CN113139868A - 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 - Google Patents

Abstract

本发明提供了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。本发明通过构建区域客户潜力挖掘的评估维度，建立区域潜力客户挖掘每个评估维度的细分指标；通过筛选数据确定建模对象，通过采用K‑means算法进行分析，根据分析结果形成潜力客户名单。本发明能够有效地对企业的贷款风险评估提供有力的数据支撑，能够有效地克服算法本身对初始值的敏感和易陷入局部最优解的问题。

Description

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

技术领域

本发明涉及电力领域，具体涉及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。

背景技术

企业生产经营状态往往与用电数据息息相关，在很大程度能够直接反映企业的财务运营状况。因此，借助电力大数据，选取恰当的指标并构建区域潜力客户挖掘模型，对所属区域内的生产经营企业进行分析，能够有效对用电客户的信用及贷款潜力进行分析进而挖掘区域内潜在优质客户资源，为银行拓展高品质客户提供渠道，也为借贷双方搭建了沟通的桥梁。其中，区域潜力用户是指在所辖区域具备一定资产基础、运营相对平稳、有较大的发展潜力且有一定市场前景和信用度的用电企业客户。因此，基于电力视角，本次建模所要分析挖掘的潜力客户为存续时间三年及三年以上，用电量较大且呈较为明显的增长趋势，存在增容意愿，电费缴纳及时，无违法违规用电行为的中小微企业。

K-Means算法以效果较好、思想简单的优点，在各行各业中得到了广泛的应用。因此，采用K-Means算法对区域潜力客户的用电数据进行分析挖掘。然而，现有技术中对于客户价值和潜力评价的维度大都过于单一，缺乏全面性和一定的适用性。并且，不同行业、不同企业对客户价值衡量标准存在差异，导致了衡量标准的可解释性被限制在某个特定范围。

发明内容

为解决现有技术存在的问题，本发明提供了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。为实现本发明的目的，本发明的技术方案如下。

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包括：

构建区域客户潜力挖掘的评估维度；

建立区域潜力客户挖掘每个评估维度的细分指标；

通过筛选数据确定建模对象；

通过采用K-means算法进行分析，根据分析结果形成潜力客户名单。

优选的，构建区域客户潜力挖掘的评估维度：企业基础实力、企业增长潜力及企业用电诚信。

优选的，建立区域潜力客户挖掘每个评估维度的细分指标，包括：

企业基础实力维度由用电量和日负荷率两个指标来表示：

企业增长潜力维度由用电增长率和高压增容次数来表征：

企业用电诚信维度由电费缴纳比率及违法用电行为来体现：

违法用电行为由对象企业在特定时间段违法用电行为的发生次数表示。

优选的，通过筛选数据确定建模对象时包括以下因素：用电量、用电支出占总成本支出的比例、企业存续时间。

优选的，通过采用K-means算法进行分析，根据分析结果形成潜力客户名单包括：

数据导入，根据所选择的分析变量，将经过处理的挖掘数据组合形成的一个记录表；

细分变量，筛选用于细分的变量并用因子分析方法对变量组进行降维处理，形成有代表性的变量；

选择基于K-means算法的聚类分析方法对细分变量进行挖掘；

数据挖掘，根据所选择的细分变量和分析方法进行数据挖掘并显示结果；

结果描述，分析细分结果并对细分出的不同类型客户进行描述；

优选的，基于K-means算法的聚类分析方法对细分变量进行挖掘包括：

(1)从数据中随机挑选k个样本点作为原始的簇中心；

(2)计算余下的样本与簇中心的距离，并把各样本标记为距离k个簇中心最近的类别；

(3)重新计算各簇中样本点的均值，并以均值作为新的k个簇中心；

(4)不断重复第(2)和(3)步，直到簇中心的变化趋于稳定，形成最终的k个簇。

优选的，对细分出的不同类型客户进行描述包括：

根据实力、潜力以及信用三个维度，划分为高、中、低三个程度，基于分析结果对客户进行分类，形成详细客户分类。

相对于现有技术，本发明的有益技术效果在于：本发明通过构建区域客户潜力挖掘的评估维度，建立区域潜力客户挖掘每个评估维度的细分指标；通过筛选数据确定建模对象，通过采用K-means算法进行分析，根据分析结果形成潜力客户名单。本发明能够有效地对企业的贷款风险评估提供有力的数据支撑，能够有效地克服算法本身对初始值的敏感和易陷入局部最优解的问题。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。

示例性的，本实施例提供了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包括：

第一步：基于现有的客户生命周期的价值评估方法，结合电力数据特性，构建符合电力视角特点的区域客户潜力挖掘的指标体系，如表1所示，采用的无监督学习的K-means聚类算法对区域潜力客户进行分类；

第二步：遵循指标必须有机配合、真实可靠性、尽量精简等原则，通过对企业基础实力、企业增长潜力及企业用电诚信三个纬度进行细分，进一步建立区域潜力客户挖掘模型的细分指标，如表1所示。

第三步：通过筛选数据确定建模对象，抽取相应数据并进行预处理。

第四步：模型实现部分，通过采用K-means算法对导入的数据进行分析挖掘，根据分析结果进行描述。

第五步：基于分析结果对详细客户进行分类，形成潜力客户名单，可制定精准营销策略。

进一步，在第一步中，具体的区域客户潜力挖掘指标体系构建中包括：

企业基础实力维度主要关注企业当前的经济能力和价值；

企业增长潜力维度主要关注企业的未来发展前景及潜在需求；

企业用电诚信维度主要关注企业经营是否合法合规，明确企业的信用价值。

进一步，在第二步中，维度指标细分的原则及具体指标包括：

指标设计的原则具体有指标间需相对独立、指标需有依据且真实可靠以及指标需精简并有一定代表性；

企业基础实力维度由用电量和日负荷率两个指标来刻画：

企业增长潜力维度由用电增长率和高压增容次数来表征：

企业用电诚信维度由电费缴纳比率及违法用电行为来体现：

违法用电行为由对象企业在特定时间段违法用电行为的发生次数表示；

表1区域潜力客户挖掘模型细分指标

由于企业发生拒缴电费和违法用电的比率较低，因此企业用电诚信维度的电费缴纳比率和违法用电行为两个指标仅作为筛选指标，并不纳入聚类计算过程；

进一步，在第三步的所述数据筛选、数据抽取及预处理的工作具体包括：

步骤3.1根据行业特性以及企业贷款要求，对建模对象进行筛选，最终确定建模对象为存续时间三年及三年以上，处于用电量相对较大，占重要成本支出行业的中小微企业，其中，样本对象确定过程如下：

其一，由于大型企业资本雄厚，信誉卓著，且银行对大型企业放贷也有充足的真实数据作为判断依据，基本上不存在贷款难的问题。但是中小微企业这方面的问题相对而言比较突出，因此本次建模挖掘的对象为中小微企业。

其二，以国家行业划分标准来看，并非每个行业的企业用电量都能很好的反映企业的生产经营状况，其主要作用在用电量相对较大且为重要成本支出的行业。因此本次挖掘建模的对象为用电量相对较大且为重要成本支出的行业，例如制造业、服务业等。

其三，由于银行对于中小微企业贷款具有一定的要求，因此基于这些要求，本次建模的对象为企业存续时间为三年以上的中小微企业。

抽取的数据须具有一定的代表性并不影响业务系统的性能；

步骤3.2数据的预处理，需对受量纲影响的指标数据进行无量纲化处理，对存在和缺失值的数据采用插值法等方法进行处理或补齐；

进一步，在第四步中，所述的数据导入、数据挖掘以及结果描述的具体工作包括：

步骤4.1数据导入，根据所选择的分析变量，将经过处理的挖掘数据组合形成的一个记录表，即宽表；

步骤4.2细分变量，筛选用于细分的变量并用因子分析方法对变量组进行降维处理，形成有代表性的少数变量，即因子；

步骤4.3选择分析方法，选择基于K-means算法的聚类分析方法进一步对细分变量进行挖掘，分类过程如下；

(1)从数据中随机挑选k个样本点作为原始的簇中心；

(2)计算余下的样本与簇中心的距离，并把各样本标记为距离k个簇中心最近的类别；

(3)重新计算各簇中样本点的均值，并以均值作为新的k个簇中心；

(4)不断重复第(2)和(3)步，直到簇中心的变化趋于稳定，形成最终的k个簇。

步骤4.4数据挖掘，根据所选择的细分变量和分析方法进行数据挖掘并显示结果。

步骤4.5结果描述，分析细分结果并对细分出的不同类型客户进行描述。

进一步，在第五步中，所述的客户分类包括：

根据实力、潜力以及信用三个维度，各维度划分为高、中、低三个程度，再基于分析结果对客户进行分类，形成如高实力高潜力高信用、高实力一般潜力低信用等详细客户分类；

针对客户分类结果，制定精准营销策略。如针对基础实力高、成长空间大、用电信用好的企业，形成区域潜力客户名单，为首选目标客户，实力高、信用好、低潜力的客户要积极争取。

本发明的从电力大数据视角出发，面向金融机构，构建较为完整、合理的潜力客户挖掘模型，合理、准确地评价区域内企业客户价值及潜力。本发明的电力数据范围涉及各行各业，在很大程度上降低甚至摆脱行业局限性。本发明用电数据能够较为精确地反映企业的经营情况。因此，通过用电数据对客户价值及潜力进行衡量，能够有效地对企业的贷款风险评估提供有力的数据支撑。本发明将客户从实力、潜力以及信用三个维度的不同程度进行分类组合，形成不同类别的客户名单。本发明采用的是改进优化后的K-means算法，能够有效地克服算法本身对初始值的敏感和易陷入局部最优解的问题。

以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种基于用电大数据的客户信用评价及贷款潜力分析方法，其特征在于，包括：

构建区域客户潜力挖掘的评估维度；

建立区域潜力客户挖掘每个评估维度的细分指标；

通过筛选数据确定建模对象；

通过采用K-means算法进行分析，根据分析结果形成潜力客户名单。

2.根据权利要求1所述的基于用电大数据的客户信用评价及贷款潜力分析方法，其特征在于，构建区域客户潜力挖掘的评估维度：

企业基础实力、企业增长潜力及企业用电诚信。

3.根据权利要求2所述的基于用电大数据的客户信用评价及贷款潜力分析方法，其特征在于，建立区域潜力客户挖掘每个评估维度的细分指标，包括：

企业基础实力维度由用电量和日负荷率两个指标来表示：

企业增长潜力维度由用电增长率和高压增容次数来表征：

企业用电诚信维度由电费缴纳比率及违法用电行为来体现：

违法用电行为由对象企业在特定时间段违法用电行为的发生次数表示。

4.根据权利要求1-3任一所述的基于用电大数据的客户信用评价及贷款潜力分析方法，其特征在于，通过筛选数据确定建模对象时包括以下因素：用电量、用电支出占总成本支出的比例、企业存续时间。

5.根据权利要求4所述的基于用电大数据的客户信用评价及贷款潜力分析方法，其特征在于，通过采用K-means算法进行分析，根据分析结果形成潜力客户名单包括：

数据导入，根据所选择的分析变量，将经过处理的挖掘数据组合形成的一个记录表；

细分变量，筛选用于细分的变量并用因子分析方法对变量组进行降维处理，形成有代表性的变量；

选择基于K-means算法的聚类分析方法对细分变量进行挖掘；

数据挖掘，根据所选择的细分变量和分析方法进行数据挖掘并显示结果；

结果描述，分析细分结果并对细分出的不同类型客户进行描述。

6.根据权利要求5所述的基于用电大数据的客户信用评价及贷款潜力分析方法，其特征在于，基于K-means算法的聚类分析方法对细分变量进行挖掘包括：

(1)从数据中随机挑选k个样本点作为原始的簇中心；

(2)计算余下的样本与簇中心的距离，并把各样本标记为距离k个簇中心最近的类别；

(3)重新计算各簇中样本点的均值，并以均值作为新的k个簇中心；

(4)不断重复第(2)和(3)步，直到簇中心的变化趋于稳定，形成最终的k个簇。

7.根据权利要求6所述的基于用电大数据的客户信用评价及贷款潜力分析方法，其特征在于，对细分出的不同类型客户进行描述包括：

根据实力、潜力以及信用三个维度，划分为高、中、低三个程度，基于分析结果对客户进行分类，形成详细客户分类。