CN111221868A - 一种应用于电力客户渠道偏好的数据挖掘与分析方法 - Google Patents
一种应用于电力客户渠道偏好的数据挖掘与分析方法 Download PDFInfo
- Publication number
- CN111221868A CN111221868A CN201811420645.5A CN201811420645A CN111221868A CN 111221868 A CN111221868 A CN 111221868A CN 201811420645 A CN201811420645 A CN 201811420645A CN 111221868 A CN111221868 A CN 111221868A
- Authority
- CN
- China
- Prior art keywords
- channel
- data
- preference
- user
- payment
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种应用于电力客户渠道偏好的数据挖掘与分析方法,属数据处理领域。其以某年电力缴费记录数据为样本,使用聚类法找到最优聚类数;基于匹配用户数据分析用户渠道偏好的影响因素,并建立渠道偏好的预测模型;匹配样本数据本身来对模型的预测效果进行评估,计算全部样本的预测正确率;将用户的偏好分类或预测结果植入电力公司的管理系统,可以预先判断用户的渠道偏好,更加高效地提供服务指引。其可以准确识别每一位客户缴费渠道偏好,能够直接反映某地区某一种缴费渠道的实际业务需求,给实际缴费渠道的建设和规划工作提供建设性的指导意见和规划依据,为电网公司客户缴费渠道优化提供数据支撑。可广泛用于电力业务用户偏好的分析与管理领域。
Description
技术领域
本发明属于数据处理领域,尤其涉及一种用于电力客户渠道偏好的数据挖掘与分析方法。
背景技术
缴费渠道(亦称交费渠道、支付渠道或结账渠道,业内简称渠道)是电力客户营销服务的窗口,是电网企业面向市场的最前沿。
有效的缴费服务渠道不仅能够增强营销能力,提高对市场的快速反应水平,而且有助于提高客户的满意度和忠诚度。
在“互联网+”背景下,近年来电网公司缴费渠道体系发生了剧烈变化。传统的走收(上门收费)、坐收(在电力营业点收费)、银行代扣等方式尽管仍占很大比例,但新兴的网络缴费渠道却在急剧增长。手机APP,微信,支付宝,网上营业厅越来越受到客户,尤其是年轻人的偏爱。
通过客户缴费记录分析挖掘,准确识别客户缴费行为偏好,合理评价各种缴费渠道价值,对提升电网公司的服务水平、提升电费回收率以及应对即将到来的市场激烈竞争具有重大意义。
长期以来,要了解电力用户的缴费渠道偏好,只能依赖于渠道统计报表来进行分析。这是一种汇总数据统计,其存在以下明显局限:
(1)渠道占比不等于用户占比,无法知道用户的渠道偏好存在哪几种类型,以及每种类型的占比。换言之,汇总数据只能对渠道进行划分,无法对用户进行划分。
(2)缴费渠道是一个孤立的信息,无法与用户的其他信息进行相关分析。换言之,数据分析必须要从汇总层次下降至个体层次,才能分析用户的渠道选择与用户的其他信息之间的关系。
(3)上述两个问题不解决,就无法进行用户渠道偏好的预测。
因此,在实际工作中,迫切需要一种数据挖掘与分析方法,来解决上述问题。
发明内容
本发明所要解决的技术问题是提供一种应用于电力客户渠道偏好的数据挖掘与分析方法。其采用聚类分析的方法,基于用户在各渠道的缴费数据的相关属性特征发现不同的客户群,并且用缴费渠道来刻画不同客户群的特征。不仅可以准确识别每一位客户缴费渠道偏好,又能够直接反映某地区某一种缴费渠道的实际业务需求,给实际缴费渠道的建设和规划工作提供建设性的指导意见和规划依据,为电网公司客户缴费渠道优化提供数据支撑。
本发明的技术方案是:提供一种应用于电力客户渠道偏好的数据挖掘与分析方法,其特征是:
1)使用聚类分析的方法,基于用户在各渠道的缴费数据的相关属性特征发现不同的客户群,并且用缴费渠道来刻画不同客户群的特征;
2)以某年电力缴费记录数据为样本,使用聚类法,依次指定1-10个聚类,分别画出碎石图,找到最优聚类数;
3)基于匹配用户数据,分析用户渠道偏好的影响因素,并建立渠道偏好的预测模型;
4)匹配样本数据本身来对模型的预测效果进行评估,计算全部样本的预测正确率;
5)将用户的偏好分类或预测结果植入电力公司的管理系统,一线员工在接听电话或接受咨询时,可以通过地址信息预先判断用户的渠道偏好,更加高效地提供服务指引。
进一步的,所述应用于电力客户渠道偏好的数据挖掘与分析方法,当模型预测结果与用户实际偏好之间发生不一致时,由一线员工进行记录和调整对应信息。
进一步的,所述管理系统中的记录和对应信息,用于训练机器学习,不断优化偏好预测。
具体的,所述的渠道偏好的预测模型,通过预测变量、描述分析和回归分析步骤来建立。
其中,所述的描述分析采用局部加权散点平均法来实现。
其所述的回归分析采用OLS回归来分析用户在各渠道的渠道使用次数。
其所述的回归分析采用logistic回归来分析用户在使用各渠道时的各类渠道偏好。
具体的,所述的聚类法包括K均值、模糊聚类或潜类分析。
本发明所述的应用于电力客户渠道偏好的数据挖掘与分析方法,可以准确识别每一位客户缴费渠道偏好,能够直接反映某地区某一种缴费渠道的实际业务需求,给实际缴费渠道的建设和规划工作提供建设性的指导意见和规划依据,为电网公司客户缴费渠道优化提供数据支撑。
与现有技术比较,本发明的优点是:
1.采用聚类分析的方法,基于用户在各渠道的缴费数据的相关属性特征发现不同的客户群,并且用缴费渠道来刻画不同客户群的特征;
2.可以准确识别每一位客户缴费渠道偏好,又能够直接反映某地区某一种缴费渠道的实际业务需求,给实际缴费渠道的建设和规划工作提供建设性的指导意见和规划依据,为电网公司客户缴费渠道优化提供数据支撑
3.可以匹配更多来源的数据(例如用户手机数据、消费数据等),以真正实现大数据分析;还适用于电力用户缴费渠道偏好之外的、其他类型业务用户偏好的分析与管理。
附图说明
图1是本发明电力客户渠道偏好的数据挖掘与分析流程方框示意图;
图2a是组内平方和WSS的碎石图;
图2b是组内平方和WSS的对数的碎石图;
图2c是最优聚类数指标为η2的碎石图;
图2d是最优聚类数的指标为PRE的碎石图;
图3是某供电公司2013-2017年用户缴费渠道偏好的变化示意图;
图4a至图4d是学历变量与四种渠道使用次数的关系示意图;
图5是渠道偏好预测模型的正确率示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
图1中,给出了本发明技术方案的流程方框示意图。
本发明的技术方案,提供了一种应用于电力客户渠道偏好的数据挖掘与分析方法,其发明点在于:
1)使用聚类分析的方法,基于用户在各渠道的缴费数据的相关属性特征发现不同的客户群,并且用缴费渠道来刻画不同客户群的特征;
2)以某年电力缴费记录数据为样本,使用聚类法,依次指定1-10个聚类,分别画出碎石图,找到最优聚类数;
3)基于匹配用户数据,分析用户渠道偏好的影响因素,并建立渠道偏好的预测模型;
4)匹配样本数据本身来对模型的预测效果进行评估,计算全部样本的预测正确率;
5)将用户的偏好分类或预测结果植入电力公司的客服管理系统,一线员工在接听电话或接受咨询时,可以通过地址信息预先判断用户的渠道偏好,更加高效地提供服务指引。
下面对本发明技术方案进行详细的说明:
一、数据基础
本技术方案主要使用了两个来源的数据,并对它们进行匹配。
一是电力公司营销系统数据。营销系统数据包括全上海约XXX万名居民用户自立户通电以来所有的缴费记录——包括应收、收费和实收三项记录。这三项记录是分别保存的,通过“户号”变量进行链接,重新构建了一个缴费记录数据。该数据能反映每个居民用户的缴费渠道与偏好,但它的局限是缺乏用户社会属性特征,很难作渠道偏好预测。
二是随机抽样社会调查数据。社会调查数据来自上海某知名高校下属的研究中心于201X年完成的对上海市常住人口具有代表性的随机入户调查。它的优势恰恰在于收集了大量的用户社会属性特征,将它与电力公司数据进行匹配,能够很好地用于偏好预测。
该调查记录了受访住户的地址信息,而电力公司营销系统数据中也有地址信息,于是可通过地址对两个数据进行匹配。匹配用户的区域分布与所有电力用户的区域分布基本相同,保证了数据分析可以推论至总体。
二、渠道偏好的分析
渠道偏好的最简单测量,是直接以某用户在某个合理时间段内(例如一年内)使用某渠道进行缴费的次数来衡量该用户对该渠道的偏好程度。它是一个连续型测量,取值为≧0的整数。但是,这种测量对各种渠道而言是并行的,在分析用户对一种渠道的偏好时,并不考虑他/她对另一种渠道的偏好。
要同时考虑用户对各种渠道的使用情况、综合判定用户的渠道偏好类型,就要对用户进行分类。
本技术方案使用聚类分析(cluster analysis)技术,基于用户在各渠道的缴费数据的相关属性特征发现不同的客户群,并且用缴费渠道来刻画不同客户群的特征。
聚类分析不同于仅通过人工标签进行分组统计的传统统计方法,它不依赖于人工标签,而是基于数据的相关属性特征及其内在关联,将一个数据集自动分成不同的类别或群组,从而呈现数据的全局分布模式。一般而言,聚类分析包括层次聚类(hierarchicalclustering)和非层次聚类(non-hierarchical clustering),其下又可细分,分别适用于不同的数据情境。
在本技术方案中,主要使用K均值聚类法(k-means clustering),它是非层次聚类分析中最常见的一种方法。该方法的原理,简单而言,是通过迭代过程将观测案例分配到具有最接近平均数的类别或群组中,而聚类相似度是利用各聚类中对象的均值所获得一个“中心点”(centroid)来计算的。至于每个观测案例与“中心点”之间的距离,是用欧几里德距离(简称欧式距离,Euclidean distance)来计算,其公式为:
式中,i和j表示两个观测案例,X1和X2表示两个连续变量。
以电力样本201X年缴费记录数据为例,使用K均值聚类法,依次指定1-10个聚类,分别画出四个碎石图(scree plot),结果见图2a至图2d。
图2a所示的碎石图表示聚类数k=1,2,……,10时分别对应的组内平方和WSS;
图2b所示的碎石图表示聚类数k=1,2,……,10时分别对应的组内平方和WSS的对数,即log(WSS);
在这两个碎石图生成的曲线中,可以找到一个转折点或扭结点(kink),这个点所对应的横轴上的聚类数就是最优聚类数。
另外两个确定最优聚类数的指标是η2和PRE,分别如图2c和图2d所示的碎石图所示。
η2表示与总平方和TSS相比聚类数k的组内平方和WSS的降低比例,PRE表示与k-1个聚类数的WSS相比k个聚类数的WSS所降低的比例。这两个指标的计算公式分别为:
可以看出,四个碎石图的含义非常一致,即5是最优聚类数。
也就是说,当把全部用户分为5类时,得到的组内平方和最小、组内平方和的下降比例最大、削减误差的比例也最大。
换言之,把全部用户分为5类,相比于把全部用户分为4类或更少、6类或更多,是最优的,能够最大程度地反映用户分类的内部一致性和外部差异性。
通过分析每年的缴费记录数据,不仅能发现当年“静态”的渠道偏好分布,也能描述每年“动态”的渠道偏好变化。
例如,图3展示了某供电公司2013-2017年用户缴费渠道偏好的变化,反映出电力用户的缴费渠道偏好从自有转向外部、从线下转向线上、从网上银行转向支付宝的阶段性变化过程。
三、渠道偏好的预测
基于匹配用户数据,就可分析用户渠道偏好的影响因素,并建立渠道偏好的预测模型。
下面首先介绍预测变量,其次介绍如何用局部加权散点平均法(LOWESS)进行描述分析,最后介绍如何用OLS和logit模型进行回归分析。
1、预测变量
由于营销系统数据缺乏用户的社会属性特征,所以,潜在的预测变量基本来自社会调查数据(只有立户时间和区域来自电力公司数据)。另外,由于电力数据是以家庭户为单位,用户的社会属性特征也就以同住家庭成员的平均值来判断。主要包括四个方面的变量:
(1)人口属性:年龄、性别、是否工作等。
(2)地位属性:学历、收入(取对数)等。
(3)住房属性:立户时间、住房产权、居住时间等。
(4)区域属性:市区或郊区。
2、描述分析:局部加权散点平均法(LOWESS)
局部加权散点平均法(locally weighted scatterplot smoothing,LOWESS)是一种非参数方法。一般来讲,两个连续变量之间的关系有时候是非常微妙的,仅仅用简单的直线或曲线参数方程模型是远远不够的,所以有必要采用非参数方法。
具体来讲,非参数方法的优势是:关于两个变量的关系探索是开放式的,不套用任何现成的数学函数;所拟合的曲线可以很好地描述变量之间的细微变化;不管多么复杂的曲线关系都能进行拟合。
局部加权散点平均法(LOWESS)的基本思想是,取一定比例的局部数据,在这部分子集中拟合多项式曲线,这样就可以观察数据在局部展现出来的规律和趋势。将局部范围从左往右依次推进,最终得出一条连续的曲线。例如,图4a至图4d中就反映出,学历越高,使用银行代扣和支付宝越多、使用银行柜台越少。
3、回归分析:OLS和logistic
回归分析是参数方法,虽然不如LOWESS这种非参数方法直观以及善于拟合任何曲线关系,但优势是考虑到了预测变量之间的相互影响,并得到每一个预测变量在排除了其他预测变量干扰后对因变量的净影响。
OLS回归,即普通最小二乘法(ordinary least square,OLS),适用于连续型因变量,在本项目中是渠道使用次数。该模型的一般表达式是:
logistic回归,适用于分类型因变量,在本项目中是五类渠道偏好:偏好电力柜台、偏好银行柜台、偏好银行代扣、偏好网上银行、偏好支付宝。它是一个多分类,理论上应该使用multinomial logistic回归。但是,考虑到结果的可读性以及与OLS模型结果进行比较的方便性,可使用binary logit模型。它将某种特定偏好编码为1,将所有其他偏好编码为0。也就是说,渠道偏好类型本来是一个五分类变量,但处理为五个二分类变量。该模型的一般表达式是:
归纳两个模型估计结果中显著的和一致的部分,用“+”表示统计上显著的正影响,用“-”表示统计上显著的负影响,可对渠道偏好进行预测。
例如,如表1显示:(1)郊区与市区用户相比,对线上渠道的偏好差不多,区别只在于,他们更多地使用电力柜台渠道,以及更少地使用银行代扣;(2)偏好柜台渠道的用户,多是老年男性、租户、低学历者;(3)偏好支付宝的用户,多是年轻人、女性、居住不稳定者;(4)偏好银行代扣的用户,多是接受了高等教育、购买了住房、居住稳定者。
表1:模型估计结果的示例
在本技术方案中,还可匹配样本数据本身来对模型的预测效果作一个评估。
如果将p>=0.5视为预测正确、将p<0.5视为预测错误(这是通行标准),可以判断每个样本到底是预测正确还是错误,最后可以计算全部样本的预测正确率。如此,得到的结果见图5。
图5给出了渠道偏好预测模型的正确率示例示意图,它显示出,五个模型的预测正确率都达到了70%以上。其中,对电力柜台、银行代扣、支付宝这三种渠道偏好的预测正确率,甚至达到了80%以上。可见,本技术方案中的渠道偏好预测模型整体效果较好。
最后需要说明的是,本技术方案中的这套数据挖掘与分析技术,具有广阔的应用前景,其发明点和适用范围至少包括以下几个方面:
(1)数据基础:
虽然目前只匹配了营销系统数据和社会调查数据,但只要时机和条件成熟,完全可以匹配更多来源的数据(例如用户手机数据、消费数据等),以真正实现大数据分析。
(2)聚类分析:
除了K均值聚类法,还可拓展至其他的聚类方法,例如模糊聚类、潜类分析等。
(3)预测模型:
预测模型可进一步调整,例如加入更多的预测变量、加入多项式、加入交互项等。同时,可以引入外部数据,对模型的预测效果进行更多的评估。
(4)系统嵌入:
可将用户的偏好分类或预测结果植入电力公司的客服管理系统,这样一线员工在接听电话或接受咨询时,可以通过地址信息预先判断用户的渠道偏好,更加高效地提供服务指引。
(5)机器学习:
当模型预测结果与用户实际偏好之间发生不一致时,可由一线员工进行记录和调整。管理系统中的这些记录和调整信息,可用于训练机器学习,不断优化偏好预测。
(6)广义场景:
所有这些数据挖掘和分析技术,还适用于电力用户缴费渠道偏好之外的、其他类型业务用户偏好的分析与管理。
本发明技术方案采用聚类分析的方法,基于用户在各渠道的缴费数据的相关属性特征发现不同的客户群,并且用缴费渠道来刻画不同客户群的特征;可以准确识别每一位客户缴费渠道偏好,又能够直接反映某地区某一种缴费渠道的实际业务需求,给实际缴费渠道的建设和规划工作提供建设性的指导意见和规划依据,为电网公司客户缴费渠道优化提供数据支撑;可以匹配更多来源的数据,以真正实现大数据分析;还适用于电力用户缴费渠道偏好之外的、其他类型业务用户偏好的分析与管理。
本发明可广泛用于电力业务用户偏好的分析与管理领域。
Claims (9)
1.一种应用于电力客户渠道偏好的数据挖掘与分析方法,其特征是:
1)使用聚类分析的方法,基于用户在各渠道的缴费数据的相关属性特征发现不同的客户群,并且用缴费渠道来刻画不同客户群的特征;
2)以某年电力缴费记录数据为样本,使用聚类法,依次指定1-10个聚类,分别画出碎石图,找到最优聚类数;
3)基于匹配用户数据,分析用户渠道偏好的影响因素,并建立渠道偏好的预测模型;
4)匹配样本数据本身来对模型的预测效果进行评估,计算全部样本的预测正确率;
5)将用户的偏好分类或预测结果植入电力公司的管理系统,一线员工在接听电话或接受咨询时,可以通过地址信息预先判断用户的渠道偏好,更加高效地提供服务指引。
2.按照权利要求1所述的应用于电力客户渠道偏好的数据挖掘与分析方法,其特征是所述应用于电力客户渠道偏好的数据挖掘与分析方法,当模型预测结果与用户实际偏好之间发生不一致时,由一线员工进行记录和调整对应信息。
3.按照权利要求2所述的应用于电力客户渠道偏好的数据挖掘与分析方法,其特征是所述管理系统中的记录和对应信息,用于训练机器学习,不断优化偏好预测。
4.按照权利要求1所述的应用于电力客户渠道偏好的数据挖掘与分析方法,其特征是所述的渠道偏好的预测模型,通过预测变量、描述分析和回归分析步骤来建立。
5.按照权利要求4所述的应用于电力客户渠道偏好的数据挖掘与分析方法,其特征是所述的描述分析采用局部加权散点平均法来实现。
6.按照权利要求4所述的应用于电力客户渠道偏好的数据挖掘与分析方法,其特征是所述的回归分析采用OLS回归来分析用户在各渠道的渠道使用次数。
7.按照权利要求4所述的应用于电力客户渠道偏好的数据挖掘与分析方法,其特征是所述的回归分析采用logistic回归来分析用户在使用各渠道时的各类渠道偏好。
8.按照权利要求1所述的应用于电力客户渠道偏好的数据挖掘与分析方法,其特征是所述的聚类法包括K均值、模糊聚类或潜类分析。
9.按照权利要求1所述的应用于电力客户渠道偏好的数据挖掘与分析方法,其特征是所述的应用于电力客户渠道偏好的数据挖掘与分析方法,可以准确识别每一位客户缴费渠道偏好,能够直接反映某地区某一种缴费渠道的实际业务需求,给实际缴费渠道的建设和规划工作提供建设性的指导意见和规划依据,为电网公司客户缴费渠道优化提供数据支撑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811420645.5A CN111221868A (zh) | 2018-11-26 | 2018-11-26 | 一种应用于电力客户渠道偏好的数据挖掘与分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811420645.5A CN111221868A (zh) | 2018-11-26 | 2018-11-26 | 一种应用于电力客户渠道偏好的数据挖掘与分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111221868A true CN111221868A (zh) | 2020-06-02 |
Family
ID=70825658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811420645.5A Pending CN111221868A (zh) | 2018-11-26 | 2018-11-26 | 一种应用于电力客户渠道偏好的数据挖掘与分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111221868A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111124A (zh) * | 2019-03-21 | 2019-08-09 | 贵州电网有限责任公司 | 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 |
CN111666304A (zh) * | 2020-06-04 | 2020-09-15 | 泰康保险集团股份有限公司 | 数据处理装置、数据处理方法、存储介质与电子设备 |
CN112381295A (zh) * | 2020-11-13 | 2021-02-19 | 深圳供电局有限公司 | 一种基于用电行为偏好的居民用电提醒方法及系统 |
CN112990721A (zh) * | 2021-03-24 | 2021-06-18 | 山西大学 | 一种基于缴费行为的电力用户价值分析方法及系统 |
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 (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140067518A1 (en) * | 2012-08-31 | 2014-03-06 | Accenture Global Services Limited | Multi-channel marketing attribution analytics |
CN105260815A (zh) * | 2015-09-18 | 2016-01-20 | 国网辽宁省电力有限公司鞍山供电公司 | 基于大数据的电力系统缴费渠道评价方法 |
CN106651424A (zh) * | 2016-09-28 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 基于大数据技术的电力用户画像建立与分析方法 |
CN106650763A (zh) * | 2016-07-05 | 2017-05-10 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种电力缴费渠道分析的指标选择、权值优化与渠道规划的计算方法 |
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 |
CN106846163A (zh) * | 2016-07-05 | 2017-06-13 | 国网内蒙古东部电力有限公司 | 一种电力缴费渠道综合分析系统 |
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 |
-
2018
- 2018-11-26 CN CN201811420645.5A patent/CN111221868A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140067518A1 (en) * | 2012-08-31 | 2014-03-06 | Accenture Global Services Limited | Multi-channel marketing attribution analytics |
CN105260815A (zh) * | 2015-09-18 | 2016-01-20 | 国网辽宁省电力有限公司鞍山供电公司 | 基于大数据的电力系统缴费渠道评价方法 |
CN106650763A (zh) * | 2016-07-05 | 2017-05-10 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种电力缴费渠道分析的指标选择、权值优化与渠道规划的计算方法 |
CN106846163A (zh) * | 2016-07-05 | 2017-06-13 | 国网内蒙古东部电力有限公司 | 一种电力缴费渠道综合分析系统 |
CN106651424A (zh) * | 2016-09-28 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 基于大数据技术的电力用户画像建立与分析方法 |
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 |
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 |
Non-Patent Citations (2)
Title |
---|
陆伟伟;刘解放;霍尧;于晨;王士同;: "基于模糊聚类的用电客户交费渠道偏好研究" * |
饶克金: "基于logistic回归模型的 客户渠道偏好分析" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111124A (zh) * | 2019-03-21 | 2019-08-09 | 贵州电网有限责任公司 | 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 |
CN111666304A (zh) * | 2020-06-04 | 2020-09-15 | 泰康保险集团股份有限公司 | 数据处理装置、数据处理方法、存储介质与电子设备 |
CN112381295A (zh) * | 2020-11-13 | 2021-02-19 | 深圳供电局有限公司 | 一种基于用电行为偏好的居民用电提醒方法及系统 |
CN112990721A (zh) * | 2021-03-24 | 2021-06-18 | 山西大学 | 一种基于缴费行为的电力用户价值分析方法及系统 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111221868A (zh) | 一种应用于电力客户渠道偏好的数据挖掘与分析方法 | |
Yan et al. | Measuring technological distance for patent mapping | |
CN106651424B (zh) | 基于大数据技术的电力用户画像建立与分析方法 | |
Zimmer et al. | Family size and support of older adults in urban and rural China: Current effects and future implications | |
Cominola et al. | Long-term water conservation is fostered by smart meter-based feedback and digital user engagement | |
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 | |
Wu et al. | Financial fraud risk analysis based on audit information knowledge graph | |
Qiu et al. | Clustering Analysis for Silent Telecom Customers Based on K-means++ | |
Xu et al. | Novel key indicators selection method of financial fraud prediction model based on machine learning hybrid mode | |
Justo et al. | Behavioral similarity of residential customers using a neural network based on adaptive resonance theory | |
Fan et al. | Improved ML-based technique for credit card scoring in internet financial risk control | |
CN113435627A (zh) | 基于工单轨迹信息的电力客户投诉预测方法及装置 | |
Sun et al. | Using improved RFM model to classify consumer in big data environment | |
Pohlig | Unemployment sequences and the risk of poverty: From counting duration to contextualizing sequences | |
CN105447117A (zh) | 一种用户聚类的方法和装置 | |
Shekarian | A novel application of the VIKOR method for investigating the effect of education on housing choice | |
Melian et al. | Customer churn prediction in telecommunication industry. A data analysis techniques approach | |
He et al. | Multi-dimensional boundary effects and regional economic integration: Evidence from the Yangtze River Economic Belt | |
Long | Analysis of Insurance Marketing Planning Based on BD-Guided Decision Tree Classification Algorithm | |
CN107844874A (zh) | 企业营运问题分析系统及其方法 | |
Wang et al. | Computer supported data-driven decisions for service personalization: a variable-scale clustering method | |
CN115239106A (zh) | 一种基于一卡通大数据的分析方法 | |
Coulter | Are younger adults becoming less residentially mobile? A decomposition analysis of British trends, 1997–2019 | |
Sun et al. | Profitable retail customer identification based on a combined prediction strategy of customer lifetime value | |
Yang | The research of improved Apriori mining algorithm in bank customer segmentation |
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 |