俞 倩 雯

(國(guó)網(wǎng)上海市電力公司, 上海 200235)

0 引 言

近年來(lái),新能源汽車產(chǎn)業(yè)發(fā)展迅猛,為踐行“雙碳”目標(biāo),各地新能源汽車推廣量大幅增加,新能源汽車用戶數(shù)量隨之增加,各類企業(yè)入場(chǎng)新能源汽車充電服務(wù)市場(chǎng),充電運(yùn)營(yíng)服務(wù)行業(yè)發(fā)展迅速,傳統(tǒng)充電運(yùn)營(yíng)企業(yè)在充電設(shè)施建設(shè)、充電網(wǎng)絡(luò)規(guī)劃、充電設(shè)備運(yùn)維等方面都有豐富的經(jīng)驗(yàn),但在充電服務(wù)經(jīng)營(yíng),尤其是個(gè)人充電用戶運(yùn)營(yíng)、精準(zhǔn)營(yíng)銷等方面缺乏經(jīng)驗(yàn)。在大客戶營(yíng)銷服務(wù)方面,充電運(yùn)營(yíng)企業(yè)可以采用配置客戶經(jīng)理等一對(duì)一營(yíng)銷策略,但在量大面廣的個(gè)人充電用戶端,由于信息不對(duì)稱,往往很難開展精準(zhǔn)營(yíng)銷服務(wù)。用戶運(yùn)營(yíng)和精準(zhǔn)營(yíng)銷是互聯(lián)網(wǎng)行業(yè)優(yōu)勢(shì)領(lǐng)域,如何借鑒互聯(lián)網(wǎng)行業(yè)大數(shù)據(jù)分析技術(shù),對(duì)個(gè)人充電用戶進(jìn)行用戶畫像,從而實(shí)現(xiàn)差異化服務(wù)和精準(zhǔn)用戶營(yíng)銷,具有重要意義。

用戶價(jià)值評(píng)價(jià)是用戶畫像技術(shù)中最基礎(chǔ)的環(huán)節(jié),RFM模型是評(píng)價(jià)用戶價(jià)值最常用的工具,該模型最早由Arthur Hughes提出[1],RFM模型中,R(Recency)代表近度,即最近一次消費(fèi)距今的時(shí)間,F(Frequency)代表頻度,即觀測(cè)期內(nèi)消費(fèi)的次數(shù),M(Monetary)代表額度,即觀測(cè)期內(nèi)消費(fèi)的總金額,這三個(gè)指標(biāo)可以有效反映用戶的忠誠(chéng)度和貢獻(xiàn)度。近年來(lái),有諸多使用RFM模型對(duì)用戶進(jìn)行價(jià)值評(píng)價(jià)的研究,如陳倩舒等采用RFM模型對(duì)物流客戶價(jià)值進(jìn)行研究[2]。RFM模型在消費(fèi)用戶評(píng)價(jià)方面有很大的普適性,但在特定領(lǐng)域客戶價(jià)值評(píng)價(jià)方面,往往會(huì)采用改進(jìn)的RFM模型來(lái)優(yōu)化評(píng)價(jià)結(jié)果,如包志強(qiáng)等在RFM模型的基礎(chǔ)上,引入平均交易間隔和貢獻(xiàn)時(shí)間,對(duì)百度外賣客戶進(jìn)行價(jià)值分析[3],楊琳等則在RFM模型的基礎(chǔ)上,增加會(huì)員入會(huì)時(shí)長(zhǎng)和會(huì)員機(jī)票平均折扣率對(duì)民航客戶開展細(xì)分研究[4]。

以某充電運(yùn)營(yíng)企業(yè)的充電交易記錄為例,分析充電用戶消費(fèi)特性,建立改進(jìn)的、適合充電用戶的RFM模型,通過數(shù)據(jù)挖掘與訓(xùn)練,對(duì)個(gè)人充電用戶進(jìn)行細(xì)分價(jià)值研究。

1 基于大數(shù)據(jù)分析的充電用戶價(jià)值評(píng)價(jià)方法

1.1 數(shù)據(jù)獲取與清洗

以某充電運(yùn)營(yíng)企業(yè)2022年2月充電交易數(shù)據(jù)進(jìn)行數(shù)據(jù)分析,2022年2月共產(chǎn)生交易數(shù)據(jù)281 136條,每條數(shù)據(jù)包括“用戶id”、“充電樁編碼”、“充電站”、“交易流水號(hào)”、“訂單創(chuàng)建時(shí)間”、“交易電量”、“交易金額”等56個(gè)字段,為確定充電用戶、用戶充電時(shí)間、用戶充電電量和充電站點(diǎn),提取其中“用戶id”,“訂單創(chuàng)建時(shí)間”,“交易電量”和“充電站”等4個(gè)字段為研究字段。原始數(shù)據(jù)字段名及格式如表1所示。

表1 原始數(shù)據(jù)字段名及格式

由于充電樁故障或通信故障會(huì)造成無(wú)效訂單,需要對(duì)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗,定義交易電量為0或大于500 kWh的訂單為無(wú)效訂單,共計(jì)37 888條。剔除無(wú)效訂單后,有效訂單共計(jì)243 248條。

研究的對(duì)象為個(gè)人充電用戶,故對(duì)公交充電用戶及有合作關(guān)系的大客戶等多人共用賬號(hào)訂單做篩除,篩除相關(guān)訂單后,剩余有效訂單145 820條。后續(xù)所有數(shù)據(jù)分析和建?；诖藬?shù)據(jù)樣本。

1.2 改進(jìn)的RFM模型

研究對(duì)象為新能源汽車的個(gè)人充電用戶,這些充電用戶具有一般消費(fèi)者的共性,RFM模型的三個(gè)基礎(chǔ)參數(shù)可以有效反映充電用戶的忠誠(chéng)度和貢獻(xiàn)度,但另一方面,由于充電行為是有別于一般互聯(lián)網(wǎng)消費(fèi)的線下行為,充電場(chǎng)所可以反映用戶的充電習(xí)慣,因此,在RFM模型基礎(chǔ)上,增加充電用戶充過電的充電站數(shù)量S,對(duì)用戶進(jìn)行建模,以R、F、M、S作為評(píng)價(jià)用戶價(jià)值的特征量,具體定義如下:

R:用戶最近一次充電距離當(dāng)前日期(2022年3月1日)的天數(shù);

F:用戶在觀測(cè)期(2022年2月1日—2022年2月28日)內(nèi)的充電次數(shù);

M:用戶在觀測(cè)期內(nèi)的充電電量;

S:用戶在觀測(cè)期內(nèi)充過電的充電站數(shù)量。

對(duì)數(shù)據(jù)樣本做數(shù)據(jù)透視,145 820條充電訂單共用戶48 521個(gè),計(jì)算每個(gè)用戶的R、F、M、S值,所有用戶的R、F、M、S統(tǒng)計(jì)特性如表2所示。

表2 所有用戶的R、F、M、S統(tǒng)計(jì)特性

由于R、F、M、S量綱不同,對(duì)后續(xù)模型訓(xùn)練可能造成影響,采用Z-Score方式對(duì)R、F、M、S進(jìn)行標(biāo)準(zhǔn)化處理:

(1)

(2)

(3)

(4)

Ri、Fi、Mi、Si——第i個(gè)用戶的R、F、M、S值;

σR、σF、σM、σS——所有用戶R、F、M、S的標(biāo)準(zhǔn)差。

定義用戶i標(biāo)準(zhǔn)化后的用戶評(píng)價(jià)指標(biāo)向量為:

(5)

1.3 聚類分析

1.3.1 K-means聚類算法[5]

在改進(jìn)的RFM模型的基礎(chǔ)上,定義用戶評(píng)價(jià)指標(biāo)向量Wi后,采用K-means的聚類算法對(duì)充電用戶進(jìn)行聚類分析,K-means 的算法步驟為:

(1) 選擇初始化的k個(gè)用戶評(píng)價(jià)指標(biāo)向量作為初始聚類中心,為減少計(jì)算步驟,加快收斂速度,采用K-means的方式確定初始聚類中心。

(2) 對(duì)樣本中每個(gè)用戶的評(píng)價(jià)指標(biāo)向量,計(jì)算它到k個(gè)聚類中心的距離并將其分到距離最小的聚類中心所對(duì)應(yīng)的類中,此處距離計(jì)算采用歐幾里得距離,Dij代表用戶i與用戶j之間的距離,即兩用戶評(píng)價(jià)指標(biāo)間的差距,由以下公式計(jì)算:

(6)

兩個(gè)用戶間評(píng)價(jià)指標(biāo)向量間的距離Dij越小,代表這兩個(gè)用戶在評(píng)價(jià)上越接近。

(3) 針對(duì)每個(gè)類別,重新計(jì)算它的聚類中心,即屬于該類的所有用戶的評(píng)價(jià)指標(biāo)向量的質(zhì)心。

(4) 重復(fù)上面 2、3兩步操作,直到聚類中心不再變化,即得到最終的分類。

1.3.2 簇?cái)?shù)k的確定

為判斷K-means聚類算法的好壞,定義聚類后的標(biāo)準(zhǔn)誤差和SSE,SSE越小代表聚類后同簇中用戶評(píng)價(jià)指標(biāo)向量間距離和越小,則聚類越精細(xì)。

(7)

式中:SSEk——簇?cái)?shù)為k時(shí)的標(biāo)準(zhǔn)誤差和;

Ci——第i個(gè)簇;

mi——Ci的聚類中心;

w——Ci中的用戶的評(píng)價(jià)指標(biāo)向量。

計(jì)算k為2到7時(shí)的標(biāo)準(zhǔn)誤差和,并繪制標(biāo)準(zhǔn)誤差和圖。

標(biāo)準(zhǔn)誤差和圖如圖1所示,由標(biāo)準(zhǔn)誤差和圖可以發(fā)現(xiàn),k越大,SSE越小,聚類越精細(xì),但當(dāng)k超過4時(shí),SSE的變化趨于平穩(wěn),因此選取k=4,即將充電用戶分為4類。

圖1 標(biāo)準(zhǔn)誤差和圖

1.4 模型訓(xùn)練結(jié)果

基于改進(jìn)的RFM模型,通過K-means聚類,可以獲得四類充電用戶群,每類用戶群的數(shù)量及聚類中心的R*、F*、M*、S*、R、F、M、S值聚類結(jié)果如表3所示。

表3 聚類結(jié)果

為直觀顯示各類用戶R、F、M、S分布,繪制各簇用戶R、F、M、S的核密度曲線圖(Kernel Density Estimation,KDE)。用戶群0的R、F、M、S的核密度曲線圖如圖2所示。用戶群1的R、F、M、S的核密度曲線圖如圖3所示。用戶群2的R、F、M、S的核密度曲線圖如圖4所示。用戶群3的R、F、M、S的核密度曲線圖如圖5所示。

圖2 用戶群0的R、F、M、S的核密度曲線圖

圖3 用戶群1的R、F、M、S的核密度曲線圖

圖4 用戶群2的R、F、M、S的核密度曲線圖

圖5 用戶群3的R、F、M、S的核密度曲線圖

2 用戶評(píng)價(jià)結(jié)果

通過基于大數(shù)據(jù)分析的充電用戶價(jià)值評(píng)價(jià)方法,將目標(biāo)樣本充電用戶分為四類,通過分析四類用戶的R、F、M、S分布,可以對(duì)四類用戶做出評(píng)價(jià),用戶評(píng)價(jià)如表4所示。

表4 用戶評(píng)價(jià)

用戶群3:最高價(jià)值用戶,共有598個(gè)用戶,此類用戶距最近一次充電時(shí)間最短,平均在1.46天前進(jìn)行最近一次充電,觀測(cè)期內(nèi)充電頻率最高,平均為29.65次,平均每天超過一次,觀測(cè)期內(nèi)充電量最高,平均充電666.86 kWh,是企業(yè)具有最高價(jià)值的用戶,且可以發(fā)現(xiàn)這類用戶觀測(cè)期內(nèi)平均在6.07個(gè)充電站充過電,基本可以確定大部分不是兩點(diǎn)一線的上班族,而是網(wǎng)約車或出租車等運(yùn)營(yíng)車輛(企業(yè)應(yīng)對(duì)此類用戶精準(zhǔn)營(yíng)銷,保持其活躍度和貢獻(xiàn)度)。

用戶群2:重要價(jià)值用戶,共有5 080個(gè)用戶,此類用戶距最近一次充電時(shí)間較短,平均在3.49天前進(jìn)行最近一次充電,觀測(cè)期內(nèi)充電頻率較高,平均為9.59次,觀測(cè)期內(nèi)充電量較高,平均充電186.95 kWh,活躍度較高,貢獻(xiàn)度較高,忠誠(chéng)度較高,這類用戶觀測(cè)期內(nèi)平均在2.84個(gè)充電站充過電,多數(shù)可能為兩點(diǎn)一線的上班族,部分為運(yùn)營(yíng)車輛(應(yīng)重點(diǎn)發(fā)展此類用戶,進(jìn)一步將其發(fā)展為最高價(jià)值用戶)。

用戶群1:一般發(fā)展用戶,共有25 181個(gè)用戶,是所有類型中數(shù)量最多的用戶群,此類用戶距最近一次充電時(shí)間低于平均值,平均在5.82天進(jìn)行最近一次充電,觀測(cè)期內(nèi)充電頻率較低,平均為2.13次,觀測(cè)期內(nèi)充電量較低,平均充電41.72 kWh,此類用戶貢獻(xiàn)度一般,忠誠(chéng)度一般,這類用戶觀測(cè)期內(nèi)平均在1.28個(gè)充電站充過電,基本確定為非運(yùn)營(yíng)車輛的私家車(可制定專屬營(yíng)銷策略,保持或挽留此類用戶)。

用戶群0:低價(jià)值用戶,共有17 658個(gè)用戶,此類用戶距最近一次充電時(shí)間最長(zhǎng),平均在20.39天前進(jìn)行最近一次充電,觀測(cè)期內(nèi)充電頻率最低,平均為1.46次,觀測(cè)期內(nèi)充電量最低,平均充電28.33 kWh,貢獻(xiàn)度和忠誠(chéng)度最低,這類用戶觀測(cè)期內(nèi)平均在1.13個(gè)充電站充過電,同樣基本確定為非運(yùn)營(yíng)車輛的私家車(是企業(yè)低價(jià)值用戶群)。

3 結(jié) 語(yǔ)

本文針對(duì)傳統(tǒng)充電運(yùn)營(yíng)企業(yè)在充電用戶運(yùn)營(yíng)、精準(zhǔn)營(yíng)銷等方面缺乏經(jīng)驗(yàn)的現(xiàn)狀,借鑒互聯(lián)網(wǎng)行業(yè)大數(shù)據(jù)分析技術(shù),提出一種基于大數(shù)據(jù)分析的充電用戶價(jià)值評(píng)價(jià)方法。

應(yīng)用大數(shù)據(jù)分析的基本思路,選取充電交易數(shù)據(jù),首先進(jìn)行數(shù)據(jù)清洗,確認(rèn)分析樣本,在RFM模型的基礎(chǔ)上,引入充電站數(shù)量S,形成評(píng)判用戶價(jià)值的四維評(píng)價(jià)指標(biāo)向量W,再通過K-means聚類方法訓(xùn)練模型,最終獲得四類用戶群。

根據(jù)四類用戶的R、F、M、S分布,逐一分析特點(diǎn),最終對(duì)四類用戶做出價(jià)值評(píng)價(jià),分為最高價(jià)值用戶、重要價(jià)值用戶、一般價(jià)值用戶和低價(jià)值用戶,為后續(xù)精準(zhǔn)化營(yíng)銷策略的制定提供參考依據(jù)。

本文在數(shù)據(jù)選取時(shí),僅選取了用戶id、訂單創(chuàng)建時(shí)間、交易電量、充電站4個(gè)字段,事實(shí)上,另有52個(gè)其他字段描述交易詳情。未來(lái),可以考慮將用戶習(xí)慣充電時(shí)間(工作日或周末)、充電時(shí)段(早、中、晚或凌晨)、充電支付方式、賬戶余額等變量引入模型,創(chuàng)建更多維度的用戶評(píng)價(jià)指標(biāo)向量,實(shí)現(xiàn)更深層次和更細(xì)致的用戶畫像。