CN110766438A - 一种通过人工智能对电网用户的用户行为进行分析的方法 - Google Patents

Abstract

本发明公开了一种通过人工智能对电网用户的用户行为进行分析的方法，通过构建的用户画像模型和用户行为分析模型，能有效结合电力企业需求。其采用的市场验证的方式，有效形成知识库和模型，通过不断的反馈和修正之后，可以动态发现电网用户的需求点，和提升电网企业的服务质量。

Description

一种通过人工智能对电网用户的用户行为进行分析的方法

技术领域

本发明涉及供电网的用户行为分析的技术领域，具体为一种通过人工智能对电网用户的用户行为进行分析的方法。

背景技术

在传统情况下，企业了解用户主要通过与领先用户交流合作、问卷调查、市场调研、数据库数据采集等手段获取用户需求，由此构建用户需求分析模型来剖析需求点和变化方向。

电力用户可以指电力使用的消费者，也可以指在电网服务过程中和电网企业产生关联关系的用户。用户的行为是电网企业提升服务质量的必然分析要点。多年来，电网企业已经积累了大量的用户数据，在人工智能大数据的平台下，如何有效利用这些数据构建模型来分析用户数据显得格外的必要。

发明内容

本发明所要解决的技术问题在于，提供一种通过人工智能对电网用户的用户行为进行分析的方法，通过用户画像来构建用户数据模型，从而分析电网用户的用户行为，从而可以动态发现电网用户的需求点，和提升电网企业的服务质量。

为解决上述的技术问题，本发明的一方面提供一种通过人工智能对电网用户的用户行为进行分析的方法，其包括如下步骤：

步骤S10，获得电网用户的历史数据，形成大数据平台；

步骤S11，在大数据平台中，根据每一电网用户的历史数据，对所述用户进行画像，将用户的用户信息进行标签化；

步骤S12，在用户画像模型基础上，对用户行为按不同层面、不同维度进行标签刻画，实现用户行为的标签化降维；

步骤S13，根据电力企业需求，将不同标签组合形成的情境化用户特征，所述情境化用户特征包括领先用户特征与普通用户特征；

步骤S14，基于人工智能大数据平台构建情境化用户特征所对应的用户行为模型，根据需求将用户行为标签重组，提炼各类型用户的情境化行为特征，再分别在真实用户群中进行精准验证；

步骤S15，根据市场验证反馈的结果，完善修改用户行为标签，通过上述过程的迭代完善知识库。

优选地，所述步骤S12进一步包括：

根据水平不同，对用户进行层面划分；

从不同维度构建用户基本属性画像、用户行为特征画像、用户产品特征画像以及用户互动特征画像；其中，所述用户基本属性画像包括：性别、年龄、职业、学历个人基础信息，用户行为特征画像包括：用户电力使用率和使用时间分析，用户产品特征画像包括：系列偏好、功能偏好、外观偏好、体验偏好及工艺偏好，用户互动特征画像包括：热点分析及访问兴趣。

优选地，所述步骤S13进一步包括：

根据电力企业需求，通过针对领先用户的一个或者多抽取指标识别出领先用户，然后对电力服务类型与领先用户类型进行高效匹配，其中，所述抽取指标包括用电量；

企业通过针对普通用户的抽取方法识别普通用户，并不断优化制度设计激励普通用户持续形成大数据。

优选地，所述对电力服务类型与领先用户类型进行高效匹配包括：

将电力服务类型与领先用户进行匹配，得到不同电力服务类型的领先用户占比，或者获得领先用户对电力服务类型占比。

优选地，企业通过针对普通用户的抽取方法识别普通用户具体包括：

将正太分布中大数的部分用户直接定义为普通用户。

优选地，所述步骤S14进一步包括：

基于人工智能大数据平台分别构建领先用户行为模型和普通用户行为模型，所述行为模型包括消费，兴趣，浏览热度和用电行为；并与步骤S13中的构建领先用户和普通用户的模型，进行场景化行为特征分析；

根据需求，找出占比更多的标签，从而实现用户行为标签重组，分别提炼出领先用户的情境化行为特征和普通用户的情境化行为特征；

对所述领先用户的情境化行为特征和普通用户的情境化行为特征分别在真实用户群中进行精准验证，以确认其中的标签的有效性。

优选，所述步骤S15进一步包括：

根据市场验证反馈的结果，修改用户行为标签，从而得到更细跟精准的标签；所述修改包括：完善标签、删除不影响模型的标签或者对标签划分维度进行调优；

将所述修改后有用户行为标签入知识库，形成更高精准度的知识抽取；

电力企业的反馈修正标签对真实市场中的用户行为产生影响，所述影响会改变用户的消费行为和消费数据，从而开展下一轮的大数据；

然后对新一轮用户大数据进行用户行为刻画，从而通过不断迭代变换，完善知识库。

实施本发明的实施例，具有如下的有益效果：

本发明提供的通过人工智能对电网用户的用户行为进行分析的方法，通过构建的用户画像模型和用户行为分析模型，能有效结合电力企业需求。其采用的市场验证的方式，有效形成知识库和模型，通过不断的反馈和修正之后，可以动态发现电网用户的需求点，和提升电网企业的服务质量。

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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明提供的一种通过人工智能对电网用户的用户行为进行分析的方法的主流程示意图；

图2为本发明涉及的一种分析框架图；

图3为本发明涉及的另一种更详细的分析框架图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

如图1所示，示出了本发明提供的一种通过人工智能对电网用户的用户行为进行分析的方法的主流程示意图，一并结合图2和图3所示，所述方法包括如下步骤：

步骤S10，获得电网用户的历史数据，形成大数据平台；

步骤S11，在大数据平台中，根据每一电网用户的历史数据，对所述用户进行画像，将用户的用户信息进行标签化；可以理解的是，在本步骤中，对用户进行画像就是将用户信息标签化，从而可以通过收集和分析用户的基本特征、社会属性、生活习惯、消费习惯等数据，抽象出一个虚拟用户的特征全貌，从而帮助企业全方位、多层次地了解用户行为特征，把握用户行为方向。

从技术管理角度来看，基于人工智能大数据平台的用户画像构造分为三步，

第一步是搭建用户画像技术架构，如数据整理、平台和应用等；

第二步用户画像数据分类；

第三步用户画像构建，包括精准识别用户、动态跟踪用户行为轨迹、结合静态数据评估用户价值、确定用户标签与权重、不同群体优先级排列等；

其中，用户行为轨迹是用户有形的动作，其决定着营销渠道分布；结合静态数据评估用户价值包括：采用一些数据考量，划分用户的消费度，消费比重等数据。权重主要为标签在某种用户的轻重程度，譬如有些用户特许需要某样产品，例如，高耗电企业特别需要大的电力供应；而计算机用户特别强调电力不能中断；不同群体优先级排列，指一些排列和占比。

步骤S12，在用户画像模型基础上，对用户行为按不同层面、不同维度进行标签刻画，实现用户行为的标签化降维；

在一个具体的例子中，所述步骤S12进一步包括：

根据水平不同，对用户进行层面划分；

从不同维度构建用户基本属性画像、用户行为特征画像、用户产品特征画像以及用户互动特征画像；其中，所述用户基本属性画像包括：性别、年龄、职业、学历个人基础信息，用户行为特征画像包括：用户电力使用率和使用时间分析，用户产品特征画像包括：系列偏好、功能偏好、外观偏好、体验偏好及工艺偏好，用户互动特征画像包括：热点分析及访问兴趣。可以理解的是，此处的不同维度主要是对对产品的系列偏好维度或者功能偏好维度进行考量。

步骤S13，根据电力企业需求，将不同标签组合形成的情境化用户特征，所述情境化用户特征包括领先用户特征与普通用户特征；

在一个具体地的例子中，所述步骤S13进一步包括：

根据电力企业需求，通过针对领先用户的一个或者多抽取指标识别出领先用户，然后对电力服务类型与领先用户类型进行高效匹配，其中，所述抽取指标包括用电量，例如在一个实施例中，可以将用电量提成前20％的用户认为是领先用户；当然，在其他的例子中，也可以设置其他的指标来进行筛选，当满足全部筛选条件或者大部分条件，即可以精准识别为领先用户。

在此步骤中，所述对电力服务类型与领先用户类型进行高效匹配包括：将电力服务类型与领先用户进行匹配，得到不同电力服务类型的领先用户占比，或者获得领先用户对电力服务类型占比。从而可以准确地了解到，忠实的用户选择的类型和各类型中忠实用户的占比，这些内容可用于普通用户进行推荐或者调优使得消费得到提高，同时也提升了用户体验。

同时，在一些例子中，企业通过针对普通用户的抽取方法识别普通用户，并不断优化制度设计激励普通用户持续形成大数据。在一些例子中，可以将大概率的用户定义为普通用户，例如，将正太分布中大数的部分用户直接定义为普通用户。找出了普通用户，就可以对优化荐消费制度、广告投放，通过制度设计和激励普通用消费，以利于电力企业提取更全面的电力消费方向和频率。

步骤S14，基于人工智能大数据平台构建情境化用户特征所对应的用户行为模型，根据需求将用户行为标签重组，提炼各类型用户的情境化行为特征，再分别在真实用户群中进行精准验证；

在一个例子中，所述步骤S14进一步包括：

基于人工智能大数据平台分别构建领先用户行为模型和普通用户行为模型，所述行为模型包括消费，兴趣，浏览热度和用电行为；并与步骤S13中的构建领先用户和普通用户的模型，进行场景化行为特征分析；

根据需求，找出占比更多的标签，从而实现用户行为标签重组，分别提炼出领先用户的情境化行为特征和普通用户的情境化行为特征；此处的标签重组可以是：在符合某种需求的条件下，有那些行为标签占比更多，发现这些标签。其中，领先用户的情境化行为特征和普通用户的情境化行为特征可以是诸如天气热的情况下，两种用户都表现出什么行为，耗电量及耗电时间曲线等内容；

对所述领先用户的情境化行为特征和普通用户的情境化行为特征分别在真实用户群中进行精准验证，以确认其中的标签的有效性。具体地，有了以上的特征和模型，抽取部分用户，进行对比验证。也就是在确定真实用户是否也有这样的情况，从而可以避免模型因为采用数学方法提炼出来的结果偏离实际情况，加以验证，以舍取分辨出那些模型和标签有效。

步骤S15，根据市场验证反馈的结果，完善修改用户行为标签，通过上述过程的迭代完善知识库。

在一个例子中，所述步骤S15进一步包括：

根据市场验证反馈的结果，修改用户行为标签，从而得到更细跟精准的标签；所述修改包括：完善标签、删除不影响模型的标签或者对标签划分维度进行调优；

将所述修改后有用户行为标签入知识库，形成更高精准度的知识抽取，具体地，为用户画像的目的就是为了发现忠实用户的消费情况和符合的服务模型，有了这些了解和市场投放试验后，保存入知识库，以后会修正消费政策和广告策略；

电力企业的反馈修正标签对真实市场中的用户行为产生影响，所述影响会改变用户的消费行为和消费数据，从而开展下一轮的大数据；

然后对新一轮用户大数据进行用户行为刻画，从而通过不断迭代变换，完善知识库。

具体地，如图2所示，在本发明中，通过将市场中的用户特征按不同层面、不同维度赋予不同的标签体系，再通过需求将不同标签组合形成的情境化用户特征，构成用户画像分析的基本逻辑。基于大数据的用户画像分析，就是按用户标签化降维、按需求进行标签重组、按特征筛选标签、投放市场验证、根据反馈大数据修正标签，及迭代完善知识库的步骤来完成的。

如图3所示，在本发明中，基于大数据平台的用户行为分析，首先需要构建用户画像模型。在用户画像模型基础上，对用户行为按不同层面、不同维度进行标签刻画，即用户行为的标签化降维；其次，根据电力企业需求，通过针对领先用户的抽取方法识别出领先用户，企业利用大数据对领先用户进行精准识别，其后对电力服务类型与领先用户类型进行高效匹配。同时，企业通过针对普通用户的抽取方法刻画普通用户，并不断优化制度设计激励普通用户持续形成大数据，以利于电力企业提取更全面的电力消费方向和频率；再次，基于大数据平台分别构建领先用户行为模型和普通用户行为模型，根据需求将用户行为标签重组，分别提炼出领先用户和普通用户的情境化行为特征，再分别在真实用户群中进行精准验证；最后，反馈市场验证的结果，完善修改用户行为标签，将发现成果纳入知识库，形成更高精准度的知识抽取，电力企业的反馈修正标签又会对真实市场中的用户行为产生影响，促使其迭代形成新一轮的用户大数据。

实施本发明的实施例，具有如下的有益效果：

本发明提供的通过人工智能对电网用户的用户行为进行分析的方法，通过构建的用户画像模型和用户行为分析模型，能有效结合电力企业需求。其采用的市场验证的方式，有效形成知识库和模型，通过不断的反馈和修正之后，可以动态发现电网用户的需求点，和提升电网企业的服务质量。

以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种通过人工智能对电网用户的用户行为进行分析的方法，其特征在于，包括如下步骤：

步骤S10，获得电网用户的历史数据，形成大数据平台；

步骤S11，在大数据平台中，根据每一电网用户的历史数据，对所述用户进行画像，将用户的用户信息进行标签化；

步骤S12，在用户画像模型基础上，对用户行为按不同层面、不同维度进行标签刻画，实现用户行为的标签化降维；

步骤S13，根据电力企业需求，将不同标签组合形成的情境化用户特征，所述情境化用户特征包括领先用户特征与普通用户特征；

步骤S14，基于人工智能大数据平台构建情境化用户特征所对应的用户行为模型，根据需求将用户行为标签重组，提炼各类型用户的情境化行为特征，再分别在真实用户群中进行精准验证；

步骤S15，根据市场验证反馈的结果，完善修改用户行为标签，通过上述过程的迭代完善知识库。

2.如权利要求1所述的方法，其特征在于，所述步骤S12进一步包括：

根据水平不同，对用户进行层面划分；

从不同维度构建用户基本属性画像、用户行为特征画像、用户产品特征画像以及用户互动特征画像；其中，所述用户基本属性画像包括：性别、年龄、职业、学历个人基础信息，用户行为特征画像包括：用户电力使用率和使用时间分析，用户产品特征画像包括：系列偏好、功能偏好、外观偏好、体验偏好及工艺偏好，用户互动特征画像包括：热点分析及访问兴趣。

3.如权利要求1所述的方法，其特征在于，所述步骤S13进一步包括：

根据电力企业需求，通过针对领先用户的一个或者多抽取指标识别出领先用户，然后对电力服务类型与领先用户类型进行高效匹配，其中，所述抽取指标包括用电量；

企业通过针对普通用户的抽取方法识别普通用户，并不断优化制度设计激励普通用户持续形成大数据。

4.如权利要求3所述的方法，其特征在于，所述对电力服务类型与领先用户类型进行高效匹配包括：

将电力服务类型与领先用户进行匹配，得到不同电力服务类型的领先用户占比，或者获得领先用户对电力服务类型占比。

5.如权利要求3所述的方法，其特征在于，企业通过针对普通用户的抽取方法识别普通用户具体包括：

将正太分布中大数的部分用户直接定义为普通用户。

6.如权利要求4或5所述的方法，其特征在于，所述步骤S14进一步包括：

基于人工智能大数据平台分别构建领先用户行为模型和普通用户行为模型，所述行为模型包括消费，兴趣，浏览热度和用电行为；并与步骤S13中的构建领先用户和普通用户的模型，进行场景化行为特征分析；

根据需求找出占比更多的标签，从而实现用户行为标签重组，分别提炼出领先用户的情境化行为特征和普通用户的情境化行为特征；

对所述领先用户的情境化行为特征和普通用户的情境化行为特征分别在真实用户群中进行精准验证，以确认其中的标签的有效性。

7.如权利要求6所述的方法，其特征在于，所述步骤S15进一步包括：

根据市场验证反馈的结果，修改用户行为标签，从而得到更细跟精准的标签；所述修改包括：完善标签、删除不影响模型的标签或者对标签划分维度进行调优；

将所述修改后有用户行为标签入知识库，形成更高精准度的知识抽取；

电力企业的反馈修正标签对真实市场中的用户行为产生影响，所述影响会改变用户的消费行为和消费数据，从而开展下一轮的大数据；

然后对新一轮用户大数据进行用户行为刻画，从而通过不断迭代变换，完善知识库。

Images