分項(xiàng)目。在本研究中，主要通過應(yīng)用電力客戶經(jīng)濟(jì)行為維度與衍生變量指標(biāo)，進(jìn)行構(gòu)建客戶細(xì)分模型，客戶行為細(xì)分指標(biāo)體系，如表1所示。t掌握具體的客戶的行為細(xì)分指標(biāo)后，可采取數(shù)據(jù)挖掘中的聚類分析技術(shù)進(jìn)行電力客戶的精細(xì)化細(xì)分，所得的細(xì)分結(jié)果，如圖3所示。

3.3 電力客戶精細(xì)化細(xì)分模型的構(gòu)建

通過分析研究成果，立足于客戶行為細(xì)分體系的優(yōu)化中，同時(shí)充分利用客戶價(jià)值評估體系，不斷構(gòu)建電力客戶精細(xì)化細(xì)分模型。此模型的構(gòu)建與應(yīng)用，能有效實(shí)現(xiàn)客戶行為細(xì)分和客戶價(jià)值評估的有效結(jié)合，不僅能有效解決解決客戶行為細(xì)分結(jié)果中出現(xiàn)的各種問題，同時(shí)，可以為客戶價(jià)值評估提供正確完整的數(shù)據(jù)支持。該模型的價(jià)值主要包括：緊密結(jié)合行為細(xì)分變量與價(jià)值評估變量，在最大程度上提高數(shù)據(jù)挖掘及價(jià)值評估工作的時(shí)效性，使工作人員在實(shí)際工作中可遵循相關(guān)的規(guī)章制度等。電力客戶精細(xì)化細(xì)分整體模型，如圖4所示。

表1 客戶行為細(xì)分指標(biāo)體系

圖3 電力客戶行為細(xì)分圖

圖4 電力客戶精細(xì)化細(xì)分整體模型圖

4 結(jié) 語

目前，在我國電力企業(yè)客戶細(xì)分過程中還存在客戶經(jīng)濟(jì)行為缺失、細(xì)分維度單一及可操作性較差等問題，因此，應(yīng)該綜合采取客戶細(xì)化分類法進(jìn)行客戶細(xì)分?；跀?shù)據(jù)挖掘的客戶細(xì)分具有提高細(xì)分合理性、指導(dǎo)營銷活動(dòng)及可操作性強(qiáng)等優(yōu)點(diǎn)，可以有效解決電力客戶細(xì)分中存在的問題。綜上所述，基于數(shù)據(jù)挖掘的電力行業(yè)客戶細(xì)分模型構(gòu)建能為電力企業(yè)對不同類型的客戶進(jìn)行準(zhǔn)確、合理的細(xì)分，能為電力企業(yè)的營銷決策提供科學(xué)、可行的信息支持，對提高電力企業(yè)的經(jīng)濟(jì)效益及社會(huì)效益具有重要的意義。

參考文獻(xiàn)

[1] 方安儒，葉強(qiáng)，魯奇，等.基于數(shù)據(jù)挖掘的客戶細(xì)分框架模型[J].計(jì)算機(jī)工程，2009（19）：251?253.

[2] 蔡依暉.基于數(shù)據(jù)挖掘的電力行業(yè)客戶細(xì)分建模淺探[J].科技與企業(yè)，2013（22）：106.

[3] 王扶東，馬玉芳.基于數(shù)據(jù)挖掘的客戶細(xì)分方法的研究[J].計(jì)算機(jī)工程與應(yīng)用，2011（4）：215?218.

[4] 馬岳猛.基于聚類結(jié)果解釋方法的客戶群特征研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2011.

[5] 張立美.基于數(shù)據(jù)挖掘的電信客戶細(xì)分模型的研究與應(yīng)用[D].成都：電子科技大學(xué)，2010.

[6] 劉滿芝，周梅華，呂雪晴.基于因子分析與聚類分析復(fù)合模型的市場細(xì)分研究：以移動(dòng)通信行業(yè)為例[J].管理案例研究與評論，2009（2）：136?141.

[7] 張向宏，唐冉.基于K?means算法的電子政務(wù)用戶細(xì)分模型研究[J].商場現(xiàn)代化，2009（5）：372?374.

[8] 宋加山，李勇，季峰.基于數(shù)據(jù)挖掘技術(shù)的電力行業(yè)客戶關(guān)系管理[J].現(xiàn)代商業(yè)，2010（12）：58?59.

[9] 張曉濱，高峰，黃慧.基于客戶細(xì)分的客戶流失預(yù)測研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2009（24）：5755?5758.

[10] 孫寧.基于數(shù)據(jù)挖掘的客戶關(guān)系管理問題的研究[J].科技和產(chǎn)業(yè)，2011（6）：59?61.

[11] 孟繁敏.淺談基于數(shù)據(jù)挖掘的客戶關(guān)系管理[J].中國管理信息化，2012（9）：90?92.

[12] 李世超，麥范金，王臻.基于數(shù)據(jù)挖掘技術(shù)的客戶細(xì)分研究[J].電腦知識與技術(shù)，2009（2）：277?279.

3.1.3 細(xì)分方法

在經(jīng)濟(jì)市場各個(gè)領(lǐng)域當(dāng)中，大多都是采取K?means算法進(jìn)行客戶細(xì)分。該算法是一種劃分的，但并非分層的聚類方法，是由Mac·Quen最先提出的[11]，目前在數(shù)據(jù)挖掘領(lǐng)域中應(yīng)用越來越廣泛。

3.1.4 基于數(shù)據(jù)挖掘的總體模型設(shè)計(jì)

功能、數(shù)據(jù)及方法三方面作為主要的數(shù)據(jù)挖掘電力客戶細(xì)分功能結(jié)構(gòu)模型。其中功能部分不僅是模型設(shè)計(jì)的目標(biāo)以及設(shè)計(jì)的結(jié)果，其功能部分主要包括：客戶分析、客戶分類、市場預(yù)測、定向服務(wù)、輔助營銷等功能。在長期的數(shù)據(jù)挖掘中，市場功能的不同在選擇細(xì)分方法，會(huì)導(dǎo)致數(shù)據(jù)出現(xiàn)相當(dāng)大的差異性。數(shù)據(jù)模塊是總體模型的基礎(chǔ)，進(jìn)行充分的數(shù)據(jù)準(zhǔn)備及預(yù)處理，才能真正保證產(chǎn)生真實(shí)性、有效性。而客戶維度的選擇及明確度量是保證取得滿意客戶細(xì)分結(jié)果的前提，而方法模塊則是總體模型中的核心。電力大客戶細(xì)分功能結(jié)構(gòu)模型，如圖1所示。

3.1.5 基于K?means 算法的模型設(shè)計(jì)

數(shù)據(jù)挖掘技術(shù)涉及的領(lǐng)域相當(dāng)廣泛，包括：計(jì)算機(jī)軟件、統(tǒng)計(jì)學(xué)、數(shù)學(xué)、人工智能理論等，包含豐富的理論知識，采取各種科學(xué)技術(shù)。因此，數(shù)據(jù)挖掘技術(shù)的成功應(yīng)用具有重要的設(shè)計(jì)意義。而數(shù)據(jù)挖掘模型則是該應(yīng)用方法的研究成果。通過研究K?means 算法的原理、特點(diǎn)，遵循相關(guān)的處理流程，客戶細(xì)分模型框架，如圖2所示。

圖1 電力大客戶細(xì)分功能結(jié)構(gòu)模型圖

圖2 挖掘模型框架

從K?means 算法的工作過程中可以看出：先是從n個(gè)數(shù)據(jù)中任意選出k個(gè)數(shù)據(jù)對象作為初始的聚類點(diǎn)；其次是根據(jù)所剩下數(shù)據(jù)對象和這些聚類點(diǎn)之間的聚類，把它們相應(yīng)分配到與其相似值最高的聚類中心；最后進(jìn)行各個(gè)新聚類的聚類中心的計(jì)算，精確求出該聚類中數(shù)據(jù)對象的平均值，進(jìn)行循環(huán)漸進(jìn)的重復(fù)計(jì)算，直到計(jì)算出準(zhǔn)確的準(zhǔn)則函數(shù)。K?means 算法可采取準(zhǔn)則函數(shù)：

[E=i=1kp∈cip-mi2]

式中：E為數(shù)據(jù)庫中全部數(shù)據(jù)對象平均誤差的總和；p為空間的點(diǎn)；mi為簇Ci的平均值，而p與mi均屬于多維的。其準(zhǔn)則的根本目標(biāo)在于：強(qiáng)化生成的結(jié)構(gòu)簇的緊密型；k作為K?means 算法參數(shù)，可將n個(gè)數(shù)據(jù)對象分成k 簇，不斷增強(qiáng)簇內(nèi)的相似度，從而降低簇間的相似度。K?means 算法作為一種時(shí)效性的算法，可綜合分析聚類問題，其算法具有顯著的簡單性、精確性、高效性，可集中處理大數(shù)據(jù)庫等。

3.2 電力客戶行為細(xì)分指標(biāo)體系的設(shè)計(jì)

在電力客戶細(xì)分中，可以結(jié)合數(shù)據(jù)挖掘項(xiàng)目中的具體目標(biāo)，綜合分析客戶細(xì)分維度，同時(shí)，遵循根據(jù)電力企業(yè)的業(yè)務(wù)指標(biāo)體系標(biāo)準(zhǔn)，不斷優(yōu)化明確的項(xiàng)目指標(biāo)，最后是合理選擇變量，在寬表中體現(xiàn)出所有的全部變量分析數(shù)據(jù)，收集全面的數(shù)據(jù)后進(jìn)行數(shù)據(jù)挖掘。建立客戶指標(biāo)體系是保證數(shù)據(jù)挖掘順利進(jìn)行的基礎(chǔ)。

3.2.1 行為細(xì)分的維度設(shè)計(jì)

維元素及度量組成了維護(hù)的主要內(nèi)容，維元素對應(yīng)的是分析角度，度量所的對象是分析結(jié)果中的明確指標(biāo)。指標(biāo)的數(shù)據(jù)屬于離散型，無法進(jìn)行無限度的取值；同時(shí)，也出現(xiàn)連續(xù)型數(shù)據(jù)，可允許無限度的取值。其中，細(xì)分變量主要是應(yīng)用于客戶細(xì)分的變量中，描述變量為對細(xì)分后客戶對體征描述的變量。

3.2.2 行為細(xì)分指標(biāo)體系構(gòu)建

在客戶行為細(xì)分中，需要合理選擇細(xì)分變量，才能提高細(xì)分結(jié)果的準(zhǔn)確性，確保成功的細(xì)分項(xiàng)目。在本研究中，主要通過應(yīng)用電力客戶經(jīng)濟(jì)行為維度與衍生變量指標(biāo)，進(jìn)行構(gòu)建客戶細(xì)分模型，客戶行為細(xì)分指標(biāo)體系，如表1所示。t掌握具體的客戶的行為細(xì)分指標(biāo)后，可采取數(shù)據(jù)挖掘中的聚類分析技術(shù)進(jìn)行電力客戶的精細(xì)化細(xì)分，所得的細(xì)分結(jié)果，如圖3所示。

3.3 電力客戶精細(xì)化細(xì)分模型的構(gòu)建

通過分析研究成果，立足于客戶行為細(xì)分體系的優(yōu)化中，同時(shí)充分利用客戶價(jià)值評估體系，不斷構(gòu)建電力客戶精細(xì)化細(xì)分模型。此模型的構(gòu)建與應(yīng)用，能有效實(shí)現(xiàn)客戶行為細(xì)分和客戶價(jià)值評估的有效結(jié)合，不僅能有效解決解決客戶行為細(xì)分結(jié)果中出現(xiàn)的各種問題，同時(shí)，可以為客戶價(jià)值評估提供正確完整的數(shù)據(jù)支持。該模型的價(jià)值主要包括：緊密結(jié)合行為細(xì)分變量與價(jià)值評估變量，在最大程度上提高數(shù)據(jù)挖掘及價(jià)值評估工作的時(shí)效性，使工作人員在實(shí)際工作中可遵循相關(guān)的規(guī)章制度等。電力客戶精細(xì)化細(xì)分整體模型，如圖4所示。

表1 客戶行為細(xì)分指標(biāo)體系

圖3 電力客戶行為細(xì)分圖

圖4 電力客戶精細(xì)化細(xì)分整體模型圖

4 結(jié) 語

目前，在我國電力企業(yè)客戶細(xì)分過程中還存在客戶經(jīng)濟(jì)行為缺失、細(xì)分維度單一及可操作性較差等問題，因此，應(yīng)該綜合采取客戶細(xì)化分類法進(jìn)行客戶細(xì)分?；跀?shù)據(jù)挖掘的客戶細(xì)分具有提高細(xì)分合理性、指導(dǎo)營銷活動(dòng)及可操作性強(qiáng)等優(yōu)點(diǎn)，可以有效解決電力客戶細(xì)分中存在的問題。綜上所述，基于數(shù)據(jù)挖掘的電力行業(yè)客戶細(xì)分模型構(gòu)建能為電力企業(yè)對不同類型的客戶進(jìn)行準(zhǔn)確、合理的細(xì)分，能為電力企業(yè)的營銷決策提供科學(xué)、可行的信息支持，對提高電力企業(yè)的經(jīng)濟(jì)效益及社會(huì)效益具有重要的意義。

參考文獻(xiàn)

[1] 方安儒，葉強(qiáng)，魯奇，等.基于數(shù)據(jù)挖掘的客戶細(xì)分框架模型[J].計(jì)算機(jī)工程，2009（19）：251?253.

[2] 蔡依暉.基于數(shù)據(jù)挖掘的電力行業(yè)客戶細(xì)分建模淺探[J].科技與企業(yè)，2013（22）：106.

[3] 王扶東，馬玉芳.基于數(shù)據(jù)挖掘的客戶細(xì)分方法的研究[J].計(jì)算機(jī)工程與應(yīng)用，2011（4）：215?218.

[4] 馬岳猛.基于聚類結(jié)果解釋方法的客戶群特征研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2011.

[5] 張立美.基于數(shù)據(jù)挖掘的電信客戶細(xì)分模型的研究與應(yīng)用[D].成都：電子科技大學(xué)，2010.

[6] 劉滿芝，周梅華，呂雪晴.基于因子分析與聚類分析復(fù)合模型的市場細(xì)分研究：以移動(dòng)通信行業(yè)為例[J].管理案例研究與評論，2009（2）：136?141.

[7] 張向宏，唐冉.基于K?means算法的電子政務(wù)用戶細(xì)分模型研究[J].商場現(xiàn)代化，2009（5）：372?374.

[8] 宋加山，李勇，季峰.基于數(shù)據(jù)挖掘技術(shù)的電力行業(yè)客戶關(guān)系管理[J].現(xiàn)代商業(yè)，2010（12）：58?59.

[9] 張曉濱，高峰，黃慧.基于客戶細(xì)分的客戶流失預(yù)測研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2009（24）：5755?5758.

[10] 孫寧.基于數(shù)據(jù)挖掘的客戶關(guān)系管理問題的研究[J].科技和產(chǎn)業(yè)，2011（6）：59?61.

[11] 孟繁敏.淺談基于數(shù)據(jù)挖掘的客戶關(guān)系管理[J].中國管理信息化，2012（9）：90?92.

[12] 李世超，麥范金，王臻.基于數(shù)據(jù)挖掘技術(shù)的客戶細(xì)分研究[J].電腦知識與技術(shù)，2009（2）：277?279.

3.1.3 細(xì)分方法

在經(jīng)濟(jì)市場各個(gè)領(lǐng)域當(dāng)中，大多都是采取K?means算法進(jìn)行客戶細(xì)分。該算法是一種劃分的，但并非分層的聚類方法，是由Mac·Quen最先提出的[11]，目前在數(shù)據(jù)挖掘領(lǐng)域中應(yīng)用越來越廣泛。

3.1.4 基于數(shù)據(jù)挖掘的總體模型設(shè)計(jì)

功能、數(shù)據(jù)及方法三方面作為主要的數(shù)據(jù)挖掘電力客戶細(xì)分功能結(jié)構(gòu)模型。其中功能部分不僅是模型設(shè)計(jì)的目標(biāo)以及設(shè)計(jì)的結(jié)果，其功能部分主要包括：客戶分析、客戶分類、市場預(yù)測、定向服務(wù)、輔助營銷等功能。在長期的數(shù)據(jù)挖掘中，市場功能的不同在選擇細(xì)分方法，會(huì)導(dǎo)致數(shù)據(jù)出現(xiàn)相當(dāng)大的差異性。數(shù)據(jù)模塊是總體模型的基礎(chǔ)，進(jìn)行充分的數(shù)據(jù)準(zhǔn)備及預(yù)處理，才能真正保證產(chǎn)生真實(shí)性、有效性。而客戶維度的選擇及明確度量是保證取得滿意客戶細(xì)分結(jié)果的前提，而方法模塊則是總體模型中的核心。電力大客戶細(xì)分功能結(jié)構(gòu)模型，如圖1所示。

3.1.5 基于K?means 算法的模型設(shè)計(jì)

數(shù)據(jù)挖掘技術(shù)涉及的領(lǐng)域相當(dāng)廣泛，包括：計(jì)算機(jī)軟件、統(tǒng)計(jì)學(xué)、數(shù)學(xué)、人工智能理論等，包含豐富的理論知識，采取各種科學(xué)技術(shù)。因此，數(shù)據(jù)挖掘技術(shù)的成功應(yīng)用具有重要的設(shè)計(jì)意義。而數(shù)據(jù)挖掘模型則是該應(yīng)用方法的研究成果。通過研究K?means 算法的原理、特點(diǎn)，遵循相關(guān)的處理流程，客戶細(xì)分模型框架，如圖2所示。

圖1 電力大客戶細(xì)分功能結(jié)構(gòu)模型圖

圖2 挖掘模型框架

從K?means 算法的工作過程中可以看出：先是從n個(gè)數(shù)據(jù)中任意選出k個(gè)數(shù)據(jù)對象作為初始的聚類點(diǎn)；其次是根據(jù)所剩下數(shù)據(jù)對象和這些聚類點(diǎn)之間的聚類，把它們相應(yīng)分配到與其相似值最高的聚類中心；最后進(jìn)行各個(gè)新聚類的聚類中心的計(jì)算，精確求出該聚類中數(shù)據(jù)對象的平均值，進(jìn)行循環(huán)漸進(jìn)的重復(fù)計(jì)算，直到計(jì)算出準(zhǔn)確的準(zhǔn)則函數(shù)。K?means 算法可采取準(zhǔn)則函數(shù)：

[E=i=1kp∈cip-mi2]

式中：E為數(shù)據(jù)庫中全部數(shù)據(jù)對象平均誤差的總和；p為空間的點(diǎn)；mi為簇Ci的平均值，而p與mi均屬于多維的。其準(zhǔn)則的根本目標(biāo)在于：強(qiáng)化生成的結(jié)構(gòu)簇的緊密型；k作為K?means 算法參數(shù)，可將n個(gè)數(shù)據(jù)對象分成k 簇，不斷增強(qiáng)簇內(nèi)的相似度，從而降低簇間的相似度。K?means 算法作為一種時(shí)效性的算法，可綜合分析聚類問題，其算法具有顯著的簡單性、精確性、高效性，可集中處理大數(shù)據(jù)庫等。

3.2 電力客戶行為細(xì)分指標(biāo)體系的設(shè)計(jì)

在電力客戶細(xì)分中，可以結(jié)合數(shù)據(jù)挖掘項(xiàng)目中的具體目標(biāo)，綜合分析客戶細(xì)分維度，同時(shí)，遵循根據(jù)電力企業(yè)的業(yè)務(wù)指標(biāo)體系標(biāo)準(zhǔn)，不斷優(yōu)化明確的項(xiàng)目指標(biāo)，最后是合理選擇變量，在寬表中體現(xiàn)出所有的全部變量分析數(shù)據(jù)，收集全面的數(shù)據(jù)后進(jìn)行數(shù)據(jù)挖掘。建立客戶指標(biāo)體系是保證數(shù)據(jù)挖掘順利進(jìn)行的基礎(chǔ)。

3.2.1 行為細(xì)分的維度設(shè)計(jì)

維元素及度量組成了維護(hù)的主要內(nèi)容，維元素對應(yīng)的是分析角度，度量所的對象是分析結(jié)果中的明確指標(biāo)。指標(biāo)的數(shù)據(jù)屬于離散型，無法進(jìn)行無限度的取值；同時(shí)，也出現(xiàn)連續(xù)型數(shù)據(jù)，可允許無限度的取值。其中，細(xì)分變量主要是應(yīng)用于客戶細(xì)分的變量中，描述變量為對細(xì)分后客戶對體征描述的變量。

3.2.2 行為細(xì)分指標(biāo)體系構(gòu)建

在客戶行為細(xì)分中，需要合理選擇細(xì)分變量，才能提高細(xì)分結(jié)果的準(zhǔn)確性，確保成功的細(xì)分項(xiàng)目。在本研究中，主要通過應(yīng)用電力客戶經(jīng)濟(jì)行為維度與衍生變量指標(biāo)，進(jìn)行構(gòu)建客戶細(xì)分模型，客戶行為細(xì)分指標(biāo)體系，如表1所示。t掌握具體的客戶的行為細(xì)分指標(biāo)后，可采取數(shù)據(jù)挖掘中的聚類分析技術(shù)進(jìn)行電力客戶的精細(xì)化細(xì)分，所得的細(xì)分結(jié)果，如圖3所示。

3.3 電力客戶精細(xì)化細(xì)分模型的構(gòu)建

通過分析研究成果，立足于客戶行為細(xì)分體系的優(yōu)化中，同時(shí)充分利用客戶價(jià)值評估體系，不斷構(gòu)建電力客戶精細(xì)化細(xì)分模型。此模型的構(gòu)建與應(yīng)用，能有效實(shí)現(xiàn)客戶行為細(xì)分和客戶價(jià)值評估的有效結(jié)合，不僅能有效解決解決客戶行為細(xì)分結(jié)果中出現(xiàn)的各種問題，同時(shí)，可以為客戶價(jià)值評估提供正確完整的數(shù)據(jù)支持。該模型的價(jià)值主要包括：緊密結(jié)合行為細(xì)分變量與價(jià)值評估變量，在最大程度上提高數(shù)據(jù)挖掘及價(jià)值評估工作的時(shí)效性，使工作人員在實(shí)際工作中可遵循相關(guān)的規(guī)章制度等。電力客戶精細(xì)化細(xì)分整體模型，如圖4所示。

表1 客戶行為細(xì)分指標(biāo)體系

圖3 電力客戶行為細(xì)分圖

圖4 電力客戶精細(xì)化細(xì)分整體模型圖

4 結(jié) 語

目前，在我國電力企業(yè)客戶細(xì)分過程中還存在客戶經(jīng)濟(jì)行為缺失、細(xì)分維度單一及可操作性較差等問題，因此，應(yīng)該綜合采取客戶細(xì)化分類法進(jìn)行客戶細(xì)分?；跀?shù)據(jù)挖掘的客戶細(xì)分具有提高細(xì)分合理性、指導(dǎo)營銷活動(dòng)及可操作性強(qiáng)等優(yōu)點(diǎn)，可以有效解決電力客戶細(xì)分中存在的問題。綜上所述，基于數(shù)據(jù)挖掘的電力行業(yè)客戶細(xì)分模型構(gòu)建能為電力企業(yè)對不同類型的客戶進(jìn)行準(zhǔn)確、合理的細(xì)分，能為電力企業(yè)的營銷決策提供科學(xué)、可行的信息支持，對提高電力企業(yè)的經(jīng)濟(jì)效益及社會(huì)效益具有重要的意義。

參考文獻(xiàn)

[1] 方安儒，葉強(qiáng)，魯奇，等.基于數(shù)據(jù)挖掘的客戶細(xì)分框架模型[J].計(jì)算機(jī)工程，2009（19）：251?253.

[2] 蔡依暉.基于數(shù)據(jù)挖掘的電力行業(yè)客戶細(xì)分建模淺探[J].科技與企業(yè)，2013（22）：106.

[3] 王扶東，馬玉芳.基于數(shù)據(jù)挖掘的客戶細(xì)分方法的研究[J].計(jì)算機(jī)工程與應(yīng)用，2011（4）：215?218.

[4] 馬岳猛.基于聚類結(jié)果解釋方法的客戶群特征研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2011.

[5] 張立美.基于數(shù)據(jù)挖掘的電信客戶細(xì)分模型的研究與應(yīng)用[D].成都：電子科技大學(xué)，2010.

[6] 劉滿芝，周梅華，呂雪晴.基于因子分析與聚類分析復(fù)合模型的市場細(xì)分研究：以移動(dòng)通信行業(yè)為例[J].管理案例研究與評論，2009（2）：136?141.

[7] 張向宏，唐冉.基于K?means算法的電子政務(wù)用戶細(xì)分模型研究[J].商場現(xiàn)代化，2009（5）：372?374.

[8] 宋加山，李勇，季峰.基于數(shù)據(jù)挖掘技術(shù)的電力行業(yè)客戶關(guān)系管理[J].現(xiàn)代商業(yè)，2010（12）：58?59.

[9] 張曉濱，高峰，黃慧.基于客戶細(xì)分的客戶流失預(yù)測研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2009（24）：5755?5758.

[10] 孫寧.基于數(shù)據(jù)挖掘的客戶關(guān)系管理問題的研究[J].科技和產(chǎn)業(yè)，2011（6）：59?61.

[11] 孟繁敏.淺談基于數(shù)據(jù)挖掘的客戶關(guān)系管理[J].中國管理信息化，2012（9）：90?92.

[12] 李世超，麥范金，王臻.基于數(shù)據(jù)挖掘技術(shù)的客戶細(xì)分研究[J].電腦知識與技術(shù)，2009（2）：277?279.