CN107423859A - 一种组合模型建模方法及系统 - Google Patents
一种组合模型建模方法及系统 Download PDFInfo
- Publication number
- CN107423859A CN107423859A CN201710667282.4A CN201710667282A CN107423859A CN 107423859 A CN107423859 A CN 107423859A CN 201710667282 A CN201710667282 A CN 201710667282A CN 107423859 A CN107423859 A CN 107423859A
- Authority
- CN
- China
- Prior art keywords
- built
- pattern
- modeling
- client
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000007418 data mining Methods 0.000 abstract description 7
- 238000009826 distribution Methods 0.000 abstract description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 14
- 239000010931 gold Substances 0.000 description 14
- 229910052737 gold Inorganic materials 0.000 description 14
- 230000005611 electricity Effects 0.000 description 12
- 238000011160 research Methods 0.000 description 9
- 241001123248 Arma Species 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000003698 anagen phase Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/14—Payment architectures specially adapted for billing systems
- G06Q20/145—Payments according to the detected use or quantity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种组合模型建模方法，包括采集原始数据，基于预设指标从原始数据中采集目标字段，基于目标字段生成组合模型。与现有技术相比，组合模型，使用了大数据技术与数据挖掘算法模型，透过海量数据，真实、及时的了解了客户缴费服务情况及各缴费渠道的户数分布情况，引导客户至更有效渠道，不仅减轻营业厅压力，还方便客户自身有助于提高客户对供电企业的满意度。
Description
技术领域
本发明涉及缴费系统技术领域，尤其涉及一种组合模型建模方法及系统。
背景技术
目前对各行业缴费问题的研究主要集中在缴费系统的完善与优化上，忽略了客户自身的体验与诉求，客户个性化需求得不到满足。而当前客户服务要求呈现出多元化的发展趋势，传统的市场营销手段已不再适应新型的市场环境，客户个性化需求需要有新型缴费方式的支撑，使用传统方式缴费的客户占总缴费客户的比例仍较高，需对客户的缴费方式进行有效引导。
以往对客户缴费渠道的牵引大都是通过问卷调查的形式收集客户的反馈意见，并据此提出改进意见，但这种方法收集到的数据往往与总体存在一定的偏差，且需要投入大量的人力物力，数据的真实性也有待考量，目前还没有将大数据技术应用到缴费渠道的牵引上。
发明内容
有鉴于此，本发明提供了一种组合模型建模方法，与现有技术相比，组合模型使用了大数据技术与数据挖掘算法模型，透过海量数据，真实、及时的了解了客户缴费服务情况及各缴费渠道的户数分布情况，引导客户至更有效渠道，不仅减轻营业厅压力，还方便客户自身有助于提高客户对供电企业的满意度。
本发明提供了一种组合模型建模方法，包括：
采集原始数据；
基于预设指标从所述原始数据中采集目标字段；
基于所述目标字段生成组合模型。
优选地，所述组合模型包括预测模型、客户细分模型及优选渠道推荐模型，所述基于所述目标字段生成组合模型包括：
基于所述目标字段生成所述预测模型；
基于所述目标字段生成所述客户细分模型；
基于所述预测模型及所述客户细分模型生成所述优选渠道推荐模型。
优选地，所述基于所述预设指标从所述原始数据中采集所述目标字段包括：
预处理所述原始数据生成建模数据；
基于所述预设指标从所述建模数据中采集所述目标字段。
优选地，还包括：
从所述建模数据中采集客户信息；
基于所述组合模型生成与所述客户信息相对应的推荐信息；
发送所述推荐信息至客户终端。
优选地，所述发送所述推荐信息至所述客户终端还包括：
基于所述组合模型生成与所述客户信息相对应的缴费预测信息；
当当前时间与所述缴费预测信息相匹配时，发送所述推荐信息至所述客户终端。
一种组合模型建模系统，包括：
数据采集模块，所述数据采集模块用于采集原始数据；
字段选择模块，所述字段选择模块用于基于预设指标从所述原始数据中采集目标字段；
建模模块，所述建模模块用于基于所述目标字段生成组合模型。
优选地，所述组合模型包括预测模型、客户细分模型及优选渠道推荐模型，所述建模模块包括预测模型建模单元、客户细分模型建模单元及优选渠道推荐模型建模单元，其中：
所述预测模型建模单元用于基于所述目标字段生成所述预测模型；
所述客户细分模型建模单元用于基于所述目标字段生成所述客户细分模型；
所述优选渠道推荐模型建模单元用于基于所述预测模型及所述客户细分模型生成所述优选渠道推荐模型。
优选地，所述字段选择模块包括预处理单元及选取单元，其中：
所述预处理单元用于预处理所述原始数据生成建模数据；
所述选取单元用于基于所述预设指标从所述建模数据中采集所述目标字段。
优选地，还包括：
所述数据采集模块还用于从所述建模数据中采集客户信息；
分析模块，所述分析模块用于基于所述组合模型生成与所述客户信息相对应的推荐信息；
推送模块，所述推送模块用于发送所述推荐信息至客户终端。
优选地，所述分析模块还用于基于所述组合模型生成与所述客户信息相对应的缴费预测信息；
所述推送模块还用于当当前时间与所述缴费预测信息相匹配时，发送所述推荐信息至所述客户终端。
从上述技术方案可以看出，本发明提供了一种组合模型建模方法，包括采集原始数据，基于预设指标从原始数据中采集目标字段，基于目标字段生成组合模型。与现有技术相比，组合模型，使用了大数据技术与数据挖掘算法模型，透过海量数据，真实、及时的了解了客户缴费服务情况及各缴费渠道的户数分布情况，引导客户至更有效渠道，不仅减轻营业厅压力，还方便客户自身有助于提高客户对供电企业的满意度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明公开的一种组合模型建模方法实施例1的方法流程图；
图2为本发明公开的一种组合模型建模方法实施例2的方法流程图；
图3为本发明公开的一种组合模型建模方法实施例3的方法流程图；
图4为本发明公开的一种组合模型建模系统实施例1的结构示意图；
图5为本发明公开的一种组合模型建模系统实施例2的结构示意图；
图6为本发明公开的一种组合模型建模系统实施例3的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，为本发明公开的一种组合模型建模方法实施例1的流程图，包括：
S101、采集原始数据；
以缴纳电费为例，原始数据为客户缴纳电费过程中的信息，例如缴纳方式、缴纳金额及缴纳时间等信息，原始信息可存储在缴费服务器中或其他专用的存储器中。
S102、基于预设指标从原始数据中采集目标字段；
根据模型的研究目的选取合适的指标，形成指标体系，即预设指标，是后续模型构建的基础。由预设指标可以从原始数据中采集到满足预设指标的目标字段，例如，缴费总金额超过某个预设值的客户的缴费信息，或缴费持续时间超过某个预设值的客户的缴费信息等。
S103、基于目标字段生成组合模型；
采集到目标字段后，可由目标字段生成一个组合模型，组合模型可用于分析客户的缴费信息，从而判断出适合此客户的缴费方式。可以此对客户的缴费进行引导。
从上述技术方案可以看出，本发明提供了一种组合模型建模方法，包括采集原始数据，基于预设指标从原始数据中采集目标字段，基于目标字段生成组合模型。与现有技术相比，组合模型，使用了大数据技术与数据挖掘算法模型，透过海量数据，真实、及时的了解了客户缴费服务情况及各缴费渠道的户数分布情况，引导客户至更有效渠道，不仅减轻营业厅压力，还方便客户自身有助于提高客户对供电企业的满意度。
如图2所示，为本发明公开的一种组合模型建模方法的实施例2的流程图，包括：
S201、采集原始数据；
以缴纳电费为例，原始数据为客户缴纳电费过程中的信息，例如缴纳方式、缴纳金额及缴纳时间等信息，原始信息可存储在缴费服务器中或其他专用的存储器中。
S202、基于预设指标从原始数据中采集目标字段；
根据模型的研究目的选取合适的指标，形成指标体系，即预设指标，是后续模型构建的基础。由预设指标可以从原始数据中采集到满足预设指标的目标字段，例如，缴费总金额超过某个预设值的客户的缴费信息，或缴费持续时间超过某个预设值的客户的缴费信息等。
S203、基于目标字段生成预测模型；
以电网缴费为例，预测模型可用于对客户购电前的时间及金额进行预测。
生成预测模型的方法可为：
(1)选取全年缴费总金额、平均每次缴费金额以及用户第1次缴费的金额、第2次缴费的金额、第3次缴费的金额等指标作为目标字段；
(2)计算观察值序列的样本自相关系数(ACF)和样本偏自相关系数(PACF)的值，根据样本自相关系数与偏自相关系数的性质，选择阶数适当的ARMA(p,q)模型进行拟合；
(3)估计模型中未知参数的值，检验模型的有效性，如果拟合模型不能通过检验，转向步骤(2)，重新选择模型再拟合；
(4)若拟合模型可通过检验，则为预测模型，预测模型可用于预测各时间点缴费金额的将来走势。
自相关系数：在时间序列分析分析中，对于时间序列{xt}任取t,s∈T,定义y(t,s)为序列{xt}的自相关系数：y(t,s)＝E(xt-μt)(xs-μs)，那么时间序列的自相关系数(ACF)：ρ(t，s)＝y(t,s)/(Dxt*Dxs)^0.5，其中，E表示数学期望，D表示方差。
偏自相关系数：对于平稳序列{xt}，所谓滞后k偏自相关系数就是指在给定中间k-1个随机变量xt-1,xt-2,…,xt-k+1的条件下，xt-k对xt相关影响的度量，用公式表示为式中
自回归移动平均模型(Auto-Regression and Moving Average Model，ARMA)：自回归模型和移动平均模型共同构成了拟合平稳随机过程的自回归移动平均模型，常用于长期追踪资料的研究，其表达式为：
Yt＝φ0+φ1Yt-1+φ2Yt-2+…+φpYt-p+εt-θ1εt-1-θ2εt-2-…-θqεt-q。
S204、基于目标字段生成客户细分模型；
以电网缴费为例，客户细分模型可用于探索客户属性及行为习惯，将目标用户族群细分，研究各个族群的缴费习惯及渠道倾向。
生成客户细分模型的方法可为：
(1)从缴费方式、缴费金额和缴费频率这三个方面对顾客的缴费渠道进行分层，并依据客户行为属性，构建细分指标体系；
(2)从n个数据对象任意选择k个对象作为初始聚类中心；
(3)循环下述流程(4)到(5)，直到每个聚类不再发生变化为止。
(4)根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分。
(5)重新计算每个(有变化)聚类的均值(中心对象)
(6)依据缴费方式、缴费金额和缴费频率对客户进行分类，可得到线下稳定型缴费客户、线下保守型缴费客户、线下自由成长型缴费客户、线下散漫型缴费客户、线下理想型缴费客户、线上达人型缴费客户共六类。
S205、基于预测模型及客户细分模型生成优选渠道推荐模型；
以电网缴费为例，优选渠道推荐模型可用于将客户与渠道精准匹配，利用最优化理论实现对各种缴费方式客户的有效引导。
生成优选渠道推荐模型的方法为：
(1)根据前面的预测模型及客户细分模型对客户行为进行研究后选取了五大类指标作为目标字段，分别是客户基本信息、客户消费行为、渠道轨迹、客户需求以及邻舍圈；
(2)建立评价因素集合，取因素集U＝{U1，U2，…，Um}表示缴费方式的m个评价指标因素，第i个一级指标包含二级指标，Ui＝{Ui1，Ui2,…,Uik}。如本文U＝＝{U1，U2}＝{缴费成本、缴纳方式的社会效益},U2＝{缴费服务时间，缴费点距离，排队等候时间，缴费金额，缴费服务质量}；
(3)建立评价等级的评价值，量化分析服务质量；
(4)权重确定，指标权重的确定方法有很多，包括层次分析法(AHP)、集值迭代法等。
综上所述，本发明实际上提出了一种购电预测、客户细分、优选渠道的缴费渠道引流组合模型，首先利用个人客户历史缴费数据，结合客户投诉建议等工单数据，建立数学模型，对客户购电前的时间及金额进行预测；然后探索客户属性及行为习惯，利用数学模型将目标用户族群细分，研究各个族群的缴费习惯及渠道倾向；最后建立一套以数据挖掘技术为支撑的电力客户缴费渠道酬金设计体系，将客户与渠道精准匹配，利用最优化理论实现对各种缴费方式客户的有效引导。
如图3所示，为本发明公开的一种组合模型建模方法的实施例3的流程图，包括：
S301、采集原始数据；
以缴纳电费为例，原始数据为客户缴纳电费过程中的信息，例如缴纳方式、缴纳金额及缴纳时间等信息，原始信息可存储在缴费服务器中或其他专用的存储器中。
S302、预处理原始数据生成建模数据；
原始数据中可能包括有许多错误的或失效的数据，因此，需要对原始数据进行预处理，以降低后续步骤的难度。预处理可以包括缺失值的处理、异常值的处理及非平稳数据的处理。
S303、基于预设指标从原始数据中采集目标字段；
根据模型的研究目的选取合适的指标，形成指标体系，即预设指标，是后续模型构建的基础。由预设指标可以从建模数据中采集到满足预设指标的目标字段，例如，缴费总金额超过某个预设值的客户的缴费信息，或缴费持续时间超过某个预设值的客户的缴费信息等。
S304、基于目标字段生成组合模型；
采集到目标字段后，可由目标字段生成一个组合模型，组合模型可用于分析客户的缴费信息，从而判断出适合此客户的缴费方式。可以此对客户的缴费进行引导。
S305、从建模数据中采集客户信息；
从原始数据或建模数据中采集客户曾经的缴费信息。
S306、基于组合模型生成与客户信息相对应的推荐信息；
由组合模型对客户信息进行分析，判断出最适合客户的缴费方式并生成相应的推荐信息。
S307、基于组合模型生成与客户信息相对应的缴费预测信息；
使用组合模型对客户的缴费情况进行预测，例如客户的缴费时间及缴费金额等。
S308、当当前时间与缴费预测信息相匹配时，发送推荐信息至客户终端；
当前时间与缴费预测信息相匹配可以是，当前时间处于预测的客户缴费时间之前一段时间(5至10天)到预测的客户缴费时间之间，则此时将推荐信息发送给客户终端，客户终端包括客户的手机、邮箱及其他可用于接收信息的电子设备。从而在客户缴费之前，对客户的缴费方式进行引导，提升客户的体验感。
如图4所示，为本发明公开的一种组合模型建模系统实施例1的结构示意图，包括：
数据采集模块101，数据采集模块101用于采集原始数据；
以缴纳电费为例，原始数据为客户缴纳电费过程中的信息，例如缴纳方式、缴纳金额及缴纳时间等信息，原始信息可存储在缴费服务器中或其他专用的存储器中。
字段选择模块102，字段选择模块102用于基于预设指标从原始数据中采集目标字段；
根据模型的研究目的选取合适的指标，形成指标体系，即预设指标，是后续模型构建的基础。由预设指标可以从原始数据中采集到满足预设指标的目标字段，例如，缴费总金额超过某个预设值的客户的缴费信息，或缴费持续时间超过某个预设值的客户的缴费信息等。
建模模块103，建模模块103用于基于目标字段生成组合模型；
采集到目标字段后，可由目标字段生成一个组合模型，组合模型可用于分析客户的缴费信息，从而判断出适合此客户的缴费方式。可以此对客户的缴费进行引导。
从上述技术方案可以看出，本发明提供了一种组合模型建模系统，工作原理为采集原始数据，基于预设指标从原始数据中采集目标字段，基于目标字段生成组合模型。与现有技术相比，组合模型，使用了大数据技术与数据挖掘算法模型，透过海量数据，真实、及时的了解了客户缴费服务情况及各缴费渠道的户数分布情况，引导客户至更有效渠道，不仅减轻营业厅压力，还方便客户自身有助于提高客户对供电企业的满意度。
如图5所示，为本发明公开的一种组合模型建模系统的实施例2的结构示意图，包括：
数据采集模块201，数据采集模块201用于采集原始数据；
以缴纳电费为例，原始数据为客户缴纳电费过程中的信息，例如缴纳方式、缴纳金额及缴纳时间等信息，原始信息可存储在缴费服务器中或其他专用的存储器中。
字段选择模块202，字段选择模块202用于基于预设指标从原始数据中采集目标字段；
根据模型的研究目的选取合适的指标，形成指标体系，即预设指标，是后续模型构建的基础。由预设指标可以从原始数据中采集到满足预设指标的目标字段，例如，缴费总金额超过某个预设值的客户的缴费信息，或缴费持续时间超过某个预设值的客户的缴费信息等。
建模模块203，建模模块203用于基于目标字段生成组合模型，组合模型包括预测模型、客户细分模型及优选渠道推荐模型，建模模块203包括预测模型建模单元204、客户细分模型建模单元205及优选渠道推荐模型建模单元206，其中：
预测模型建模单元204用于基于目标字段生成预测模型；
以电网缴费为例，预测模型可用于对客户购电前的时间及金额进行预测。
生成预测模型的方法可为：
(1)选取全年缴费总金额、平均每次缴费金额以及用户第1次缴费的金额、第2次缴费的金额、第3次缴费的金额等指标作为目标字段；
(2)计算观察值序列的样本自相关系数(ACF)和样本偏自相关系数(PACF)的值，根据样本自相关系数与偏自相关系数的性质，选择阶数适当的ARMA(p,q)模型进行拟合；
(3)估计模型中未知参数的值，检验模型的有效性，如果拟合模型不能通过检验，转向步骤(2)，重新选择模型再拟合；
(4)若拟合模型可通过检验，则为预测模型，预测模型可用于预测各时间点缴费金额的将来走势。
自相关系数：在时间序列分析分析中，对于时间序列{xt}任取t,s∈T,定义y(t,s)为序列{xt}的自相关系数：y(t,s)＝E(xt-μt)(xs-μs)，那么时间序列的自相关系数(ACF)：ρ(t，s)＝y(t,s)/(Dxt*Dxs)^0.5，其中，E表示数学期望，D表示方差。
偏自相关系数：对于平稳序列{xt}，所谓滞后k偏自相关系数就是指在给定中间k-1个随机变量xt-1,xt-2,…,xt-k+1的条件下，xt-k对xt相关影响的度量，用公式表示为式中
自回归移动平均模型(Auto-Regression and Moving Average Model，ARMA)：自回归模型和移动平均模型共同构成了拟合平稳随机过程的自回归移动平均模型，常用于长期追踪资料的研究，其表达式为：
Yt＝φ0+φ1Yt-1+φ2Yt-2+…+φpYt-p+εt-θ1εt-1-θ2εt-2-…-θqεt-q。
客户细分模型建模单元205用于基于目标字段生成客户细分模型；
以电网缴费为例，客户细分模型可用于探索客户属性及行为习惯，将目标用户族群细分，研究各个族群的缴费习惯及渠道倾向。
生成客户细分模型的方法可为：
(1)从缴费方式、缴费金额和缴费频率这三个方面对顾客的缴费渠道进行分层，并依据客户行为属性，构建细分指标体系；
(2)从n个数据对象任意选择k个对象作为初始聚类中心；
(3)循环下述流程(4)到(5)，直到每个聚类不再发生变化为止。
(4)根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分。
(5)重新计算每个(有变化)聚类的均值(中心对象)
(6)依据缴费方式、缴费金额和缴费频率对客户进行分类，可得到线下稳定型缴费客户、线下保守型缴费客户、线下自由成长型缴费客户、线下散漫型缴费客户、线下理想型缴费客户、线上达人型缴费客户共六类。
优选渠道推荐模型建模单元206用于基于预测模型及客户细分模型生成优选渠道推荐模型；
以电网缴费为例，优选渠道推荐模型可用于将客户与渠道精准匹配，利用最优化理论实现对各种缴费方式客户的有效引导。
生成优选渠道推荐模型的方法为：
(1)根据前面的预测模型及客户细分模型对客户行为进行研究后选取了五大类指标作为目标字段，分别是客户基本信息、客户消费行为、渠道轨迹、客户需求以及邻舍圈；
(2)建立评价因素集合，取因素集U＝{U1，U2，…，Um}表示缴费方式的m个评价指标因素，第i个一级指标包含二级指标，Ui＝{Ui1，Ui2,…,Uik}。如本文U＝＝{U1，U2}＝{缴费成本、缴纳方式的社会效益},U2＝{缴费服务时间，缴费点距离，排队等候时间，缴费金额，缴费服务质量}；
(3)建立评价等级的评价值，量化分析服务质量；
(4)权重确定，指标权重的确定方法有很多，包括层次分析法(AHP)、集值迭代法等。
综上，本发明实际上提出了一种购电预测、客户细分、优选渠道的缴费渠道引流组合模型，首先利用个人客户历史缴费数据，结合客户投诉建议等工单数据，建立数学模型，对客户购电前的时间及金额进行预测；然后探索客户属性及行为习惯，利用数学模型将目标用户族群细分，研究各个族群的缴费习惯及渠道倾向；最后建立一套以数据挖掘技术为支撑的电力客户缴费渠道酬金设计体系，将客户与渠道精准匹配，利用最优化理论实现对各种缴费方式客户的有效引导。
如图6所示，为本发明公开的一种组合模型建模系统的实施例3的结构示意图，包括：
数据采集模块301，数据采集模块301用于采集原始数据；
以缴纳电费为例，原始数据为客户缴纳电费过程中的信息，例如缴纳方式、缴纳金额及缴纳时间等信息，原始信息可存储在缴费服务器中或其他专用的存储器中。
字段选择模块302，字段选择模块302用于基于预设指标从原始数据中采集目标字段，字段选择模块302包括预处理单元及选取单元，其中：
预处理单元用于预处理原始数据生成建模数据；
原始数据中可能包括有许多错误的或失效的数据，因此，需要对原始数据进行预处理，以降低后续步骤的难度。预处理可以包括缺失值的处理、异常值的处理及非平稳数据的处理。
选取单元用于基于预设指标从建模数据中采集目标字段；
根据模型的研究目的选取合适的指标，形成指标体系，即预设指标，是后续模型构建的基础。由预设指标可以从建模数据中采集到满足预设指标的目标字段，例如，缴费总金额超过某个预设值的客户的缴费信息，或缴费持续时间超过某个预设值的客户的缴费信息等。
建模模块303，建模模块303用于基于目标字段生成组合模型；
采集到目标字段后，可由目标字段生成一个组合模型，组合模型可用于分析客户的缴费信息，从而判断出适合此客户的缴费方式。可以此对客户的缴费进行引导。
数据采集模块301还用于从建模数据中采集客户信息；
从原始数据或建模数据中采集客户曾经的缴费信息。
分析模块304，分析模块304用于基于组合模型生成与客户信息相对应的推荐信息；
由组合模型对客户信息进行分析，判断出最适合客户的缴费方式并生成相应的推荐信息。
分析模块304还用于基于组合模型生成与客户信息相对应的缴费预测信息；
使用组合模型对客户的缴费情况进行预测，例如客户的缴费时间及缴费金额等。
推送模块305还用于当当前时间与缴费预测信息相匹配时，发送推荐信息至客户终端；
当前时间与缴费预测信息相匹配可以是，当前时间处于预测的客户缴费时间之前一段时间(5至10天)到预测的客户缴费时间之间，则此时将推荐信息发送给客户终端，客户终端包括客户的手机、邮箱及其他可用于接收信息的电子设备。从而在客户缴费之前，对客户的缴费方式进行引导，提升客户的体验感。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种组合模型建模方法，其特征在于，包括：
采集原始数据；
基于预设指标从所述原始数据中采集目标字段；
基于所述目标字段生成组合模型。
2.如权利要求1所述的方法，其特征在于，所述组合模型包括预测模型、客户细分模型及优选渠道推荐模型，所述基于所述目标字段生成组合模型包括：
基于所述目标字段生成所述预测模型；
基于所述目标字段生成所述客户细分模型；
基于所述预测模型及所述客户细分模型生成所述优选渠道推荐模型。
3.如权利要求1或2所述的方法，其特征在于，所述基于所述预设指标从所述原始数据中采集所述目标字段包括：
预处理所述原始数据生成建模数据；
基于所述预设指标从所述建模数据中采集所述目标字段。
4.如权利要求3所述的方法，其特征在于，还包括：
从所述建模数据中采集客户信息；
基于所述组合模型生成与所述客户信息相对应的推荐信息；
发送所述推荐信息至客户终端。
5.如权利要求4所述的方法，其特征在于，所述发送所述推荐信息至所述客户终端还包括：
基于所述组合模型生成与所述客户信息相对应的缴费预测信息；
当当前时间与所述缴费预测信息相匹配时，发送所述推荐信息至所述客户终端。
6.一种组合模型建模系统，其特征在于，包括：
数据采集模块，所述数据采集模块用于采集原始数据；
字段选择模块，所述字段选择模块用于基于预设指标从所述原始数据中采集目标字段；
建模模块，所述建模模块用于基于所述目标字段生成组合模型。
7.如权利要求6所述的系统，其特征在于，所述组合模型包括预测模型、客户细分模型及优选渠道推荐模型，所述建模模块包括预测模型建模单元、客户细分模型建模单元及优选渠道推荐模型建模单元，其中：
所述预测模型建模单元用于基于所述目标字段生成所述预测模型；
所述客户细分模型建模单元用于基于所述目标字段生成所述客户细分模型；
所述优选渠道推荐模型建模单元用于基于所述预测模型及所述客户细分模型生成所述优选渠道推荐模型。
8.如权利要求6或7所述的系统，其特征在于，所述字段选择模块包括预处理单元及选取单元，其中：
所述预处理单元用于预处理所述原始数据生成建模数据；
所述选取单元用于基于所述预设指标从所述建模数据中采集所述目标字段。
9.如权利要求8所述的系统，其特征在于，还包括：
所述数据采集模块还用于从所述建模数据中采集客户信息；
分析模块，所述分析模块用于基于所述组合模型生成与所述客户信息相对应的推荐信息；
推送模块，所述推送模块用于发送所述推荐信息至客户终端。
10.如权利要求9所述的系统，其特征在于，
所述分析模块还用于基于所述组合模型生成与所述客户信息相对应的缴费预测信息；
所述推送模块还用于当当前时间与所述缴费预测信息相匹配时，发送所述推荐信息至所述客户终端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710667282.4A CN107423859B (zh) | 2017-08-07 | 2017-08-07 | 一种组合模型建模方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710667282.4A CN107423859B (zh) | 2017-08-07 | 2017-08-07 | 一种组合模型建模方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107423859A true CN107423859A (zh) | 2017-12-01 |
| CN107423859B CN107423859B (zh) | 2021-04-13 |
Family
ID=60436633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710667282.4A Active CN107423859B (zh) | 2017-08-07 | 2017-08-07 | 一种组合模型建模方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107423859B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523246A (zh) * | 2018-10-25 | 2019-03-26 | 云南电网有限责任公司昆明供电局 | 用户缴费渠道规划方法及装置 |
| CN109558994A (zh) * | 2018-12-19 | 2019-04-02 | 国家电网有限公司客户服务中心 | 一种基于mlr及pca模型的售电均价分析方法 |
| CN110288166A (zh) * | 2019-07-02 | 2019-09-27 | 国家电网有限公司 | 一种准确度高的预测用户购电行为的方法 |
| CN110378564A (zh) * | 2019-06-18 | 2019-10-25 | 中国平安财产保险股份有限公司 | 监控模型生成方法、装置、终端设备及存储介质 |
| CN110728537A (zh) * | 2019-09-24 | 2020-01-24 | 国网河北省电力有限公司信息通信分公司 | 一种基于电力用户行为标签的预测缴费方法 |
| CN111127080A (zh) * | 2019-12-04 | 2020-05-08 | 国网浙江台州市黄岩区供电有限公司 | 一种基于大数据推荐算法的客户渠道引流方法 |
| CN111199493A (zh) * | 2018-11-19 | 2020-05-26 | 国家电网有限公司客户服务中心 | 一种基于客户缴费信息及征信信息的欠费风险识别方法 |
| CN111967953A (zh) * | 2020-06-23 | 2020-11-20 | 广州海颐软件有限公司 | 一种缴费策略分析方法及电子设备 |
| CN113065905A (zh) * | 2021-05-07 | 2021-07-02 | 国家电网有限公司大数据中心 | 一种线上购电引流标签构建方法、装置、设备及存储介质 |
| CN116542831A (zh) * | 2023-07-07 | 2023-08-04 | 杭州海亮优教教育科技有限公司 | 招生数据的处理方法、装置、电子设备及存储介质 |
| CN117056591A (zh) * | 2023-07-24 | 2023-11-14 | 深圳义云科技有限公司 | 基于动态预测的电力缴费渠道智能推荐方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004112869A (ja) * | 2002-09-13 | 2004-04-08 | Toshiba Corp | 電力需要予測システム |
| US7908159B1 (en) * | 2003-02-12 | 2011-03-15 | Teradata Us, Inc. | Method, data structure, and systems for customer segmentation models |
| CN102376061A (zh) * | 2011-08-26 | 2012-03-14 | 浙江工业大学 | 基于全方位视觉的消费者购买行为分析装置 |
| CN106776879A (zh) * | 2016-11-29 | 2017-05-31 | 国网山东省电力公司电力科学研究院 | 一种客户缴费服务信息推送方法 |
| CN106780140A (zh) * | 2016-12-15 | 2017-05-31 | 国网浙江省电力公司 | 基于大数据的电力信用评价方法 |
-
2017
- 2017-08-07 CN CN201710667282.4A patent/CN107423859B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004112869A (ja) * | 2002-09-13 | 2004-04-08 | Toshiba Corp | 電力需要予測システム |
| US7908159B1 (en) * | 2003-02-12 | 2011-03-15 | Teradata Us, Inc. | Method, data structure, and systems for customer segmentation models |
| CN102376061A (zh) * | 2011-08-26 | 2012-03-14 | 浙江工业大学 | 基于全方位视觉的消费者购买行为分析装置 |
| CN106776879A (zh) * | 2016-11-29 | 2017-05-31 | 国网山东省电力公司电力科学研究院 | 一种客户缴费服务信息推送方法 |
| CN106780140A (zh) * | 2016-12-15 | 2017-05-31 | 国网浙江省电力公司 | 基于大数据的电力信用评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张学恒: "基于时间序列分析的结构损伤识别研究", 《中国优秀硕士论文工程科技Ⅱ辑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523246A (zh) * | 2018-10-25 | 2019-03-26 | 云南电网有限责任公司昆明供电局 | 用户缴费渠道规划方法及装置 |
| CN111199493A (zh) * | 2018-11-19 | 2020-05-26 | 国家电网有限公司客户服务中心 | 一种基于客户缴费信息及征信信息的欠费风险识别方法 |
| CN109558994A (zh) * | 2018-12-19 | 2019-04-02 | 国家电网有限公司客户服务中心 | 一种基于mlr及pca模型的售电均价分析方法 |
| CN110378564A (zh) * | 2019-06-18 | 2019-10-25 | 中国平安财产保险股份有限公司 | 监控模型生成方法、装置、终端设备及存储介质 |
| CN110288166A (zh) * | 2019-07-02 | 2019-09-27 | 国家电网有限公司 | 一种准确度高的预测用户购电行为的方法 |
| CN110728537A (zh) * | 2019-09-24 | 2020-01-24 | 国网河北省电力有限公司信息通信分公司 | 一种基于电力用户行为标签的预测缴费方法 |
| CN111127080A (zh) * | 2019-12-04 | 2020-05-08 | 国网浙江台州市黄岩区供电有限公司 | 一种基于大数据推荐算法的客户渠道引流方法 |
| CN111967953A (zh) * | 2020-06-23 | 2020-11-20 | 广州海颐软件有限公司 | 一种缴费策略分析方法及电子设备 |
| CN113065905A (zh) * | 2021-05-07 | 2021-07-02 | 国家电网有限公司大数据中心 | 一种线上购电引流标签构建方法、装置、设备及存储介质 |
| CN116542831A (zh) * | 2023-07-07 | 2023-08-04 | 杭州海亮优教教育科技有限公司 | 招生数据的处理方法、装置、电子设备及存储介质 |
| CN116542831B (zh) * | 2023-07-07 | 2023-10-03 | 杭州海亮优教教育科技有限公司 | 招生数据的处理方法、装置、电子设备及存储介质 |
| CN117056591A (zh) * | 2023-07-24 | 2023-11-14 | 深圳义云科技有限公司 | 基于动态预测的电力缴费渠道智能推荐方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107423859B (zh) | 2021-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107423859A (zh) | 一种组合模型建模方法及系统 | |
| Zhang et al. | Study on the effect of digital economy on high-quality economic development in China | |
| CN104321794B (zh) | 一种使用多维评级来确定一实体的未来商业可行性的系统和方法 | |
| CN104115178A (zh) | 基于新闻和情绪分析来预测市场行为的方法和系统 | |
| CN108009926A (zh) | 用于用户分类的方法、信息处理装置及可读存储介质 | |
| CN108388974A (zh) | 基于随机森林和决策树的优质客户优化识别方法及装置 | |
| CN105183870A (zh) | 一种利用微博位置信息的城市功能区探测方法及系统 | |
| CN109815631A (zh) | 一种游戏数据的处理方法和装置 | |
| CN109657962B (zh) | 一种品牌的声量资产的评估方法及系统 | |
| CN108564423A (zh) | 票务订单的恶意占位识别方法、系统、设备和存储介质 | |
| CN109741177A (zh) | 用户信用的评估方法、装置及智能终端 | |
| CN103617146B (zh) | 一种基于硬件资源消耗的机器学习方法及装置 | |
| CN108154311A (zh) | 基于随机森林和决策树的优质客户识别方法及装置 | |
| CN107767152A (zh) | 产品购买倾向分析方法及服务器 | |
| CN111626767B (zh) | 资源数据的发放方法、装置及设备 | |
| CN113672797A (zh) | 一种内容推荐方法及装置 | |
| Koomey et al. | Improving long-range energy modeling: a plea for historical retrospectives | |
| CN116933946A (zh) | 一种基于客流去向结构的轨道交通od客流预测方法及系统 | |
| CN109062963A (zh) | 自媒体推荐方法、装置及电子设备 | |
| CN107977855A (zh) | 一种管理用户信息的方法及装置 | |
| Ganiyu et al. | Project cost prediction model using principal component regression for public building projects in Nigeria | |
| US20150302302A1 (en) | Method and device for predicting number of suicides using social information | |
| Pienaar et al. | Linking hydrological uncertainty with equitable allocation for water resources decision-making | |
| CN111464337B (zh) | 资源配置方法、装置、电子设备 | |
| CN109101555A (zh) | 一种发票核定方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |