CN108764663A - 一种电力客户画像生成管理的方法及系统 - Google Patents

Abstract

本发明提供了一种电力客户画像生成管理的方法及系统，其方法主要包括：通过大数据处理技术与机器学习算法得到精炼的特征标识，建立动态标签模型；调用相关动态标签模型生成动态标签，并开始标签的全生命周期管理；结合已有标签自动增加新标签，并对所有标签覆盖情况重新计算、展示，直观展示其在总客户中的分布情况；结合已有标签设计新业务场景下的客户分群规则，并对其进行多维度分析；结合业务经验及原有相关策略，制定差异化服务策略；对外接通业务系统，推送制定好的针对不同渠道的差异化信息推送策略。本发明以标签形式构建客户全景画像，实现对电力客户特征的精细刻画；并基于此设计客户分群规则，制定相应的差异化营销管理策略。

Description

一种电力客户画像生成管理的方法及系统

技术领域

本发明涉及电力行业客户管理技术领域，具体涉及一种电力客户画像生成管理的方法及系统。

背景技术

目前，电网公司业务系统内的客户分群是基于业务经验或简单逻辑规则，比如按客户重要性将电力用户分为重要客户、重点关注客户、大客户、居民客户和其他客户；按客户业务属性分为军事单位客户、事业单位客户、企业客户、个人客户和集团客户等。这种电力客户分群方法存在分群精度低、针对分群制定的策略应用效率低等明显缺点。

近年来，随着电网内外部竞争压力的增加，业务人员及数据分析人员在客户精确营销、客户需求预测、客户服务质量等领域为辅助管理决策已经开展了大量初步数据探索分析，并取得了一定的成果，但这些分析成果过于模块化，只能反映客户某一方面的特征，距离为业务人员提供实时、准确、深层次的客户画像与服务策略还有一定的距离。

发明内容

为了解决现有技术所存在的问题，本发明提供一种可融合现有分析成果且可后续扩展的电力客户画像生成管理的方法及系统，将客户行为属性转化为画像标签，以标签形式构建立体化、多层次、多视角的客户全景画像，实现对电力客户特征的精细刻画；并基于此设计客户分群规则，针对不同的标签客户群体制定相应的差异化营销管理策略，将差异化服务策略进一步推送至业务系统，转化为有效的业务价值。

本发明方法采用以下技术方案实现：一种电力客户画像生成管理的方法，包括以下步骤：

步骤1、对新增分群策略需求进行业务分析，确定所需标签是否已全部存在，若全部存在则执行步骤5，否则执行步骤2；

步骤2、对用户信息通过大数据处理技术与机器学习算法得到精炼的特征标识，并建立相应的动态标签模型，实现标签的自动化更新；

步骤3、调用相关动态标签模型生成动态标签，并开始标签的全生命周期管理；

步骤4、在标签全景展示图中结合已有标签，自动增加步骤3所生成的新标签，并对新标签中所有标签的覆盖情况重新计算、展示，直观展示所有标签在总客户中的分布情况；

步骤5、结合已有标签，设计新业务场景下的客户分群规则，并对新的客户分群规则进行多维度分析；

步骤6、针对新的客户分群规则，结合业务经验及原有相关策略，制定差异化服务策略；

步骤7、配置差异化策略推送的业务系统地址，以及批量配置业务系统下策略推送对象，将制定好的针对不同渠道的差异化信息推送策略推送出去。

优选地，步骤2所述动态标签模型的建立包括模型设计、模型评估、模型调整及标签输出，其中：

模型设计，首先针对不同的业务情形进行业务建模，设计可用于数据挖掘的业务模型，进一步设计机器学习模型，完成业务模型与机器学习模型的设计；

模型评估，用于对模型拟合效果进行测试，通过模型评估确定模型标签的精确度是否够高、模型标签是否符合业务现状；

模型调整，当模型评估结果显示严重不符合业务现状时，需要对机器学习模型进行重新设计；在模型评估结果较差时，通过改变机器学习模型的参数来实现模型优化调整；

标签输出，模型标签计算结果满足业务需求时，将数据输出为直观的业务标签。

优选地，所述电力客户画像生成管理的方法包括标签生成及策略推送的数据处理过程；所述标签生成及策略推送的数据处理过程包括以下步骤：

对数据进行提取：从业务系统导入与标签相关的原始数据，经数据质量检查、数据清洗、数据聚合完成后，形成动态标签模型所需的宽表；

对数据进行预处理和分析：借助动态标签模型，所提取的数据经过数据探索、数据处理、数据分析后生成二级宽表；

标签宽表的生成与保存：通过相关动态标签模型，完成标签计算，形成标签宽表，保存在数据仓库内；

在活动策划管理页面对以上生成的标签宽表进一步分析、分群并针对不同全体制定差异化策略后，新增对应服务策略建议字段，标签宽表字段根据需要逐渐丰富，形成最终标签宽表；

将形成的最终标签宽表推送回业务系统，并设置调度，控制标签更新频度。

优选地，所述动态标签模型为电费缴费渠道偏好动态标签模型，其构建流程包括：

数据集获取，为实现对用户行为偏好的分析，结合业务系统数据情况，筛选相关数据；

针对电费缴费渠道，根据RFM模型展开行为偏好度的计算；

基于分类算法展开其潜在服务渠道偏好研究，首先选取一部分标杆客户作为学习样本；然后分析学习样本中各类渠道功能活跃客户的主要特征，包括用电自然人的属性特征、用电行为、支付行为特征、渠道活跃功能特征，训练各渠道的客户特征画像，基于画像模型运用线性回归模型，得出客户各类电子服务渠道偏好度矩阵；最后综合比较各渠道偏好度，其中渠道偏好度最高的渠道为客户偏好的交费渠道，从而判断出其潜在服务渠道偏好类型，完成服务渠道偏好动态标签模型的构建；

对模型进行验证和调整，根据客户群体模型验证的准确度，选择合适的模型参数，得到基于某业务的客户电子服务渠道偏好度模型，并评估模型的准确度；

定时调用以上构建的服务渠道偏好度模型，生成电子服务渠道偏好类型动态标签。

本发明系统采用以下技术方案实现：一种电力客户画像生成管理的系统，包括数据提取模块、标签管理系统和活动策划管理系统，其中数据提取模块用于从业务系统中导入与标签相关的原始数据；标签管理系统包括：

动态标签模型设计模块，用于对用户信息通过大数据处理技术与机器学习算法得到精炼的特征标识，并建立相应的动态标签模型，实现标签的自动化更新；

标签全生命周期管理模块，用于调用相关动态标签模型生成动态标签，并开始标签的全生命周期管理；

活动策划管理系统包括：

标签画像模块，用于在标签全景展示图中结合已有标签，自动增加所生成的新标签，并对新标签中所有标签的覆盖情况重新计算、展示，直观展示所有标签在总客户中的分布情况；

案例分析模块，用于结合已有标签，设计新业务场景下的客户分群规则，并对新的客户分群规则进行多维度分析；

策略管理模块，用户针对新的客户分群规则，结合业务经验及原有相关策略，制定差异化服务策略；

策略推送模块，用于配置差异化策略推送的业务系统地址，以及批量配置业务系统下策略推送对象，将制定好的针对不同渠道的差异化信息推送策略推送出去。

从以上技术方案可知，本发明所提出的电力客户画像管理的方法及系统，与现有技术相比，取得了如下技术效果：整合客户精确营销、客户需求预测、客户服务质量等领域数据探索结果，有效综合用户的各个相关特征属性，归纳用户特征，并通过动态标签模型设计模块在新业务方向进行合理的数据挖掘，将客户行为属性转化为画像标签，以“标签”的形式，构建立体化、多层次、多视角的客户全景画像，实现对电力客户特征的精细刻画；并基于客户全景标签体系，多维度分析标签分布情况，挖掘业务场景下细分群体信息，设计客户分群规则，并结合历史策略库以及新增业务分群策略，针对不同的标签客户群体，制定相应的差异化营销管理策略，将差异化服务策略进一步推送至业务系统，转化为有效的业务价值。

附图说明

图1为本发明中电力客户画像生成管理的流程图；

图2为动态标签模型的设计构建流程图；

图3为标签生成及策略推送的数据处理流程图。

具体实施方式

本发明的核心是基于可融合现有分析成果并可根据需求不断扩展的动态标签模型设计模块，设计并不断扩充客户标签体系，并基于客户标签体系设计客户分群策略，进而制定差异化服务策略，提升服务水平。

具体一点讲，本发明提供的客户标签体系不是一成不变的，而是根据业务需求，可不断扩展完善的，且新的标签生成后不是孤立的，而是可以与原有标签融合分析，制定新的客户分群策略以及差异化服务策略。

下面将结合实施例及附图，对本发明的技术方案做进一步清楚、完整的描述，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。

本实施例中电力客户画像生成管理的系统，所属功能模块包括用于从业务系统中导入与标签相关的原始数据的数据提取模块、标签管理系统和活动策划管理系统的立体化客户画像管理系统。标签管理系统包括动态标签模型设计模块和标签全生命周期管理模块；动态标签模型设计模块用于对用户信息通过大数据处理技术与机器学习算法等技术得到高度精炼的特征标识，并利用机器学习的自动学习实现标签的自动化更新；标签全生命周期管理模块用于对便签从创建到下线进行规范化管理、使用和优化。活动策划管理系统包括标签画像模块、案例分析模块、策略管理模块和策略推送模块；标签画像模块用于展示客户的全景标签体系，且可查看客户任一标签的命中说明和标签命中分析；案例分析模块用于统一管理用户基于全景标签体系设计的多维度分析场景及分析路径，挖掘业务场景下细分群体信息，从而输出基于画像标签的用户分群案例；策略管理模块用于在案例分析页面形成的基于业务需求的用户分群案例后，活动策划管理页面针对不同的标签客户群体，制定相应的营销管理策略；策略推送模块用于向第三方系统推送相应场景下不同客户群体的差异化服务策略。

实际业务工作中，新的主题分群策略需求提出后，若所需标签全部存在，在案例分析模块直接设计分群策略，在策略管理模块结合分群策略及策略库，制定差异化服务策略，在策略推送模块设置策略推送对象，推送差异化服务策略给业务人员执行；若所需标签不存在，通过建立动态标签模型生成标签后，再设计分群策略并制定差异化服务策略。客户全部标签通过标签全生命周期管理模块对标签各个阶段进行规范化管理。标签画像模块通过词云方式展示总体客户的全景标签，标签大小代表该标签的覆盖数量大小，覆盖数量越大，标签越大；同时标签画像模块也可查询单个客户的所有标签属性。

如图1所示，本实施例中电力客户画像生成管理的过程包括以下步骤：

步骤1、新的分群策略需求提出后，首先对这一新增需求进行业务分析，对业务情形梳理，确定新增需求业务目标以及为达到这一业务目标所需业务标签。例如现需基于用户渠道偏好设计不同的信息推送策略，首先分析对用户渠道偏好进行分群需要哪些指标标签，比如电费缴费渠道偏好标签、社交平台偏好标签等。

若所需业务标签在现有标签体系中已全部存在，则直接执行步骤5；如果全部或部分所需业务标签不存在或不符合本次新增需求的要求，如电费缴费渠道偏好标签不存在，则执行步骤2。

步骤2、基于业务分析需要，对用户信息通过大数据处理技术与机器学习算法得到高度精炼的特征标识，并建立相应的动态标签模型，并实现标签的自动化更新。

本步骤由动态标签模型设计模块完成。每个动态标签模型的建立包括模型设计、模型评估、模型调整及标签输出。其中模型设计，即首先针对不同的业务情形进行业务建模，设计可用于数据挖掘的业务模型，进一步设计机器学习模型，完成业务模型与机器学习模型的设计；模型评估是对模型拟合效果进行测试的过程，通过模型评估可以确定模型标签的精确度是否够高、模型标签是否符合业务现状；模型评估结果显示严重不符合业务现状时，需要对机器学习模型进行重新设计；在模型评估结果较差时，可以通过改变机器学习模型的参数来实现模型调整；标签输出即在完成一系列的模型标签计算后，模型标签计算结果满足业务需求时，将数据输出为直观的业务标签。

在本实施例中，基于海量电费缴费数据，通过数据挖掘技术，利用机器学习在特征提取方面的优势，建立电费缴费渠道偏好动态标签模型，发现客户缴费渠道偏好，并将输出数据作为对电费缴费渠道偏好动态标签模型的反馈，反馈到电费缴费渠道偏好动态标签模型算法，电费缴费渠道偏好动态标签模型立刻对此做出调整，从而保证输出结果的时效性，实现动态标签模型的自动化更新。电费缴费渠道偏好动态标签模型构建完成后，执行步骤3。

步骤3、调用相关动态标签模型生成动态标签，并开始标签的全生命周期管理。

本步骤由标签全生命周期管理模块执行。标签的全生命周期管理，指规范化管理标签从创建到下线的整个生命周期过程，主要包括以下5个方面：标签创建、标签应用效果评估、标签应用范围界定评估及标签下线，管理标签从创建到下线的完整闭环过程。

在本实施例中，标签全生命周期管理模块根据业务需求创建电费缴费渠道偏好微信、电费缴费渠道偏好支付宝等新标签，并调用电费缴费渠道偏好动态标签模型，以该模型输出值作为客户电费缴费渠道偏好标签，并对该标签的实际应用对象、应用范围进行设置，监控该标签后期在实际业务中的使用频率等应用效果，为标签的优化提供参考，并且当标签已经不符合业务需求时，及时对标签进行清理下线处理。

步骤4、新标签生成后，在标签全景展示图中结合已有标签，自动增加步骤3所生成的新标签，并对新标签中所有标签的覆盖情况重新计算、展示，直观展示所有标签在总客户中的分布情况。

本步骤由标签画像模块执行。所述标签画像模块可视化展示客户全量标签的分布情况，并针对标签库管理人员设计标签查询功能，前台查询客户标签情况。

步骤5、新标签生成后，结合已有标签，设计新业务场景下的客户分群规则，并对新的客户分群规则进行多维度分析。

本步骤在案例分析模块中执行。所述案例分析模块用于统一管理用户基于全景标签体系设计的多维度分析场景及分析路径，挖掘业务场景下细分群体信息，从而输出基于画像标签的用户分群案例。

在本实施例中，增加了电费缴费渠道偏好相关的标签后，基于更丰富的标签体系以及根据用户渠道偏好设计不同的信息推送策略这一需求目标，对与渠道偏好相关的标签进行多维度深层次分析，例如对用户的电费缴费渠道偏好分布情况、社交平台偏好分布情况以及两者分布的关联情况等进行分析，挖掘设计能覆盖所有用户的最方便信息推送的分群规则。

步骤6、针对新的客户分群规则，结合业务经验及原有相关策略，制定差异化服务策略。

本步骤在策略管理模块中执行。所述策略管理模块，结合历史策略库以及新增业务策略，针对不同的标签客户群体，制定相应的营销管理策略。

本实施例中，针对新设计的电费缴费渠道偏好客户分群规则，制定不同渠道的差异化信息推送策略。

步骤7、新的差异化策略生成后，配置差异化策略推送的业务系统地址，以及批量配置业务系统下策略推送对象，将制定好的针对不同渠道的差异化信息推送策略推送出去，给相关业务人员执行。

本步骤在策略推送模块中执行。所述策略推送模块可配置策略管理模块中差异化策略推送的业务系统地址，以及推送的频率以及推送对象等。

对于本实施例中，电费缴费渠道偏好动态标签模型的设计过程，接下来将做进一步说明。针对不同的业务情形，在动态标签模型设计模块设计有针对性的机器学习模型，常用机器学习模型主要分为有监督学习模型和无监督学习模型。其中有监督学习模型中，具有代表性的模型有：线性判别分析、偏最小二乘、支持向量机、K近邻、朴素贝叶斯、逻辑回归、决策树和神经网络等；无监督学习模型中，具有代表性的模型有：层次聚类、主成分分析、典型相关分析法、等距特征映射、局部线性嵌入和局部保持投影等。

如图2所示，动态标签模型的构建流程包括：

步骤21、数据集获取，即为实现对用户行为偏好的分析，结合业务系统数据情况，筛选相关数据，例如用户网络行为数据、服务内行为数据、用户内容偏好数据、用户交易数据等。

步骤22、针对用户某一行为(用户行为包括客户诉求、业扩报装、电费缴费渠道等)，以电费缴费渠道为例，首先根据美国数据库营销研究所Arthur Hughes提出的RFM模型展开行为偏好度的计算。本实施例中以电子缴费渠道为例，模型中R为最后某一电子缴费渠道至今的时间间隔，F为12个月内在该电子缴费渠道的缴费次数，M为12个月内在该电子缴费渠道中缴费总金额，然后将R、F、M这三个变量进行分组并加权求和，得到电费缴费渠道偏好度。此为模型设计过程。

步骤23、基于分类算法展开其潜在服务渠道偏好研究。该研究首先选取一部分标杆客户作为学习样本(基于上述RFM模型得到的服务渠道偏好结果的客户样本，将客户样本数据随机按照一定的比例拆分成训练集、验证集和测试集，并以拆分的训练集作为学习样本)；然后分析学习样本中各类渠道功能活跃客户的主要特征，包括用电自然人的属性特征、用电行为、支付行为特征、渠道活跃功能特征等，训练各渠道的客户特征画像，基于画像模型运用线性回归模型，得出客户各类电子服务渠道偏好度矩阵；最后综合比较各渠道偏好度，其中渠道偏好度最高的渠道为客户偏好的交费渠道，从而判断出其潜在服务渠道偏好类型，完成服务渠道偏好动态标签模型的构建。

渠道偏好度矩阵计算的具体公式如下：

其中Y＝[y₁,y₂,...,y_n]表示用户各个渠道的偏好度矩阵；[x₁,x₂,...,x_n]表示用户影响各渠道偏好的画像特征矩阵；[β₁,β₂,...,β_n]表示各渠道偏好计算过程的参数；[ε₁,ε₂,...,ε_n]表示各渠道偏好计算过程的偏差。

步骤24、模型评估，模型评估主要在验证集中完成，验证集用于对模型进行验证和调整。在验证集中根据客户群体模型验证的准确度等数学要素，选择合适的模型参数，得到基于某业务的客户电子服务渠道偏好度模型，并在测试集中评估模型的准确度等。准确度表明模型对渠道偏好区分的正确性，准确度越高越好。

准确度＝预测偏好类型正确的样本客户数/预测正样本客户数÷总用户数

根据评估结果，对模型进行相应的调整。

步骤25、动态标签生成，定时调用以上构建的服务渠道偏好度模型，生成电子服务渠道偏好类型动态标签。

在本实施例中，标签生成及策略推送的数据处理过程，如图3所示，包括以下步骤：

步骤31、对数据进行提取：与标签相关的原始数据，包括对象的行为特征、基本属性等数据，从业务系统导入，经数据质量检查、数据清洗、数据聚合完成后形成动态标签模型所需的宽表，并保存到客户画像生成管理系统的数据仓库内。

步骤32、对数据进行预处理和分析：在动态标签模型设计模块内，所提取的数据经过数据探索、数据处理(包括压缩变换、样本抽取等)、数据分析(差异分析、相关性分析等)等流程后生成二级宽表。本步骤由动态标签模型设计模块来执行。

步骤33、标签宽表的生成与保存：建立渠道服务偏好类型预测模型，经过模型评估优化后，通过相关动态标签模型，完成标签计算，形成标签宽表，保存在客户画像生成管理系统的数据仓库内。本步骤由标签全生命周期管理模块来执行。

步骤34、在活动策划管理页面对以上生成的标签宽表进一步分析、分群并针对不同全体制定差异化策略后，新增对应服务策略建议字段，标签宽表字段根据需要逐渐丰富，形成最终标签宽表。本步骤在案例分析模块、策略管理模块中完成。

步骤35、将形成的最终标签宽表经策略推送模块的数据接口推送回业务系统，并设置调度，控制标签更新频度。标签更新频度规则主要有两种：按需更新和按时更新，其中按需更新即需要时手动更新，按时更新即设置更新时间间隔。考虑到第一步数据是从业务系统导入，故标签宽表向业务系统推送的时间间隔可设置为与第一步数据导入平台数据库的间隔一致且错峰。本步骤在策略推送模块中执行。

至此，整个数据流动过程形成了从业务系统到数据资产孵化平台再到业务系统的闭环。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种电力客户画像生成管理的方法，其特征在于，包括以下步骤：

步骤1、对新增分群策略需求进行业务分析，确定所需标签是否已全部存在，若全部存在则执行步骤5，否则执行步骤2；

步骤2、对用户信息通过大数据处理技术与机器学习算法得到精炼的特征标识，并建立相应的动态标签模型，实现标签的自动化更新；

步骤3、调用相关动态标签模型生成动态标签，并开始标签的全生命周期管理；

步骤4、结合已有标签，自动增加步骤3所生成的新标签，并对新标签中所有标签的覆盖情况重新计算、展示，直观展示所有标签在总客户中的分布情况；

步骤5、结合已有标签，设计新业务场景下的客户分群规则，并对新的客户分群规则进行多维度分析；

步骤6、针对新的客户分群规则，结合业务经验及原有相关策略，制定差异化服务策略；

步骤7、配置差异化服务策略推送的业务系统地址，以及批量配置业务系统下策略推送对象，将制定好的针对不同渠道的差异化信息推送策略推送出去。

2.根据权利要求1所述的电力客户画像生成管理的方法，其特征在于，步骤2所述动态标签模型的建立包括模型设计、模型评估、模型调整及标签输出，其中：

模型设计，首先针对不同的业务情形进行业务建模，设计可用于数据挖掘的业务模型，进一步设计机器学习模型，完成业务模型与机器学习模型的设计；

模型评估，用于对模型拟合效果进行测试，通过模型评估确定模型标签的精确度是否够高、模型标签是否符合业务现状；

模型调整，当模型评估结果显示严重不符合业务现状时，需要对机器学习模型进行重新设计；在模型评估结果较差时，通过改变机器学习模型的参数来实现模型优化调整；

标签输出，模型标签计算结果满足业务需求时，将数据输出为直观的业务标签。

3.根据权利要求1所述的电力客户画像生成管理的方法，其特征在于，所述电力客户画像生成管理的方法包括标签生成及策略推送的数据处理过程；所述标签生成及策略推送的数据处理过程包括以下步骤：

对数据进行提取：从业务系统导入与标签相关的原始数据，经数据质量检查、数据清洗、数据聚合完成后，形成动态标签模型所需的宽表；

对数据进行预处理和分析：借助动态标签模型，所提取的数据经过数据探索、数据处理、数据分析后生成二级宽表；

标签宽表的生成与保存：通过相关动态标签模型，完成标签计算，形成标签宽表，保存在数据仓库内；

在活动策划管理页面对以上生成的标签宽表进一步分析、分群并针对不同全体制定差异化策略后，新增对应服务策略建议字段，标签宽表字段根据需要逐渐丰富，形成最终标签宽表；

将形成的最终标签宽表推送回业务系统，并设置调度，控制标签更新频度。

4.根据权利要求1所述的电力客户画像生成管理的方法，其特征在于，标签的全生命周期管理，包括：标签创建、标签应用效果评估、标签应用范围界定评估及标签下线，管理标签从创建到下线的完整闭环过程。

5.根据权利要求1所述的电力客户画像生成管理的方法，其特征在于，所述动态标签模型为电费缴费渠道偏好动态标签模型，其构建流程包括：

数据集获取，为实现对用户行为偏好的分析，结合业务系统数据情况，筛选相关数据；

针对电费缴费渠道，根据RFM模型展开行为偏好度的计算；

基于分类算法展开其潜在服务渠道偏好研究，首先选取一部分标杆客户作为学习样本；然后分析学习样本中各类渠道功能活跃客户的主要特征，包括用电自然人的属性特征、用电行为、支付行为特征、渠道活跃功能特征，训练各渠道的客户特征画像，基于画像模型运用线性回归模型，得出客户各类电子服务渠道偏好度矩阵；最后综合比较各渠道偏好度，其中渠道偏好度最高的渠道为客户偏好的交费渠道，从而判断出其潜在服务渠道偏好类型，完成服务渠道偏好动态标签模型的构建；

对模型进行验证和调整，根据客户群体模型验证的准确度，选择合适的模型参数，得到基于某业务的客户电子服务渠道偏好度模型，并评估模型的准确度；

定时调用以上构建的服务渠道偏好度模型，生成电子服务渠道偏好类型动态标签。

6.一种电力客户画像生成管理的系统，其特征在于，包括数据提取模块、标签管理系统和活动策划管理系统，其中数据提取模块用于从业务系统中导入与标签相关的原始数据；标签管理系统包括：

动态标签模型设计模块，用于对用户信息通过大数据处理技术与机器学习算法得到精炼的特征标识，并建立相应的动态标签模型，实现标签的自动化更新；

标签全生命周期管理模块，用于调用相关动态标签模型生成动态标签，并开始标签的全生命周期管理；

活动策划管理系统包括：

标签画像模块，用于结合已有标签，自动增加所生成的新标签，并对新标签中所有标签的覆盖情况重新计算、展示，直观展示所有标签在总客户中的分布情况；

案例分析模块，用于结合已有标签，设计新业务场景下的客户分群规则，并对新的客户分群规则进行多维度分析；

策略管理模块，用户针对新的客户分群规则，结合业务经验及原有相关策略，制定差异化服务策略；

策略推送模块，用于配置差异化服务策略推送的业务系统地址，以及批量配置业务系统下策略推送对象，将制定好的针对不同渠道的差异化信息推送策略推送出去。

7.根据权利要求6所述的电力客户画像生成管理的系统，其特征在于，所述动态标签模型设计模块，对动态标签模型的建立包括模型设计、模型评估、模型调整及标签输出，其中：

模型设计，首先针对不同的业务情形进行业务建模，设计可用于数据挖掘的业务模型，进一步设计机器学习模型，完成业务模型与机器学习模型的设计；

模型评估，用于对模型拟合效果进行测试，通过模型评估确定模型标签的精确度是否够高、模型标签是否符合业务现状；

模型调整，当模型评估结果显示严重不符合业务现状时，需要对机器学习模型进行重新设计；在模型评估结果较差时，通过改变机器学习模型的参数来实现模型优化调整；

标签输出，模型标签计算结果满足业务需求时，将数据输出为直观的业务标签。

8.根据权利要求6所述的电力客户画像生成管理的系统，其特征在于，所述电力客户画像生成管理的系统包括标签生成及策略推送的数据处理过程，其中：

所述数据提取模块对数据进行提取，经数据质量检查、数据清洗、数据聚合完成后，形成动态标签模型所需的宽表；

所述动态标签模型设计模块，对数据进行预处理和分析，所提取的数据经过数据探索、数据处理、数据分析后生成二级宽表；

所述标签全生命周期管理模块，用于标签宽表的生成与保存：通过相关动态标签模型，完成标签计算，形成标签宽表，保存在数据仓库内；

所述案例分析模块和策略管理模块，在活动策划管理页面对以上生成的标签宽表进一步分析、分群并针对不同全体制定差异化策略后，新增对应服务策略建议字段，标签宽表字段根据需要逐渐丰富，形成最终标签宽表；

所述策略推送模块，将形成的最终标签宽表推送回业务系统，并设置调度，控制标签更新频度。

9.根据权利要求6所述的电力客户画像生成管理的系统，其特征在于，所述标签全生命周期管理模块用于标签创建、标签应用效果评估、标签应用范围界定评估及标签下线，管理标签从创建到下线的完整闭环过程。

10.根据权利要求6所述的电力客户画像生成管理的系统，其特征在于，所述动态标签模型设计模块用于构建电费缴费渠道偏好动态标签模型，流程包括：

数据集获取，为实现对用户行为偏好的分析，结合业务系统数据情况，筛选相关数据；

针对电费缴费渠道，根据RFM模型展开行为偏好度的计算；

基于分类算法展开其潜在服务渠道偏好研究，首先选取一部分标杆客户作为学习样本；然后分析学习样本中各类渠道功能活跃客户的主要特征，包括用电自然人的属性特征、用电行为、支付行为特征、渠道活跃功能特征，训练各渠道的客户特征画像，基于画像模型运用线性回归模型，得出客户各类电子服务渠道偏好度矩阵；最后综合比较各渠道偏好度，其中渠道偏好度最高的渠道为客户偏好的交费渠道，从而判断出其潜在服务渠道偏好类型，完成服务渠道偏好动态标签模型的构建；

对模型进行验证和调整，根据客户群体模型验证的准确度，选择合适的模型参数，得到基于某业务的客户电子服务渠道偏好度模型，并评估模型的准确度；

定时调用以上构建的服务渠道偏好度模型，生成电子服务渠道偏好类型动态标签。