CN110110881B - 电力客户需求预测分析方法及系统 - Google Patents
电力客户需求预测分析方法及系统 Download PDFInfo
- Publication number
- CN110110881B CN110110881B CN201910215909.1A CN201910215909A CN110110881B CN 110110881 B CN110110881 B CN 110110881B CN 201910215909 A CN201910215909 A CN 201910215909A CN 110110881 B CN110110881 B CN 110110881B
- Authority
- CN
- China
- Prior art keywords
- client
- incoming call
- service
- power failure
- frequency
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims description 47
- 238000000034 method Methods 0.000 claims abstract description 32
- 108091006146 Channels Proteins 0.000 claims description 86
- 230000000694 effects Effects 0.000 claims description 66
- 230000035945 sensitivity Effects 0.000 claims description 54
- 230000005611 electricity Effects 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000012502 risk assessment Methods 0.000 claims description 25
- 238000010206 sensitivity analysis Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
Images
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Telephonic Communication Services (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明本发明属于电力营销技术领域，涉及电力客户需求预测分析方法及系统，对客户需求进行分析，预测客户此次来话预办理何种相关业务。根据客户来电，判断客户类型，将客户对于与不同的业务需求预测模型计算客户本次来电各种需求的概率；根据客户本次来电各种需求的概率调整语音菜单的顺序；将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
Description
技术领域
本发明属于电力营销技术领域，具体涉及电力客户需求预测分析方法及系统。
背景技术
电力热线服务系统通过人工、自动语音、短信、E-mail等方式为客户提供有关业务或工作的业务咨询、业务受理和投诉建议等专业服务，是个公司对外服务的交流渠道。电力热线服务提供停电信息查询、故障报修、电费查询及缴纳、业务办理、业务咨询、投诉举报、人工服务等服务功能。客服工作面向全省千家万户，客户群庞大而复杂，受客户素质、沟通方式等因素的限制，客服坐席不能快速、准确、全面了解客户需求，难以及时响应客户诉求。
发明内容
针对现有技术中的问题，本发明提供电力客户需求预测分析方法及系统，对客户需求进行分析，预测客户此次来话预办理何种相关业务。
为实现上述目的，本发明是通过以下技术方案实现的：
本发明提供电力客户需求预测分析方法，其特殊之处在于：
步骤1：首先，判断客户是否是当前停电事件影响客户，如果是，借助停电影响客户来话业务需求预测模型计算客户本次来电各种需求的概率；
步骤2：如果步骤1为否，判断客户来话区域是否短时间内有多次来话报停电，如果有，借助同区域多次报停电影响客户来话需求预测模型计算客户本次来电各种需求的概率；
步骤3：如果步骤2为否，判断客户是否有历史来话诉求信息，如果有，统计用户办理各业务累计频次，并借助客户来话业务偏好分析模型，统计分析各项来话业务活跃度及其占比，通过数据的训练和测试，计算客户本次来电各种需求的概率；
步骤4：如果步骤3为否，统计所有用户对于各业务的历史来话频次汇总，并计算所有用户各来话业务总体占比，以此评价客户本次来电各种业务需求的概率；
步骤5：根据客户本次来电各种需求的概率调整语音菜单的顺序；
步骤6：将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
进一步的，对于步骤1所述的停电影响客户来话业务需求预测模型的建立过程，包括：
步骤11、统计所有历史停电事件中，停电事件发生后的时间内，每单位时间内所有受影响客户的各来话业务累计频次，并将每单位时间内各业务频次除以所有业务频次之和，得到停电事件影响客户在停电事件发生后不同时间点各来话业务概率；
步骤12、获取风险评价标签，统计所有电网客户利用已有敏感度分析模型得到的停电敏感度、电费电价敏感度和电能质量敏感度标签，以及已有风险分析模型得到的欠费风险等级、违约窃电风险等级标签；
步骤13、将受停电事件影响的客户的历史来话业务类别作为目标变量，记作Y1；停电事件影响下，各用户在停电事件发生后不同时间点的各业务类别占比以及客户关于敏感度和风险分析的五类标签作为特征集，记作Z1；然后用Y1和Z1，借助决策树模型，通过数据的训练和预测，建立停电影响客户来话业务需求预测模型。
进一步的，对于步骤1所述的客户服务需求预测的过程为：
判断当前来电用户是否符合条件，如果符合，则统计当前用户在其停电事件影响下的各类业务的来话占比以及自身敏感度和风险评价标签，以此建立特征集；
借助经过训练和测试的停电影响客户来话业务需求预测模型，对当前来话客户需求进行预测；
根据客户本次来电各种需求的概率调整语音菜单的顺序；
将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
进一步的，步骤2所述的同区域多次报停电影响客户来话需求预测模型的建立过程，包括：
步骤21、统计来话报故障停电和这一带停电影响台区中客户来话各业务累计频次，并将每次来话报停电事件后的每单位时间内各业务频次除以所有业务频次之和，得到同区域客户在此区域每次来话报停电事件后的时间内不同时间点上各来话业务概率占比；
步骤22、获取风险评价标签，统计所有电网客户利用已有敏感度分析模型得到的停电敏感度、电费电价敏感度和电能质量敏感度标签，以及已有风险分析模型得到的欠费风险等级、违约窃电风险等级标签；
步骤23、将同区域多次报停电影响下客户的历史来话业务类别作为目标变量，记作Y2；同区域多次报停电影响下，各用户在此区域每次来话报停电事件后60分钟内不同时间点的各业务类别占比以及客户关于敏感度和风险分析的五类标签作为特征集，记作Z2；然后用Y2和Z2，借助决策树模型，通过数据的训练和预测，建立同区域多次报停电影响客户来话需求预测模型。
进一步的，对于步骤2所述的客户服务需求预测过程为：
判断当前来电用户是否符合此步条件，如果符合，则统计当前用户在此区域最近一次来话报停电事件影响下的各类业务的来话占比以及自身敏感度和风险评价标签，以此建立特征集；
借助经过训练和测试的同区域多次报停电影响客户来话需求预测模型，对当前来话客户需求进行预测；
根据客户本次来电各种需求的概率调整语音菜单的顺序；
将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
进一步的，步骤3所述的客户服务需求预测过程，主要过程包括：
判断当前来电用户是否符合此步条件，如果符合，则统计当前用户各业务活跃度占比，各业务来话频次以及自身敏感度和风险评价五类标签，以此建立特征集；
借助经过训练和测试的客户来话业务偏好分析模型，对当前来话客户需求进行预测；
根据客户本次来电各种需求的概率调整语音菜单的顺序；
将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
进一步的，步骤3中关于业务偏好分析的过程具体为：
步骤1、统计电网客户对于不同电网服务渠道的累计接触频次X1和对于不同电网业务的累计办理频次X2；
步骤2、计算时间维度加权权重，分别对电网客户对于不同电网服务渠道的累计接触频次X1和对于不同电网业务的累计办理频次X2进行加权；
步骤3、对加权后得到的不同电网服务渠道加权频次、不同业务加权频次分别进行标准化处理，根据活跃度公式计算客户的渠道活跃度和基于业务考虑的渠道活跃度矩阵；
步骤4、根据电网客户渠道活跃度的值，确定电网用户的偏好服务渠道；根据渠道活跃度矩阵，确定客户在考虑业务的前提下对不同渠道的偏好程度，其中以活跃度值最大的渠道作为客户的偏好服务渠道。
进一步的，步骤4的具体处理过程为：
统计所有用户对于各业务的历史来话频次；
用各业务的历史来话频次除以所有业务的总历史来话频次，计算各来话业务频次占比；
根据客户本次来电各种需求的概率调整语音菜单的顺序；
将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
本发明还提供电力客户需求预测分析系统，其特殊之处在于：
停电影响客户来话业务需求预测模型，用于计算计划停电事件影响客户本次来电各种需求的概率；
同区域多次报停电影响客户来话需求预测模型，用于计算非计划停电事件影响客户本次来电各种需求的概率；
客户来话业务偏好分析模型，用于计算非停电事件但有个人历史来话办理业务历史记录的客户本次来电各种需求的概率；
其他事件客户需求预测模型，用于计算非停电事件并且首次办理业务客户本次来电各种需求的概率；统计所有用户对于各业务的历史来话频次汇总，并计算所有用户各来话业务总体占比，评价客户本次来电各种业务需求的概率；
判断单元，判断来电客户的类型，根据来电客户类型确定停电影响客户来话业务需求预测模型、同区域多次报停电影响客户来话需求预测模型、客户来话业务偏好分析模型、其他事件客户需求预测模型中进行预测分析的模型，对来电客户服务需求进行预测；
业务概率排序单元，根据停电影响客户来话业务需求预测模型、同区域多次报停电影响客户来话需求预测模型、客户来话业务偏好分析模型、其他事件客户需求预测模型得到的概率分别针对当前客户类型，根据客户本次来电各种需求的概率调整语音菜单的顺序，进行业务概率排序；
反馈单元，根据业务概率排序单元，将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
进一步的，停电影响客户来话业务需求预测模型包括第一统计计算单元、第一风险评价单元、第一特征分析单元；
所述第一统计计算单元，统计所有历史停电事件中，停电事件发生后的时间内，每单位时间内所有受影响客户的各来话业务累计频次，并将每单位时间内各业务频次除以所有业务频次之和，得到停电事件影响客户在停电事件发生后不同时间点各来话业务概率；
所述第一风险评价单元获取风险评价标签，统计所有电网客户利用已有敏感度分析模型得到的停电敏感度、电费电价敏感度和电能质量敏感度标签，以及已有风险分析模型得到的欠费风险等级、违约窃电风险等级标签；
所述第一特征分析单元将受停电事件影响的客户的历史来话业务类别作为目标变量，记作Y1；停电事件影响下，将第一统计计算单元中各用户在停电事件发生后不同时间点的各业务类别占比以及第一风险评价单元中客户关于敏感度和风险分析的五类标签作为特征集，记作Z1；然后用Y1和Z1，借助决策树模型，通过数据的训练和预测，建立停电影响客户来话业务需求预测模型。
进一步的，同区域多次报停电影响客户来话需求预测模型，包括第二统计计算单元、第二风险评价单元、第二特征分析单元；
所述第二统计计算单元统计来话报故障停电和这一带停电影响台区中客户来话各业务累计频次，并将每次来话报停电事件后的每单位时间内各业务频次除以所有业务频次之和，得到同区域客户在此区域每次来话报停电事件后的时间内不同时间点上各来话业务概率占比；
所述第二风险评价单元获取风险评价标签，统计所有电网客户利用已有敏感度分析模型得到的停电敏感度、电费电价敏感度和电能质量敏感度标签，以及已有风险分析模型得到的欠费风险等级、违约窃电风险等级标签；
所述第二特征分析单元将同区域多次报停电影响下客户的历史来话业务类别作为目标变量，记作Y2；同区域多次报停电影响下，各用户在此区域每次来话报停电事件后60分钟内不同时间点的各业务类别占比以及客户关于敏感度和风险分析的五类标签作为特征集，记作Z2；然后用Y2和Z2，借助决策树模型，通过数据的训练和预测，建立同区域多次报停电影响客户来话需求预测模型。
进一步的，客户来话业务偏好分析模型包括：
统计模块，用于统计电网客户对于不同电网服务渠道的累计接触频次和对于不同电网业务的累计办理频次；
数据加权模块，用于利用时间维度加权权重对电网客户渠道的累计接触频次和电网业务累计办理频次进行加权；
数据标准化模块，用于对加权后的频次进行标准化处理；
活跃度计算模块，用于利用活跃度公式计算电网客户渠道活跃度和业务活跃度，并综合渠道活跃度和业务活跃度结果生成活跃度矩阵；
偏好确定模块，用于根据活跃度来确定客户的偏好。
所述活跃度计算模块，包括：
获取单元，用于统计所有用户对于不同服务渠道的接触频次X1和不同业务办理频次X2，以及所有客户使用所述电网服务渠道以及办理不同业务的均值μ及标准差σ；第一计算单元，用于利用时间维度加权权重计算渠道的加权频次X'1＝{x'11,x'12,x'13,......,x'1m}和不同业务加权频次X'2＝{x'21,x'22,x'23,......,x'2n}，其中x'1i和x'2j分别表示第1i种渠道的加权频次和第2j种业务的加权频次，其中i＝1、2、3、......、m；j＝1、2、3、......、n；m、n均为自然数；
第二计算单元，用于根据标准化公式
对加权后的频次X'1＝{x'11,x'12,x'13,......,x'1m}和X'2＝{x'21,x'22,x'23,......,x'2n}进行标准化处理；其中x的取值分别为X'1、X'2中的各加权后的频次；得到标准化后的频次X”1＝{x”11,x”12,x”13,......,x”1m}和X”2＝{x”21,x”22,x”23,......,x”2n}；其中i＝1、2、3、......、m；j＝1、2、3、......、n；m、n均为自然数；
第三计算单元，利用活跃度公式
计算电网客户渠道活跃度和业务活跃度；H表示活跃度，x”表示已标准化加权频次，x”min表示已标准化加权频次最小值，x”max表示已标准化加权频次最大值。
偏好确定模块包括：
输出单元，用于输出所有用户不同渠道活跃度数据表和基于业务考虑的不同渠道活跃度矩阵D，如下，
其中，
Hij表示使用第j种渠道办理第i种业务的活跃度，xij”表示使用第j种渠道办理第i种业务的已标准化加权频次，x”(ij)min表示使用第j种渠道办理所有业务的已标准化加权频次最小值，x”(ij)max使用第j种渠道办理所有业务的已标准化加权频次最大值，其中i＝1、2、3、......、m；j＝1、2、3、......、n；m、n均为自然数；
偏好确定单元，用于根据用户在不同渠道得活跃度，确定具体偏好的渠道；用于根据基于业务的渠道活跃度矩阵来确定客户对于同一业务中不同渠道的偏好程度。
本发明与现有技术相比，其有益之处在于：通过对用户偏好的分析，客服人员为客户提供服务时，能够快速、准确、全面了解地客户，及时响应客户诉求，提高工作效率。为一线客服坐席提供智能化的信息支持，在客服坐席接听电话时，快速地展示客户服务需求、回复信息以及服务注意事项，帮助客服坐席轻松应对工作，降低客服坐席的工作压力。
附图说明
图1为本发明的方法流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
对于电网的客户业务需求中，影响客户用电的主要事件为停电事件，而停电事件分为计划内停电事件、非计划内的停电事件，计划内停电事件是指按照预定时间对相应片区进行停电，而处于该停电片区的电路服务台区则会在系统中收到停电信息，非计划内的停电事件是指临时停电、故障停电等而造成相应平区进行停电或者某个位置的停电，处于该停电片区的电路服务台区则也会在系统中收到停电信息。系统基于对影响客户用电的事件按照不同类型进行分析，得出电力客户需求预测，主要按照以下过程进行。
步骤1：首先，判断客户是否是当前停电事件影响客户，如果是，借助停电影响客户来话业务需求预测模型计算客户本次来电各种需求的概率，在该步骤内为计划内停电事件；
步骤2：如果步骤1为否，判断客户来话区域是否短时间内有多次来话报停电，如果有，借助同区域多次报停电影响客户来话需求预测模型，计算客户本次来电各种需求的概率，在该步骤内为非计划内停电事件；
步骤3：如果步骤2为否，判断客户是否有历史来话诉求信息，如果有，统计用户办理各业务累计频次，并借助客户来话业务偏好分析模型，统计分析各项来话业务活跃度及其占比，通过数据的训练和测试，计算客户本次来电各种需求的概率；
步骤4：如果步骤3为否，统计所有用户对于各业务的历史来话频次汇总，并计算所有用户各来话业务总体占比，以此评价客户本次来电各种业务需求的概率；
步骤5：根据客户本次来电各种需求的概率调整语音菜单的顺序；
步骤6：将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
对于步骤1所述的停电影响客户来话业务需求预测模型的建立过程，包括：
步骤11、统计所有历史停电事件中，停电事件发生后的时间内，每单位时间内所有受影响客户的各来话业务累计频次，并将每单位时间内各业务频次除以所有业务频次之和，得到停电事件影响客户在停电事件发生后不同时间点各来话业务概率；
步骤12、获取风险评价标签，统计所有电网客户利用已有敏感度分析模型得到的停电敏感度、电费电价敏感度和电能质量敏感度标签，以及已有风险分析模型得到的欠费风险等级、违约窃电风险等级标签；
步骤13、将受停电事件影响的客户的历史来话业务类别作为目标变量，记作Y1；停电事件影响下，各用户在停电事件发生后不同时间点的各业务类别占比以及客户关于敏感度和风险分析的五类标签作为特征集，记作Z1；然后用Y1和Z1，借助决策树模型，通过数据的训练和预测，建立停电影响客户来话业务需求预测模型。
已有风险分析模型、已有敏感度分析模型采用类似于决策树模型的分析方法进行处理，进行数据的训练和预测，决策树模型的分析属于现有技术，此处不再详细描述，对于特征集的选择，本申请构建了五类标签，可以根据实际情况需要增加或减少相应的标签。
按照步骤1建立的停电影响客户来话业务需求预测模型对客户服务需求预测进行分析，主要的过程包括：
判断当前来电用户是否符合条件，如果符合，则统计当前用户在其停电事件影响下的各类业务的来话占比以及自身敏感度和风险评价标签，以此建立特征集；
借助经过训练和测试的停电影响客户来话业务需求预测模型，对当前来话客户需求进行预测；
根据客户本次来电各种需求的概率调整语音菜单的顺序；
将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
对于步骤2所述的同区域多次报停电影响客户来话需求预测模型的建立过程，包括：
步骤21、统计来话报故障停电和这一带停电影响台区中客户来话各业务累计频次，并将每次来话报停电事件后的每单位时间内各业务频次除以所有业务频次之和，得到同区域客户在此区域每次来话报停电事件后的时间内不同时间点上各来话业务概率占比；
步骤22、获取风险评价标签，统计所有电网客户利用已有敏感度分析模型得到的停电敏感度、电费电价敏感度和电能质量敏感度标签，以及已有风险分析模型得到的欠费风险等级、违约窃电风险等级标签；
步骤23、将同区域多次报停电影响下客户的历史来话业务类别作为目标变量，记作Y2；同区域多次报停电影响下，各用户在此区域每次来话报停电事件后60分钟内不同时间点的各业务类别占比以及客户关于敏感度和风险分析的五类标签作为特征集，记作Z2；然后用Y2和Z2，借助决策树模型，通过数据的训练和预测，建立同区域多次报停电影响客户来话需求预测模型；
按照步骤2建立的同区域多次报停电影响客户来话需求预测模型，进行客户服务需求预测的过程包括：
判断当前来电用户是否符合此步条件，如果符合，则统计当前用户在此区域最近一次来话报停电事件影响下的各类业务的来话占比以及自身敏感度和风险评价标签，以此建立特征集；
借助经过训练和测试的同区域多次报停电影响客户来话需求预测模型，对当前来话客户需求进行预测；
根据客户本次来电各种需求的概率调整语音菜单的顺序；
将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
对于步骤3所述的客户服务需求预测过程，其特征主要包括：
判断当前来电用户是否符合此步条件，如果符合，则统计当前用户各业务活跃度占比，各业务来话频次以及自身敏感度和风险评价五类标签，以此建立特征集；
借助经过训练和测试的客户来话业务偏好分析模型，对当前来话客户需求进行预测；
根据客户本次来电各种需求的概率调整语音菜单的顺序；
将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
对于步骤3中的电力客户服务偏好分析方法，按照以下步骤进行：
步骤31、统计所有用户对于不同服务渠道的接触频次X1和不同业务办理频次X2，以及所有客户使用所述电网服务渠道、业务渠道的均值μ及标准差σ；
步骤32、确定用于利用时间维度加权权重计算渠道的加权频次X'1＝{x1'1,x1'2,x1'3,......,x1'm}和不同业务加权频次X'2＝{x'21,x'22,x'23,......,x'2n}，其中x'1i和x'2j分别表示第1i种渠道的加权频次和第2j种业务的加权频次，其中i＝1、2、3、......、m；j＝1、2、3、......、n；m、n均为自然数；
步骤33、用于根据标准化公式
对加权后的频次X'1＝{x'11,x'12,x'13,......,x'1m}和X'2＝{x'21,x'22,x'23,......,x'2n}进行标准化处理，其中x的取值分别为X'1、X'2中的各加权后的频次；得到标准化后的频次X”1＝{x”11,x”12,x”13,......,x”1m}和X”2＝{x”21,x”22,x”23,......,x”2n}；
步骤34、利用活跃度公式
计算电网客户渠道活跃度、业务活跃度，其中，H表示活跃度，x”表示已标准化加权频次，x”min表示已标准化加权频次最小值，x”max表示已标准化加权频次最大值，其中i＝1、2、3、......、m；j＝1、2、3、......、n；m、n均为自然数；
步骤35、重复31-34的过程，计算所有客户所有渠道和业务的活跃度指数,综合业务活跃度指数、渠道活跃度指数获得客户活跃度偏好矩阵。
具体通过实施例进行详细说明原理及步骤：
步骤S1：通过客户档案信息，查询客户建档时间；
步骤S2：通过客户历史业务办理的明细信息、95598来话信息、缴费信息，统计所有客户的各渠道接触频次及各业务的办理频次，并统计历史记录的有效起始月份201601；
步骤S3：由于部分用户是201601之后建档，各用户之间的渠道接触业务的办理频次基于的时间跨度不同，在计算客户偏好时不能正常反应客户偏好度，因此要对各用户的频次根据时间跨度进行加权；
步骤S4：计算各渠道、业务加权频次的均值μ及标准差σ；
步骤S5：用于根据标准化公式
对加权后的频次X'1＝{x'11,x'12,x'13,......,x'1m}
和X'2＝{x'21,x'22,x'23,......,x'2n}进行标准化处理，
步骤S6：
利用活跃度公式
计算电网客户渠道活跃度和业务活跃度。
步骤S7：综合业务活跃度指数、渠道活跃度指数获得客户偏好矩阵D，如下，
其中，
Hij表示使用第j种渠道办理第i种业务的活跃度，xij”表示使用第j种渠道办理第i种业务的已标准化加权频次，x”(ij)min表示使用第j种渠道办理所有业务的已标准化加权频次最小值，x”(ij)max使用第j种渠道办理所有业务的已标准化加权频次最大值，其中i＝1、2、3、......、m；j＝1、2、3、......、n；m、n均为自然数。
对于步骤4所述情况，在不属于步骤1-步骤3的情况下，按照以下过程进行处理：
统计所有用户对于各业务的历史来话频次；
用各业务的历史来话频次除以所有业务的总历史来话频次，计算各来话业务频次占比；
根据客户本次来电各种需求的概率调整语音菜单的顺序；
将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
以下通过具体实例对本申请的分析进行说明，所选取的所有用户各业务总体占比表如表1。
表1所有用户各业务总体占比表
| 业务类别 | 占比 | 业务类别 | 占比 |
| 停电相关 | 0.437097 | 用电故障 | 0.043527 |
| 电费电量 | 0.170983 | 服务差错 | 0.013779 |
| 其他咨询 | 0.156386 | 电表相关 | 0.005385 |
| 客户信息 | 0.084955 | 服务效率 | 0.003332 |
| 用电业务 | 0.082796 | 服务态度 | 0.001760 |
实例1：
来话用户信息如表1-1，其中2表示高、1表示中、0表示低。
表1-1
(1)首先，通过已发布计划停电通知判断，此用户为停电事件影响客户，符合步骤1条件且受理时间与最近停电事件时间差6分钟；根据已统计计算得到的停电事件60分钟内不同时间点各业务占比表，如表1-2。
表1-2
(2)建立用户张三的停电影响客户来话业务需求预测模型特征集Z1，如表1-3。
表1-3
(3)使用此特征集，借助停电影响客户来话业务需求预测模型对客户张三此次来话需求进行预测，预测结果如表1-4。
表1-4
| 用户 | 停电相关 | 电费电量 | 客户信息 | 其他咨询 | 用电业务 | …… |
| 张三 | 0.7 | 0.25 | 0.05 | 0 | 0 | …… |
由预测结果可见，客户张三此次来话，停电相关业务概率最高为0.7；电费电量以大差距次之，为0.25；其他业务类型占比较低，便可预测用户此次来话办理停电相关业务的可能性最大，故预测张三此次来话预办理停电相关业务。
实例2：
来话用户信息如表2-1，其中2表示高、1表示中、0表示低。
表2-1
(1)首先，通过已发布计划停电通知判断，此用户不是停电事件影响用户；但根据李四所在台区和受理时间判断此台区前15分钟有两次报一带停电的历史纪录；
根据已统计计算得到的同区域报停电60分钟内不同时间点各业务来话占比表，如表2-2。
表2-2
(2)根据同区域报停电60分钟内不同时间点各业务来话占比表，建立用户李四的同区域多次报停电影响客户来话需求预测模型特征集Z2，如表2-3。
表2-3
(3)使用此特征集，借助同区域多次报停电影响客户来话需求预测模型对客户李四此次来话需求进行预测，预测结果如表2-4。
表2-4
| 用户 | 停电相关 | 电费电量 | 客户信息 | 其他咨询 | 用电业务 | …… |
| 李四 | 0.2 | 0.55 | 0 | 0.1 | 0 | …… |
由预测结果可见，客户李四此次来话，电费电量相关业务概率最高为0.55；停电相关相关业务概率为0.2；其他咨询业务类型占比较低，为0.1；便可预测用户此次来话办理电费电量相关业务的可能性最大，故预测李四此次来话预办理电费电量相关业务。
实例3：
来话用户信息如表3-1，其中2表示高、1表示中、0表示低。
表3-1
(1)首先，通过已发布计划停电通知判断，用户王五不是停电事件影响用户且他所在台区短时间内没有报停电历史来话，但是王五有个人历史来话办理业务历史记录。
(2)统计王五历史累计来话办理各业务频次，如表3-2。
表3-2
| 用户 | 停电相关 | 电费电量 | 客户信息 | 其他咨询 | 用电业务 | …… |
| 王五 | 8 | 0 | 1 | 0 | 0 | …… |
(3)借助客户来话业务偏好分析模型计算得到王五各项业务活跃度占比情况如表3-3。
表3-3
(4)结合(2)和(3)中的数据集得到预测所用的特征集，如表3-4。
表3-4
(5)使用此特征集，借助业务偏好分析模型对客户王五此次来话需求进行预测，预测结果如表3-5。
表3-5
| 用户 | 停电相关 | 电费电量 | 客户信息 | 其他咨询 | 用电业务 | …… |
| 王五 | 0.6 | 0.34 | 0.15 | 0 | 0 | …… |
由预测结果可见，客户王五此次来话，停电相关相关业务概率最高为0.6；电费电量相关业务概率为0.34；客户信息业务类型占比较低，为0.15；便可预测用户此次来话办理停电相关业务的可能性最大，故预测王五此次来话预办理停电相关业务。
实例4：
来话用户信息，如表4-1其中2表示高、1表示中、0表示低，
表4-1
(1)首先，通过已发布计划停电通知判断，用户赵六不是停电事件影响用户，且赵六所在台区短时间内没有报停电历史来话，且赵六无个人历史来话办理业务历史记录，属于首次来话用户。
(2)于是借助历史所有来话用户办理业务累计频次占比来预测赵六此次来话需求，如下表4-2。
表4-2
| 业务类别 | 占比 | 业务类别 | 占比 |
| 停电相关 | 0.437097 | 用电故障 | 0.043527 |
| 电费电量 | 0.170983 | 服务差错 | 0.013779 |
| 其他咨询 | 0.156386 | 电表相关 | 0.005385 |
| 客户信息 | 0.084955 | 服务效率 | 0.003332 |
| 用电业务 | 0.082796 | 服务态度 | 0.001760 |
由历史所有来话用户办理业务累计频次占比表可见，赵六此次来话办理停电相关业务概率最高，为0.437097；电量电费和其他咨询分别以0.170983和0.156386，概率差距较大；其他业务概率更加小；故预测赵六此次来话预办理停电相关业务。
通过以上的实例，对客户需求分析过程，预测客户此次来话预办理何种相关业务。本发明还提供电力客户需求预测分析系统，
停电影响客户来话业务需求预测模型，用于计算计划停电事件影响客户本次来电各种需求的概率；
同区域多次报停电影响客户来话需求预测模型，用于计算非计划停电事件影响客户本次来电各种需求的概率；
客户来话业务偏好分析模型，用于计算非停电事件但有个人历史来话办理业务历史记录的客户本次来电各种需求的概率；
其他事件客户需求预测模型，用于计算非停电事件并且首次办理业务客户本次来电各种需求的概率；统计所有用户对于各业务的历史来话频次汇总，并计算所有用户各来话业务总体占比，评价客户本次来电各种业务需求的概率；
判断单元，判断来电客户的类型，根据来电客户类型确定停电影响客户来话业务需求预测模型、同区域多次报停电影响客户来话需求预测模型、客户来话业务偏好分析模型、其他事件客户需求预测模型中进行预测分析的模型，对来电客户服务需求进行预测；
业务概率排序单元，根据停电影响客户来话业务需求预测模型、同区域多次报停电影响客户来话需求预测模型、客户来话业务偏好分析模型、其他事件客户需求预测模型得到的概率分别针对当前客户类型，根据客户本次来电各种需求的概率调整语音菜单的顺序，进行业务概率排序；
反馈单元，根据业务概率排序单元，将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
停电影响客户来话业务需求预测模型包括第一统计计算单元、第一风险评价单元、第一特征分析单元；
所述第一统计计算单元，统计所有历史停电事件中，停电事件发生后的时间内，每单位时间内所有受影响客户的各来话业务累计频次，并将每单位时间内各业务频次除以所有业务频次之和，得到停电事件影响客户在停电事件发生后不同时间点各来话业务概率；
所述第一风险评价单元获取风险评价标签，统计所有电网客户利用已有敏感度分析模型得到的停电敏感度、电费电价敏感度和电能质量敏感度标签，以及已有风险分析模型得到的欠费风险等级、违约窃电风险等级标签；
所述第一特征分析单元将受停电事件影响的客户的历史来话业务类别作为目标变量，记作Y1；停电事件影响下，将第一统计计算单元中各用户在停电事件发生后不同时间点的各业务类别占比以及第一风险评价单元中客户关于敏感度和风险分析的五类标签作为特征集，记作Z1；然后用Y1和Z1，借助决策树模型，通过数据的训练和预测，建立停电影响客户来话业务需求预测模型。
同区域多次报停电影响客户来话需求预测模型，包括第二统计计算单元、第二风险评价单元、第二特征分析单元；
所述第二统计计算单元统计来话报故障停电和这一带停电影响台区中客户来话各业务累计频次，并将每次来话报停电事件后的每单位时间内各业务频次除以所有业务频次之和，得到同区域客户在此区域每次来话报停电事件后的时间内不同时间点上各来话业务概率占比；
所述第二风险评价单元获取风险评价标签，统计所有电网客户利用已有敏感度分析模型得到的停电敏感度、电费电价敏感度和电能质量敏感度标签，以及已有风险分析模型得到的欠费风险等级、违约窃电风险等级标签；
所述第二特征分析单元将同区域多次报停电影响下客户的历史来话业务类别作为目标变量，记作Y2；同区域多次报停电影响下，各用户在此区域每次来话报停电事件后60分钟内不同时间点的各业务类别占比以及客户关于敏感度和风险分析的五类标签作为特征集，记作Z2；然后用Y2和Z2，借助决策树模型，通过数据的训练和预测，建立同区域多次报停电影响客户来话需求预测模型。
客户来话业务偏好分析模型包括：
统计模块，用于统计电网客户对于不同电网服务渠道的累计接触频次和对于不同电网业务的累计办理频次；
数据加权模块，用于利用时间维度加权权重对电网客户渠道的累计接触频次和电网业务累计办理频次进行加权；
数据标准化模块，用于对加权后的频次进行标准化处理；
活跃度计算模块，用于利用活跃度公式计算电网客户渠道活跃度和业务活跃度，并综合渠道活跃度和业务活跃度结果生成活跃度矩阵；
偏好确定模块，用于根据活跃度来确定客户的偏好。
所述活跃度计算模块，包括：
获取单元，用于统计所有用户对于不同服务渠道的接触频次X1和不同业务办理频次X2，以及所有客户使用所述电网服务渠道以及办理不同业务的均值μ及标准差σ；第一计算单元，用于利用时间维度加权权重计算渠道的加权频次X'1＝{x'11,x'12,x'13,......,x'1m}和不同业务加权频次X'2＝{x'21,x'22,x'23,......,x'2n}，其中x'1i和x'2j分别表示第1i种渠道的加权频次和第2j种业务的加权频次，其中i＝1、2、3、......、m；j＝1、2、3、......、n；m、n均为自然数；
第二计算单元，用于根据标准化公式
对加权后的频次
X'1＝{x'11,x'12,x'13,......,x'1m}和X'2＝{x'21,x'22,x'23,......,x'2n}进行标准化处理；其中x的取值分别为X'1、X'2中的各加权后的频次；得到标准化后的频次X”1＝{x”11,x”12,x”13,......,x”1m}和X”2＝{x”21,x”22,x”23,......,x”2n}；
第三计算单元，利用活跃度公式
计算电网客户渠道活跃度和业务活跃度；
偏好确定模块包括：
输出单元，用于输出所有用户不同渠道活跃度数据表和基于业务考虑的不同渠道活跃度矩阵D，如下，
其中，
Hij表示使用第j种渠道办理第i种业务的活跃度，xij”表示使用第j种渠道办理第i种业务的已标准化加权频次，x”(ij)min表示使用第j种渠道办理所有业务的已标准化加权频次最小值，x”(ij)max使用第j种渠道办理所有业务的已标准化加权频次最大值，其中i＝1、2、3、......、m；j＝1、2、3、......、n；m、n均为自然数。
偏好确定单元，用于根据用户在不同渠道得活跃度，确定具体偏好的渠道；用于根据基于业务的渠道活跃度矩阵来确定客户对于同一业务中不同渠道的偏好程度。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.电力客户需求预测分析方法，其特征在于：
步骤1：首先，判断客户是否是当前停电事件影响客户，如果是，借助停电影响客户来话业务需求预测模型计算客户本次来电各种需求的概率；
对于步骤1所述的停电影响客户来话业务需求预测模型的建立过程，包括：
步骤11、统计所有历史停电事件中，停电事件发生后的时间内，每单位时间内所有受影响客户的各来话业务累计频次，并将每单位时间内各业务频次除以所有业务频次之和，得到停电事件影响客户在停电事件发生后不同时间点各来话业务概率；
步骤12、获取风险评价标签，统计所有电网客户利用已有敏感度分析模型得到的停电敏感度、电费电价敏感度和电能质量敏感度标签，以及已有风险分析模型得到的欠费风险等级、违约窃电风险等级标签；
步骤13、将受停电事件影响的客户的历史来话业务类别作为目标变量，记作Y1；停电事件影响下，各用户在停电事件发生后不同时间点的各业务类别占比以及客户关于敏感度和风险分析的五类标签作为特征集，记作Z1；然后用Y1和Z1借助决策树模型，通过数据的训练和预测，建立停电影响客户来话业务需求预测模型；
步骤2：如果步骤1为否，判断客户来话区域是否短时间内有多次来话报停电，如果有，借助同区域多次报停电影响客户来话需求预测模型停电影响客户来话业务需求预测模型计算客户本次来电各种需求的概率；
步骤2所述的同区域多次报停电影响客户来话需求预测模型的建立过程，包括：
步骤21、统计来话报故障停电和这一带停电影响台区中客户来话各业务累计频次，并将每次来话报停电事件后的每单位时间内各业务频次除以所有业务频次之和，得到同区域客户在此区域每次来话报停电事件后的时间内不同时间点上各来话业务概率占比；
步骤22、获取风险评价标签，统计所有电网客户利用已有敏感度分析模型得到的停电敏感度、电费电价敏感度和电能质量敏感度标签，以及已有风险分析模型得到的欠费风险等级、违约窃电风险等级标签；
步骤23、将同区域多次报停电影响下客户的历史来话业务类别作为目标变量，记作Y2；同区域多次报停电影响下，各用户在此区域每次来话报停电事件后60分钟内不同时间点的各业务类别占比以及客户关于敏感度和风险分析的五类标签作为特征集，记作Z2；然后用Y2和Z2借助决策树模型，通过数据的训练和预测，建立同区域多次报停电影响客户来话需求预测模型；
步骤3：如果步骤2为否，判断客户是否有历史来话诉求信息，如果有，统计用户办理各业务累计频次，并借助客户来话业务偏好分析模型，统计分析各项来话业务活跃度及其占比，通过数据的训练和测试，计算客户本次来电各种需求的概率；
步骤3中关于业务偏好分析的过程具体为：
步骤31、统计电网客户对于不同电网服务渠道的累计接触频次X1和对于不同电网业务的累计办理频次X2；
步骤32、计算时间维度加权权重，分别对电网客户对于不同电网服务渠道的累计接触频次X1和对于不同电网业务的累计办理频次X2进行加权；
步骤33、对加权后得到的不同电网服务渠道加权频次、不同业务加权频次分别进行标准化处理，根据活跃度公式计算客户的渠道活跃度和基于业务考虑的渠道活跃度矩阵；
步骤34、根据电网客户渠道活跃度的值，确定电网用户的偏好服务渠道；根据渠道活跃度矩阵，确定客户在考虑业务的前提下对不同渠道的偏好程度，其中以活跃度值最大的渠道作为客户的偏好服务渠道；
步骤4：如果步骤3为否，统计所有用户对于各业务的历史来话频次，并计算所有用户各来话业务总体占比，以此评价客户本次来电各种业务需求的概率；
步骤5：根据客户本次来电各种需求的概率调整语音菜单的顺序；
步骤6：将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
2.电力客户需求预测分析系统，其特征在于：包括，
停电影响客户来话业务需求预测模型，用于计算计划停电事件影响客户本次来电各种需求的概率；
停电影响客户来话业务需求预测模型包括第一统计计算单元、第一风险评价单元、第一特征分析单元；
所述第一统计计算单元，统计所有历史停电事件中，停电事件发生后的时间内，每单位时间内所有受影响客户的各来话业务累计频次，并将每单位时间内各业务频次除以所有业务频次之和，得到停电事件影响客户在停电事件发生后不同时间点各来话业务概率；
所述第一风险评价单元获取风险评价标签，统计所有电网客户利用已有敏感度分析模型得到的停电敏感度、电费电价敏感度和电能质量敏感度标签，以及已有风险分析模型得到的欠费风险等级、违约窃电风险等级标签；
所述第一特征分析单元将受停电事件影响的客户的历史来话业务类别作为目标变量，记作Y1；停电事件影响下，将第一统计计算单元中各用户在停电事件发生后不同时间点的各业务类别占比以及第一风险评价单元中客户关于敏感度和风险分析的五类标签作为特征集，记作Z1；然后用Y1和Z1，借助决策树模型，通过数据的训练和预测，建立停电影响客户来话业务需求预测模型；
同区域多次报停电影响客户来话需求预测模型，用于计算非计划停电事件影响客户本次来电各种需求的概率；
同区域多次报停电影响客户来话需求预测模型，包括第二统计计算单元、第二风险评价单元、第二特征分析单元；
所述第二统计计算单元统计来话报故障停电和这一带停电影响台区中客户来话各业务累计频次，并将每次来话报停电事件后的每单位时间内各业务频次除以所有业务频次之和，得到同区域客户在此区域每次来话报停电事件后的时间内不同时间点上各来话业务概率占比；
所述第二风险评价单元获取风险评价标签，统计所有电网客户利用已有敏感度分析模型得到的停电敏感度、电费电价敏感度和电能质量敏感度标签，以及已有风险分析模型得到的欠费风险等级、违约窃电风险等级标签；
所述第二特征分析单元将同区域多次报停电影响下客户的历史来话业务类别作为目标变量，记作Y2；同区域多次报停电影响下，各用户在此区域每次来话报停电事件后60分钟内不同时间点的各业务类别占比以及客户关于敏感度和风险分析的五类标签作为特征集，记作Z2；然后用Y2和Z2，借助决策树模型，通过数据的训练和预测，建立同区域多次报停电影响客户来话需求预测模型；
客户来话业务偏好分析模型，用于计算非停电事件但有个人历史来话办理业务历史记录的客户本次来电各种需求的概率；
客户来话业务偏好分析模型包括：
统计模块，用于统计电网客户对于不同电网服务渠道的累计接触频次和对于不同电网业务的累计办理频次；
数据加权模块，用于利用时间维度加权权重对电网客户渠道的累计接触频次和电网业务累计办理频次进行加权；
数据标准化模块，用于对加权后的频次进行标准化处理；
活跃度计算模块，用于利用活跃度公式计算电网客户渠道活跃度和业务活跃度，并综合渠道活跃度和业务活跃度结果生成活跃度矩阵；
偏好确定模块，用于根据活跃度来确定客户的偏好；
其他事件客户需求预测模型，用于计算非停电事件并且首次办理业务客户本次来电各种需求的概率；统计所有用户对于各业务的历史来话频次汇总，并计算所有用户各来话业务总体占比，评价客户本次来电各种业务需求的概率；
判断单元，判断来电客户的类型，根据来电客户类型确定停电影响客户来话业务需求预测模型、同区域多次报停电影响客户来话需求预测模型、客户来话业务偏好分析模型、其他事件客户需求预测模型中进行预测分析的模型，对来电客户服务需求进行预测；
业务概率排序单元，根据停电影响客户来话业务需求预测模型、同区域多次报停电影响客户来话需求预测模型、客户来话业务偏好分析模型、其他事件客户需求预测模型得到的概率分别针对当前客户类型，根据客户本次来电各种需求的概率调整语音菜单的顺序，进行业务概率排序；
反馈单元，根据业务概率排序单元，将客户本次来电的各种需求的概率、客户有关联当前热点事件信息、客户历史业务办理和诉求工单信息、客户标签信息显示给客服人员。
3.如权利要求2所述的电力客户需求预测分析系统，其特征在于：
所述活跃度计算模块，包括：
获取单元，用于统计所有用户对于不同服务渠道的接触频次X1和不同业务办理频次X2，以及所有客户使用所述电网服务渠道以及办理不同业务的均值μ及标准差σ；第一计算单元，用于利用时间维度加权权重计算渠道的加权频次X′1＝{x′11,x′12,x′13,......,x′1m}和不同业务加权频次X′2＝{x′21,x′22,x′23,......,x′2n}，其中x′1i和x′2j分别表示第1i种渠道的加权频次和第2j种业务的加权频次，其中i＝1、2、3、......、m；j＝1、2、3、......、n；m、n均为自然数；
第二计算单元，用于根据标准化公式
对加权后的频次X′1＝{x′11,x′12,x′13,......,x′1m}和X′2＝{x′21,x′22,x′23,......,x′2n}进行标准化处理；其中x的取值分别为X′1、X′2中的各加权后的频次；得到标准化后的频次X″1＝{x″11,x″12,x″13,......,x″1m}和X″2＝{x″21,x″22,x″23,......,x″2n}；其中i＝1、2、3、......、m；j＝1、2、3、......、n；m、n均为自然数；
第三计算单元，利用活跃度公式
计算电网客户渠道活跃度和业务活跃度，H表示活跃度，x″表示已标准化加权频次，x″min表示已标准化加权频次最小值，x″max表示已标准化加权频次最大值。
4.如权利要求2所述的电力客户需求预测分析系统，其特征在于：
偏好确定模块包括：
输出单元，用于输出所有用户不同渠道活跃度数据表和基于业务考虑的不同渠道活跃度矩阵D，如下，
其中，
Hij表示使用第j种渠道办理第i种业务的活跃度，xij″表示使用第j种渠道办理第i种业务的已标准化加权频次，x″(ij)min表示使用第j种渠道办理所有业务的已标准化加权频次最小值，x″(ij)max使用第j种渠道办理所有业务的已标准化加权频次最大值，其中i＝1、2、3、......、m；j＝1、2、3、......、n；m、n均为自然数；
偏好确定单元，用于根据用户在不同渠道得活跃度，确定具体偏好的渠道；用于根据基于业务的渠道活跃度矩阵来确定客户对于同一业务中不同渠道的偏好程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910215909.1A CN110110881B (zh) | 2019-03-21 | 2019-03-21 | 电力客户需求预测分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910215909.1A CN110110881B (zh) | 2019-03-21 | 2019-03-21 | 电力客户需求预测分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110110881A CN110110881A (zh) | 2019-08-09 |
| CN110110881B true CN110110881B (zh) | 2021-10-26 |
Family
ID=67484482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910215909.1A Active CN110110881B (zh) | 2019-03-21 | 2019-03-21 | 电力客户需求预测分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110110881B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728466B (zh) * | 2019-10-24 | 2022-05-20 | 珠海格力电器股份有限公司 | 一种新产品的目标配件需求量确定方法及计算机设备 |
| CN113225438A (zh) * | 2020-02-04 | 2021-08-06 | 北京沃东天骏信息技术有限公司 | 一种来电处理方法、电子设备与计算机可读存储介质 |
| CN112153225B (zh) * | 2020-09-27 | 2022-08-09 | 深圳市四格互联信息技术有限公司 | 一种固话报单方法、系统、设备以及存储介质 |
| CN112653796A (zh) * | 2020-11-20 | 2021-04-13 | 广东电网有限责任公司 | 一种基于客户画像来电主题分析应用功能的话务客服系统 |
| CN112365085B (zh) * | 2020-11-26 | 2023-07-14 | 深圳供电局有限公司 | 一种基于可靠性目标的不停电作业费用需求预测方法 |
| CN112508295A (zh) * | 2020-12-16 | 2021-03-16 | 国家电网有限公司客户服务中心 | 基于业务图谱和马尔可夫模型的来电业务预测方法及系统 |
| CN112788184A (zh) * | 2021-01-18 | 2021-05-11 | 商客通尚景科技（上海）股份有限公司 | 根据语音输入连接呼叫中心的方法 |
| CN113095879A (zh) * | 2021-04-15 | 2021-07-09 | 中国工商银行股份有限公司 | 呼入场景下的客户行为预测方法及装置 |
| CN113592528B (zh) * | 2021-06-22 | 2024-09-13 | 国网河北省电力有限公司营销服务中心 | 基线负荷估计方法、装置及终端设备 |
| CN113469710B (zh) * | 2021-07-06 | 2022-10-11 | 携程商旅信息服务（上海）有限公司 | 咨询订单的预测方法、系统、电子设备和存储介质 |
| CN113723665A (zh) * | 2021-07-20 | 2021-11-30 | 山东环维通讯科技有限公司 | 一种呼叫中心话务预测方法以及具有该方法的设备及装置 |
| CN113691592B (zh) * | 2021-08-05 | 2024-08-20 | 北京淇瑀信息科技有限公司 | 向设备提供网络服务的方法、装置、设备和介质 |
| CN114121039A (zh) * | 2021-11-19 | 2022-03-01 | 北京京东振世信息技术有限公司 | 一种声音处理方法、装置、设备及存储介质 |
| CN114372458B (zh) * | 2022-01-20 | 2023-04-07 | 北京零点远景网络科技有限公司 | 一种基于政务工单的突发事件检测方法 |
| CN114169523B (zh) * | 2022-02-10 | 2022-05-31 | 一道新能源科技(衢州)有限公司 | 太阳能电池的使用数据分析方法及系统 |
| CN117764459B (zh) * | 2024-02-22 | 2024-04-26 | 山邮数字科技(山东)有限公司 | 一种基于数据智能分析处理的企业管理系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105224281A (zh) * | 2015-10-27 | 2016-01-06 | 合肥工业大学 | 语音导航菜单动态生成方法及系统 |
| CN106096825A (zh) * | 2016-06-03 | 2016-11-09 | 广东电网有限责任公司 | 一种电力服务渠道分析方法及系统 |
| CN107103386A (zh) * | 2017-04-13 | 2017-08-29 | 国网河南省电力公司电力科学研究院 | 基于rfm模型的电力客户缴费渠道偏好分析预测方法 |
| CN107818503A (zh) * | 2016-09-12 | 2018-03-20 | 上海浦东发展银行股份有限公司信用卡中心 | 一种银行信用卡ivr系统动态个性化菜单推荐方法 |
| CN107992609A (zh) * | 2017-12-15 | 2018-05-04 | 广东电网有限责任公司信息中心 | 一种基于文本分类技术和决策树的投诉倾向判断方法 |
| CN108897768A (zh) * | 2018-05-25 | 2018-11-27 | 北京三快在线科技有限公司 | 一种点餐方法及装置，电子设备 |
| CN109447364A (zh) * | 2018-11-08 | 2019-03-08 | 国网湖南省电力有限公司 | 基于标签的电力客户投诉预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170293905A1 (en) * | 2016-04-08 | 2017-10-12 | Restaurant Technology Inc. | Voice recognized data analysis and corrective action systems and methods |
-
2019
- 2019-03-21 CN CN201910215909.1A patent/CN110110881B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105224281A (zh) * | 2015-10-27 | 2016-01-06 | 合肥工业大学 | 语音导航菜单动态生成方法及系统 |
| CN106096825A (zh) * | 2016-06-03 | 2016-11-09 | 广东电网有限责任公司 | 一种电力服务渠道分析方法及系统 |
| CN107818503A (zh) * | 2016-09-12 | 2018-03-20 | 上海浦东发展银行股份有限公司信用卡中心 | 一种银行信用卡ivr系统动态个性化菜单推荐方法 |
| CN107103386A (zh) * | 2017-04-13 | 2017-08-29 | 国网河南省电力公司电力科学研究院 | 基于rfm模型的电力客户缴费渠道偏好分析预测方法 |
| CN107992609A (zh) * | 2017-12-15 | 2018-05-04 | 广东电网有限责任公司信息中心 | 一种基于文本分类技术和决策树的投诉倾向判断方法 |
| CN108897768A (zh) * | 2018-05-25 | 2018-11-27 | 北京三快在线科技有限公司 | 一种点餐方法及装置，电子设备 |
| CN109447364A (zh) * | 2018-11-08 | 2019-03-08 | 国网湖南省电力有限公司 | 基于标签的电力客户投诉预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于机器学习的用电客户分析和停电敏感度分析;杨恒程;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190115(第1期);全文 * |
| 电力营销信息化客户画像的应用研究;余向前;《计算计技术与自动化》;20171231;第36卷(第4期);全文 * |
| 电力营销客户画像构建与应用;乔克;《第三届智能电网会议论文集》;20181230;第264-266页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110110881A (zh) | 2019-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110110881B (zh) | 电力客户需求预测分析方法及系统 | |
| CN107392479A (zh) | 基于逻辑回归模型的电力客户停电敏感度评分卡实施方法 | |
| US20140188565A1 (en) | Customer demographic data change detection based on monitored utility consumption | |
| US20080109315A1 (en) | Method and apparatus for determining a customer's likelihood of paying off a financial account | |
| US20080109314A1 (en) | Method and apparatus for determining a customer's likelihood of reusing a financial account | |
| CN109905882B (zh) | 一种网络扩容方法及装置 | |
| WO2018209913A1 (zh) | 一种考虑电压质量的配电网台区缺供电量预测方法 | |
| CN102487523A (zh) | 用户投诉分析方法及装置 | |
| CN112862172B (zh) | 国网95598停电投诉预测方法、装置、计算机设备和存储介质 | |
| CN112950359B (zh) | 一种用户识别方法和装置 | |
| CN104113869A (zh) | 一种基于信令数据的潜在投诉用户预测方法及系统 | |
| CN111797145A (zh) | 一种电力客户容忍度评价分类方法 | |
| CN114841832B (zh) | 一种基于用电负荷二次聚类的电力用户画像标签建立方法 | |
| CN114022205A (zh) | 基于改进聚类法的电力用户缴费渠道偏好匹配方法及系统 | |
| CN110909129B (zh) | 异常投诉事件的识别方法及装置 | |
| CN110675069A (zh) | 地产行业客户签约风险预警方法、服务器及存储介质 | |
| CN112667911A (zh) | 一种利用社交软件大数据找寻潜在客户的方法 | |
| CN115378143B (zh) | 电力营销智能稽查系统 | |
| CN110111124A (zh) | 基于渠道偏好和业务偏好的电力客户服务偏好方法及系统 | |
| KR20110045220A (ko) | 상권 현황 평가 시스템 및 그 방법 | |
| CN112418541A (zh) | 一种用于预测评价客户停电敏感度的方法 | |
| CN117408531B (zh) | 一种大数据智能匹配的客户信息管理方法及系统 | |
| CN104978604A (zh) | 一种基于业务能力模型的模拟仿真方法和装置 | |
| CN104734898A (zh) | 一种基于社交网络分析的业务推荐方法和系统 | |
| Zhu et al. | Quality Evaluation Method for Low-Voltage Electric Expansion and Installation Based on the Entropy Weight Method |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |