CN110033307A - 一种基于机器学习模型的电力优质客户筛选方法 - Google Patents
一种基于机器学习模型的电力优质客户筛选方法 Download PDFInfo
- Publication number
- CN110033307A CN110033307A CN201910165803.5A CN201910165803A CN110033307A CN 110033307 A CN110033307 A CN 110033307A CN 201910165803 A CN201910165803 A CN 201910165803A CN 110033307 A CN110033307 A CN 110033307A
- Authority
- CN
- China
- Prior art keywords
- tier customer
- electric power
- customer
- index
- machine learning
- 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.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000012216 screening Methods 0.000 title claims abstract description 15
- 230000005611 electricity Effects 0.000 claims abstract description 44
- 238000011161 development Methods 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 10
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 238000003786 synthesis reaction Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013070 change management Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习模型的电力优质客户筛选方法，属于电力技术领域。当前在电力行业中，对于客户评级多根据电量电费判断，或者简单的层次分析法模型进行识别等，主要考虑的是客户的现有能力，而未能综合从客户的潜力、信用等多维度综合考虑，无法实现更为深刻全面的优质客户识别。本发明通过机器学习模型对离散的电力客户数据进行整合，能够综合考虑客户的经济价值、发展潜力、信用水平维度，进而实现自动化识别优质客户，实现更为深刻全面的优质客户识别。本发明能够从所有的客户中识别出优质客户，通过实施对电力客户的个性化管理和跟踪管理，从而达到巩固客户资源，提高服务质量，树立品牌形象，占据主导市场的目的。
Description
技术领域
本发明涉及一种基于机器学习模型的电力优质客户筛选方法，属于电力技术领域。
背景技术
随着国家电力市场化改革的深入推进，售电侧市场逐步放开，售电市场的竞争逐渐加剧，其中优质客户将成为重要的竞争焦点。挖掘优质客户，实现精准化差异化的客户服务，提高客户服务满意度，成为一项重要的事业。当前在电力行业中，对于客户评级多根据电量电费判断，或者简单的层次分析法模型进行识别等，主要考虑的是客户的现有能力，而未能综合从客户的潜力、信用等多维度综合考虑，无法实现更为深刻全面的优质客户识别。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种电力优质客户识别模型，能够综合考虑客户的经济价值、发展潜力、信用水平维度，进而实现自动化识别优质客户，实现更为深刻全面的优质客户识别的基于机器学习模型的电力优质客户筛选方法。
为实现上述目的，本发明的技术方案为：
一种基于机器学习模型的电力优质客户筛选方法，通过设计指标体系，利用机器学习算法建模，构建电力优质客户识别模型，实现对电力优质客户的识别；电力优质客户筛选方法包括以下步骤：
第一步，设计了一套以识别电力优质客户为目的的指标体系；通过ETL抽取系统数据，并对原始数据进行清洗和处理，以及生成衍生指标；从经济价值、发展潜力、信用水平三个主要的维度构建指标体系，在每个维度下建立相应的多个子维度指标，从电量电费角度建立经济价值指标，从增长趋势、行业特征方面建立发展潜力指标，从客户的交费行为、用电行为方面建立信用水平指标；
第二步，通过机器学习算法，使用因子分析算法进行指标降维。模型的输入指标为一个时间点指标体系指标，以该时间点之后一段时期连续稳定高电量、信用好的事实客户作为目标样本，通过支持向量机SVM算法进行模型训练，模型输出结果为各个指标的权重；
第三步，对所有客户进行优质客户识别，最终得到优质客户，并进行相应的差异化客户服务和跟踪服务，提高客户服务满意度，维系优质客户关系。
本发明通过机器学习模型对离散的电力客户数据进行整合，能够综合考虑客户的经济价值、发展潜力、信用水平维度，进而实现自动化识别优质客户，实现更为深刻全面的优质客户识别。本发明能够从所有的客户中识别出优质客户，通过实施对电力客户的个性化管理和跟踪管理，从而达到巩固客户资源，提高服务质量，树立品牌形象，占据主导市场的目的。进而本发明可以深度整合现有数据，挖掘电力潜力，为电力发展由单纯数量上的简单积累转向效率上的提高奠定数据支撑。
这既有利于政府制定政策、决策规划的科学性，前瞻性，也用于电力部门分析客户群、制定商业策略、谋求互利合作提供参考。
作为优选技术措施，所述机器学习算法指标包括：年用电量、峰谷用电比、合同容量、年用电增长率、用行业电增长率、信用等级。指标涵盖各种变量，使得对客户的评价更加客观、全面。
作为优选技术措施，年用电量权重占比为0.35，峰谷用电比权重占比为0.17，合同容量权重占比为0.08，年用电增长率权重占比为0.38，用行业电增长率权重占比为0.07，信用等级权重占比为0.16。
作为优选技术措施，评估一个用户在未来是否是优质客户的重要指标是用电量及用电量增长率，其次是用电行为、信用等级。作为一种筛选模型，将之前离散的数据有机结合起来，综合体现电力客户变化趋势，为地区间、行业间的横向比较与量化评价提供数据支撑，也为同一地区、同一行业进行纵向分析和客户筛选提供数据参考。
与现有技术相比，本发明具有以下有益效果：
本发明通过机器学习模型对离散的电力客户数据进行整合，能够综合考虑客户的经济价值、发展潜力、信用水平维度，进而实现自动化识别优质客户，实现更为深刻全面的优质客户识别。本发明能够从所有的客户中识别出优质客户，通过实施对电力客户的个性化管理和跟踪管理，从而达到巩固客户资源，提高服务质量，树立品牌形象，占据主导市场的目的。进而本发明可以深度整合现有数据，挖掘电力潜力，为电力发展由单纯数量上的简单积累转向效率上的提高奠定数据支撑。
这既有利于政府制定政策、决策规划的科学性，前瞻性，也用于电力部门分析客户群、制定商业策略、谋求互利合作提供参考。
附图说明
图1为某一客户2016-2017年用电趋势分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
一种基于机器学习模型的电力优质客户筛选方法，通过设计指标体系，利用机器学习算法建模，构建电力优质客户识别模型，实现对电力优质客户的识别；电力优质客户筛选方法包括以下步骤：
第一步，设计了一套以识别电力优质客户为目的的指标体系；通过ETL抽取系统数据，并对原始数据进行清洗和处理，以及生成衍生指标；从经济价值、发展潜力、信用水平三个主要的维度构建指标体系，在每个维度下建立相应的多个子维度指标，从电量电费角度建立经济价值指标，从增长趋势、行业特征方面建立发展潜力指标，从客户的交费行为、用电行为方面建立信用水平指标；
第二步，通过机器学习算法，使用因子分析算法进行指标降维。模型的输入指标为一个时间点指标体系指标，以该时间点之后一段时期连续稳定高电量、信用好的事实客户作为目标样本，通过支持向量机SVM算法进行模型训练，模型输出结果为各个指标的权重；
第三步，对所有客户进行优质客户识别，最终得到优质客户，并进行相应的差异化客户服务和跟踪服务，提高客户服务满意度，维系优质客户关系。
本发明通过机器学习模型对离散的电力客户数据进行整合，能够综合考虑客户的经济价值、发展潜力、信用水平维度，进而实现自动化识别优质客户，实现更为深刻全面的优质客户识别。本发明能够从所有的客户中识别出优质客户，通过实施对电力客户的个性化管理和跟踪管理，从而达到巩固客户资源，提高服务质量，树立品牌形象，占据主导市场的目的。进而本发明可通过数字、曲线、图形的形式，直观、简洁、清晰地反映电力客户变化趋势，可以深度整合现有数据，挖掘电力潜力，为电力发展由单纯数量上的简单积累转向效率上的提高奠定数据支撑。
这既有利于政府制定政策、决策规划的科学性，前瞻性，也用于电力部门分析客户群、制定商业策略、谋求互利合作提供参考。
通过机器学习算法建立的优质客户识别模型算法结果如下表：
从上表结果表明，评估一个用户在未来是否是优质客户的重要指标是用电量及用电量增长率，其次是用电行为、信用等级。
作为一种筛选模型，将之前离散的数据有机结合起来，综合体现电力客户变化趋势，为地区间、行业间的横向比较与量化评价提供数据支撑，也为同一地区、同一行业进行纵向分析和客户筛选提供数据参考。
如图1所示，通过本发明识别的优质客户，其用电量实际情况：
在2017年1月，通过本发明识别的该优质用户，实践证明其在2017年的用电量依旧强劲，且呈上升趋势，其2017年总用电量14.5万千瓦时，比2016年增长13％，且2017年没有违约用电行为，没有逾期交费行为，符合优质客户定义，说明本发明能够有效识别优质客户。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于机器学习模型的电力优质客户筛选方法，其特征在于，通过设计指标体系，利用机器学习算法建模，构建电力优质客户识别模型，实现对电力优质客户的识别；电力优质客户筛选方法包括以下步骤：
第一步，设计了一套以识别电力优质客户为目的的指标体系；通过ETL抽取系统数据，并对原始数据进行清洗和处理，以及生成衍生指标；从经济价值、发展潜力、信用水平三个主要的维度构建指标体系，在每个维度下建立相应的多个子维度指标，从电量电费角度建立经济价值指标，从增长趋势、行业特征方面建立发展潜力指标，从客户的交费行为、用电行为方面建立信用水平指标；
第二步，通过机器学习算法，使用因子分析算法进行指标降维；模型的输入指标为一个时间点指标体系指标，以该时间点之后一段时期连续稳定高电量、信用好的事实客户作为目标样本，通过支持向量机SVM算法进行模型训练，模型输出结果为各个指标的权重；
第三步，对所有客户进行优质客户识别，最终得到优质客户，并进行相应的差异化客户服务和跟踪服务，提高客户服务满意度，维系优质客户关系。
2.如权利要求1所述的一种基于机器学习模型的电力优质客户筛选方法，其特征在于，所述机器学习算法指标包括：年用电量、峰谷用电比、合同容量、年用电增长率、用行业电增长率、信用等级。
3.如权利要求2所述的一种基于机器学习模型的电力优质客户筛选方法，其特征在于，年用电量权重占比为0.35，峰谷用电比权重占比为0.17，合同容量权重占比为0.08，年用电增长率权重占比为0.38，用行业电增长率权重占比为0.07，信用等级权重占比为0.16。
4.如权利要求3所述的一种基于机器学习模型的电力优质客户筛选方法，其特征在于，评估一个用户在未来是否是优质客户的重要指标是用电量及用电量增长率，其次是用电行为、信用等级。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2019100102417 | 2019-01-04 | ||
| CN201910010241 | 2019-01-04 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110033307A true CN110033307A (zh) | 2019-07-19 |
Family
ID=67235805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910165803.5A Pending CN110033307A (zh) | 2019-01-04 | 2019-03-05 | 一种基于机器学习模型的电力优质客户筛选方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110033307A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111924A (zh) * | 2021-03-26 | 2021-07-13 | 邦道科技有限公司 | 电力客户分类方法及装置 |
| CN113139868A (zh) * | 2021-05-14 | 2021-07-20 | 南方电网科学研究院有限责任公司 | 一种基于用电大数据的客户信用评价及贷款潜力分析方法 |
| CN113191807A (zh) * | 2021-04-30 | 2021-07-30 | 中国石油天然气股份有限公司 | 一种天然气客户评级系统及方法 |
| CN113742508A (zh) * | 2021-07-30 | 2021-12-03 | 国网河南省电力公司信息通信公司 | 一种电力设备在线监测海量信息的图形数据挖掘方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140336960A1 (en) * | 2011-11-29 | 2014-11-13 | Energy Aware Technology Inc. | Method and System for Forecasting Power Requirements Using Granular Metrics |
| US20150046221A1 (en) * | 2011-09-17 | 2015-02-12 | Autogrid Inc. | Load forecasting from individual customer to system level based on price |
| CN104574220A (zh) * | 2015-01-30 | 2015-04-29 | 国家电网公司 | 基于最小二乘支持向量机的电力客户信用评估方法 |
| CN107292513A (zh) * | 2017-06-21 | 2017-10-24 | 国网辽宁省电力有限公司 | 一种基于svm分类算法实现电力客户管理的方法 |
| CN107451718A (zh) * | 2017-07-05 | 2017-12-08 | 国网江苏省电力公司电力科学研究院 | 基于随机森林分析法的电力大客户价值评价方法 |
| CN108154311A (zh) * | 2018-01-11 | 2018-06-12 | 国网山东省电力公司 | 基于随机森林和决策树的优质客户识别方法及装置 |
| CN108171369A (zh) * | 2017-12-21 | 2018-06-15 | 国家电网公司 | 基于客户用电差异化特性的短期负荷组合预测方法 |
| CN108280541A (zh) * | 2018-01-11 | 2018-07-13 | 国网山东省电力公司 | 基于随机森林和决策树的客户服务策略制定方法、装置 |
| CN108364191A (zh) * | 2018-01-11 | 2018-08-03 | 国网山东省电力公司 | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 |
| CN108388955A (zh) * | 2018-01-11 | 2018-08-10 | 国网山东省电力公司 | 基于随机森林和逻辑回归的客户服务策略制定方法、装置 |
| CN108389069A (zh) * | 2018-01-11 | 2018-08-10 | 国网山东省电力公司 | 基于随机森林和逻辑回归的优质客户识别方法及装置 |
| CN108388974A (zh) * | 2018-01-11 | 2018-08-10 | 国网山东省电力公司 | 基于随机森林和决策树的优质客户优化识别方法及装置 |
-
2019
- 2019-03-05 CN CN201910165803.5A patent/CN110033307A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150046221A1 (en) * | 2011-09-17 | 2015-02-12 | Autogrid Inc. | Load forecasting from individual customer to system level based on price |
| US20140336960A1 (en) * | 2011-11-29 | 2014-11-13 | Energy Aware Technology Inc. | Method and System for Forecasting Power Requirements Using Granular Metrics |
| CN104574220A (zh) * | 2015-01-30 | 2015-04-29 | 国家电网公司 | 基于最小二乘支持向量机的电力客户信用评估方法 |
| CN107292513A (zh) * | 2017-06-21 | 2017-10-24 | 国网辽宁省电力有限公司 | 一种基于svm分类算法实现电力客户管理的方法 |
| CN107451718A (zh) * | 2017-07-05 | 2017-12-08 | 国网江苏省电力公司电力科学研究院 | 基于随机森林分析法的电力大客户价值评价方法 |
| CN108171369A (zh) * | 2017-12-21 | 2018-06-15 | 国家电网公司 | 基于客户用电差异化特性的短期负荷组合预测方法 |
| CN108154311A (zh) * | 2018-01-11 | 2018-06-12 | 国网山东省电力公司 | 基于随机森林和决策树的优质客户识别方法及装置 |
| CN108280541A (zh) * | 2018-01-11 | 2018-07-13 | 国网山东省电力公司 | 基于随机森林和决策树的客户服务策略制定方法、装置 |
| CN108364191A (zh) * | 2018-01-11 | 2018-08-03 | 国网山东省电力公司 | 基于随机森林和逻辑回归的优质客户优化识别方法及装置 |
| CN108388955A (zh) * | 2018-01-11 | 2018-08-10 | 国网山东省电力公司 | 基于随机森林和逻辑回归的客户服务策略制定方法、装置 |
| CN108389069A (zh) * | 2018-01-11 | 2018-08-10 | 国网山东省电力公司 | 基于随机森林和逻辑回归的优质客户识别方法及装置 |
| CN108388974A (zh) * | 2018-01-11 | 2018-08-10 | 国网山东省电力公司 | 基于随机森林和决策树的优质客户优化识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 师金钢 等: "实时数据仓库技术", 东北大学出版社, pages: 122 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111924A (zh) * | 2021-03-26 | 2021-07-13 | 邦道科技有限公司 | 电力客户分类方法及装置 |
| CN113191807A (zh) * | 2021-04-30 | 2021-07-30 | 中国石油天然气股份有限公司 | 一种天然气客户评级系统及方法 |
| CN113191807B (zh) * | 2021-04-30 | 2024-02-09 | 中国石油天然气股份有限公司 | 一种天然气客户评级系统及方法 |
| CN113139868A (zh) * | 2021-05-14 | 2021-07-20 | 南方电网科学研究院有限责任公司 | 一种基于用电大数据的客户信用评价及贷款潜力分析方法 |
| CN113742508A (zh) * | 2021-07-30 | 2021-12-03 | 国网河南省电力公司信息通信公司 | 一种电力设备在线监测海量信息的图形数据挖掘方法 |
| CN113742508B (zh) * | 2021-07-30 | 2023-09-08 | 国网河南省电力公司信息通信公司 | 一种电力设备在线监测海量信息的图形数据挖掘方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110033307A (zh) | 一种基于机器学习模型的电力优质客户筛选方法 | |
| Pinto et al. | Tariff structures for water and sanitation urban households: a primer | |
| CN111178675A (zh) | 基于LR-Bagging算法的电费回收风险预测方法、系统、存储介质及计算机设备 | |
| CN107730269A (zh) | 一种基于行为分析的用电客户画像方法 | |
| CN107507038A (zh) | 一种基于stacking和bagging算法的电费敏感用户分析方法 | |
| CN110119948B (zh) | 基于时变权重动态组合的电力用户信用评价方法及系统 | |
| CN109190890A (zh) | 一种基于用户电力消费数据的用户行为分析方法 | |
| CN109597936A (zh) | 一种新用户筛选系统及方法 | |
| CN107368918A (zh) | 数据处理方法和装置 | |
| CN109544050A (zh) | 一种数据可视化呈现财务数据的方法及系统 | |
| CN106067137A (zh) | 一种基于智能电网监控系统的客户信用等级评价方法 | |
| Dullaghan et al. | Integration of machine learning techniques to evaluate dynamic customer segmentation analysis for mobile customers | |
| CN108830649A (zh) | 用于电力营销的产权变更用电客户定位方法 | |
| CN108876076A (zh) | 基于指令数据的个人信用评分方法及装置 | |
| Li et al. | Credit card customer segmentation and target marketing based on data mining | |
| Suh | Machine learning based customer churn prediction in home appliance rental business | |
| CN107784518A (zh) | 一种基于多维指标的电力客户细分方法 | |
| CN109903182A (zh) | 基于随机森林算法的电力客户欠费风险分析方法及装置 | |
| CN116681450B (zh) | 一种支撑智能催费的客户信用评价方法及系统 | |
| CN108345670A (zh) | 一种用于95598电力工单的服务热点发现方法 | |
| CN104036367A (zh) | 基于erp系统的客户资信智能优化处理的方法 | |
| CN109102396A (zh) | 一种用户信用评级方法、计算机设备及可读介质 | |
| CN106845747A (zh) | 基于电力客户标签的电费风险防控应用方法 | |
| CN110134722A (zh) | 目标用户确定方法、装置、设备及存储介质 | |
| CN110069545A (zh) | 一种行为数据评估方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210204 Address after: 311100 Building 5, 138 Yunlian Road, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: Marketing service center of State Grid Zhejiang Electric Power Co.,Ltd. Applicant after: STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd. Applicant after: ZHEJIANG HUAYUN INFORMATION TECHNOLOGY Co.,Ltd. Applicant after: STATE GRID CORPORATION OF CHINA Address before: The eight district of Hangzhou city in Zhejiang province 310014 Huadian Zhaohui under No. 1 Lane Applicant before: STATE GRID ZHEJIANG ELECTRIC POWER COMPANY LIMITED ELECTRIC POWER Research Institute Applicant before: STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd. Applicant before: ZHEJIANG HUAYUN INFORMATION TECHNOLOGY Co.,Ltd. Applicant before: STATE GRID CORPORATION OF CHINA |
|
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190719 |