CN113450004A - 电力信用报告生成方法、装置、电子设备及可读存储介质 - Google Patents
电力信用报告生成方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN113450004A CN113450004A CN202110750763.8A CN202110750763A CN113450004A CN 113450004 A CN113450004 A CN 113450004A CN 202110750763 A CN202110750763 A CN 202110750763A CN 113450004 A CN113450004 A CN 113450004A
- Authority
- CN
- China
- Prior art keywords
- power
- credit
- enterprise
- evaluation
- analysis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 136
- 238000004458 analytical method Methods 0.000 claims abstract description 64
- 238000011835 investigation Methods 0.000 claims description 81
- 230000005611 electricity Effects 0.000 claims description 46
- 238000007405 data analysis Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000011161 development Methods 0.000 claims description 16
- 238000004445 quantitative analysis Methods 0.000 claims description 15
- 230000010354 integration Effects 0.000 claims description 10
- 230000033228 biological regulation Effects 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 20
- 230000006399 behavior Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000007477 logistic regression Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000004451 qualitative analysis Methods 0.000 description 8
- 239000000306 component Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000001537 electron coincidence spectroscopy Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 206010037180 Psychiatric symptoms Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000005284 basis set Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000001376 precipitating effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电力信用报告生成方法、装置、电子设备及可读存储介质,其中方法包括:基于企业电力用户在多个数据中台产生的用电数据信息,计算所述企业电力用户的电力征信评估指标值;基于所述电力征信评估指标值,采用主观评价加客观评价的方式,分析所述企业电力用户的用电信用,并基于所述分析的结果,按照预设模板,生成针对所述企业电力用户的电力信用报告。本发明通过构建有效的电力信用评价体系,采用主客观评价结合的方式,自动综合分析多个数据中台的电力信用并生成信用报告,能够有效提高信息获取效率,且能更直观的展示电力用户的真实用电信用情况,从而可以更好的服务于企业的各项信用相关业务。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种电力信用报告生成方法、装置、电子设备及可读存储介质。
背景技术
现代企业信用不仅应用于信贷信用,还广泛应用在生产和经营的质量信用、服务道德信用、信息信用、卫生环保信用等诸多方面。企业用电数据具有反映生产经营能力与潜力的优势,但是目前在办理用户用电信用相关的业务时,需要到不同的相关数据平台分别获取征信信息,再进行综合评估,重复性强,效率低。
发明内容
本发明提供一种电力信用报告生成方法、装置、电子设备及可读存储介质,用以解决现有技术效率低等问题的缺陷,实现有效提高效率的目标。
本发明提供一种电力信用报告生成方法,包括:
基于企业电力用户在多个数据中台产生的用电数据信息,计算所述企业电力用户的电力征信评估指标值;
基于所述电力征信评估指标值,采用主观评价加客观评价的方式,分析所述企业电力用户的用电信用,并基于所述分析的结果,按照预设模板,生成针对所述企业电力用户的电力信用报告。
本发明还提供一种电力信用报告生成装置,包括:
计算模块,用于基于企业电力用户在多个数据中台产生的用电数据信息,计算所述企业电力用户的电力征信评估指标值;
报告生成模块,用于基于所述电力征信评估指标值,采用主观评价加客观评价的方式,分析所述企业电力用户的用电信用,并基于所述分析的结果,按照预设模板,生成针对所述企业电力用户的电力信用报告。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述处理器执行所述程序或指令时,实现如上述任一种所述的电力信用报告生成方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有程序或指令,所述程序或指令被计算机执行时,实现如上述任一种所述的电力信用报告生成方法的步骤。
本发明提供的电力信用报告生成方法、装置、电子设备及可读存储介质,通过构建有效的电力信用评价体系,采用主客观评价结合的方式,自动综合分析多个数据中台的电力信用并生成信用报告,能够有效提高信息获取效率,且能更直观的展示电力用户的真实用电信用情况,从而可以更好的服务于企业的各项信用相关业务。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对本发明实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的电力信用报告生成方法的流程示意图;
图2为根据本发明提供的电力信用报告生成方法中设置的数据分析基础的构成示意图;
图3为根据本发明提供的电力信用报告生成方法中构建企业电力征信大数据分析整体技术框架的示意图;
图4为根据本发明提供的电力信用报告生成方法中分层大数据分析仓库的结构示意图;
图5为根据本发明提供的电力信用报告生成方法中基于数据中台的征信大数据接入及计算存储过程示意图;
图6为根据本发明提供的电力信用报告生成方法中企业征信大数据应用集成架构的结构示意图;
图7为根据本发明提供的电力信用报告生成方法中信息价值大于0.1的指标示意图;
图8为根据本发明提供的电力信用报告生成方法中用电费趋势波形示意图;
图9为根据本发明提供的电力信用报告生成方法中用电波动曲线示意图;
图10为本发明提供的电力信用报告生成装置的结构示意图;
图11为本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明针对现有技术效率低等的问题,通过构建有效的电力信用评价体系,采用主客观评价结合的方式,自动综合分析多个数据中台的电力信用并生成信用报告,能够有效提高信息获取效率,且能更直观的展示电力用户的真实用电信用情况,从而可以更好的服务于企业的各项信用相关业务。以下将结合附图,具体通过多个实施例对本发明进行展开说明和介绍。
图1为本发明提供的电力信用报告生成方法的流程示意图,如图1所示,该方法包括:
S101,基于企业电力用户在多个数据中台产生的用电数据信息,计算所述企业电力用户的电力征信评估指标值。
可以理解为,本发明采用互联网与大数据技术,挖掘电力数据的价值,即对于待进行分析的企业电力用户,通过互联网与大数据获取其在多个数据中台相关的用电数据信息。之后,根据获取的用电数据信息,计算预确定的多个电力征信评估指标分别对应的值,也即电力征信评估指标值。
其中,数据中台是对各业务单元业务与数据的沉淀,构建包括数据技术、数据治理、数据运营等数据建设、管理及使用体系,实现数据赋能。本发明中数据中台是与电力用户用电信息相关的数据平台。
S102,基于所述电力征信评估指标值,采用主观评价加客观评价的方式,分析所述企业电力用户的用电信用,并基于所述分析的结果,按照预设模板,生成针对所述企业电力用户的电力信用报告。
可以理解为,在确定企业电力用户的电力征信评估指标值的基础上,基于该电力征信评估指标值来分析并确定企业电力用户的用电信用的高低或好差等。例如,可以从用户用电缴费情况、经营能力评价和/或发展潜力评价等维度,来分析企业用电信用的好或差的情况。之后,根据分析的结果,生成对应的报告文档以将分析结果进行可视化展示。其中的报告文档可称为是电力信用报告。
本发明提供的电力信用报告生成方法,通过构建有效的电力信用评价体系,采用主客观评价结合的方式,自动综合分析多个数据中台的电力信用并生成信用报告,能够有效提高信息获取效率,且能更直观的展示电力用户的真实用电信用情况,从而可以更好的服务于企业的各项信用相关业务。
进一步的,本发明的电力信用报告生成方法还包括如下操作中至少之一:构建企业电力征信大数据分析仓库,并基于所述企业电力征信大数据分析仓库,获取所述企业电力用户的用电数据信息;构建企业电力征信综合评估指标体系;构建基于主观评价和客观评价的企业征信评估分析模型。
可以理解为,在对企业电力用户的用电数据信息进行分析之前,本发明还可以对获取企业电力用户的用电数据信息的软硬件基础、评价的依据和分析采用的分析模型等中的一个或者多个进行设置和构建。
具体在构建用电数据信息的软硬件基础时,可以通过构建企业电力征信大数据分析仓库来实现,而评价依据方面可以通过构建企业电力征信综合评估指标体系来确定评价的中间变量。此外,分析采用的分析模型可以为基于主观评价和客观评价的企业征信评估分析模型。
具体而言,如图2所示,为根据本发明提供的电力信用报告生成方法中设置的数据分析基础的构成示意图,包括:企业电力征信大数据分析仓库、企业电力征信综合评估指标体系和企业征信评估模型。
本发明在构建企业电力征信大数据分析仓库时,应用大数据技术对内部客户基本信息、用电量信息、缴费信息、违窃用电行为信息、停复电信息、业扩变更信息和用户负荷信息等企业客户数据,融合外部设定区域生产总值、气象等关联数据,构建融合内外部数据的多源企业用电信用评估分析库,见图2中①部分。
在构建企业电力征信综合评估指标体系时,采用信用5C分析法,从道德品质(Character)、还款能力(Capacity)、资本实力(Capital)、担保(Collateral)和经营环境条件(Condition)对照挖掘电力数据的优势和价值,从基本属性、用电缴费、经营能力、发展潜力、电力法规五个方面,融合内部外数据,创新规划设计多个评价指标,科学构建目标区域企业电力征信综合评估指标体系,见图2中②部分。
其中,5C分析法对客户做信用风险分析时所采用的专家分析法之一,主要集中在客户的道德品质(Character)、还款能力(Capacity)、资本实力(Capital)、担保(Collateral)和经营环境条件(Condition)五个方面进行全面的定性分析以判别客户的支付意愿和支付能力。
在构建企业征信评估模型时,优选AHP层次分析法以及逻辑回归算法等大数据技术,创新构建企业征信评估模型,科学评估企业生产经营状况、在所属行业中的生产经营能力、发展潜力、用电趋势等,见图2中③部分。可服务于中小微企业、金融机构等,用于推动普惠金融服务发展,推动公司提升客户价值挖掘识别能力,提出差异化服务建议,提升公司市场竞争能力留住客户等。
其中,根据上述各实施例提供的电力信用报告生成方法可选地,所述构建企业电力征信大数据分析仓库,包括:确定企业电力征信大数据所需的数据中台的物理资源,并确定所述数据中台的相关组件,构建企业电力征信大数据分析的技术框架支撑;构建分层的大数据分析模型,并确定基于所述数据中台的征信大数据接入与计算存储实现逻辑;搭建企业征信大数据应用集成架构,并基于所述物理资源、所述相关组件、所述技术框架支撑、所述大数据分析模型和所述实现逻辑,通过所述应用集成框架集成所述企业电力用户的内外部相关用电数据,构建所述企业电力征信大数据分析仓库。
可以理解为,在进行企业电力征信大数据分析仓库构建时,可以对企业电力征信大数据所需的数据中台的物理资源、相关组件与支撑、模型和数据接入、计算存储过程等方面,分别进行配置与构建。具体的,包括以下内容:
1)企业电力征信大数据所需的数据中台的物理资源:系统部署在公司数据中台,实施采用企业统一云平台提供的服务接口和数据存储服务,申请数据中台资源在4台ECS上分别部署poseidon平台(微服务平台,提供4A安全、组织架构、配置中心等服务),在2台ECS上部署模型应用服务,在2台ECS上部署SFTP文件服务器,在2个RDS分别作为多个独立应用的数据存储数据库,利用云平台的存储资源进行数据存储,并利用1个MaxCompute大数据计算服务进行弹性进算。如表1所示,为根据本发明的电力信用报告生成方法中数据中台的物理资源示例表。
表1,根据本发明的电力信用报告生成方法中数据中台的物理资源示例表
2)应用的数据中台相关组件与支撑:如图3所示,为根据本发明提供的电力信用报告生成方法中构建企业电力征信大数据分析整体技术框架的示意图,具体基于给定网络数据中台应用数据总线(DataHub)、数据复制(DTS)、大数据计算服务(MaxCompute)、分布式关系型数据库服务(DRDS)、分布式列式数据库(OTS)、流计算引擎(BLINK)及数据开发管理平台(Dataworks)等核心组件,开展数据接入、数据计算存储等核心数据计算工作,构建企业电力征信大数据分析整体技术框架。
3)分层的大数据模型设计:应用大数据技术对内部客户基本信息、用电量信息、缴费信息、违窃用电行为信息、停复电信息、业扩变更信息、用户负荷信息等共计11大类数据61张数据库表抽取2019-2020年两年企业客户数据,融合外部北京地区生产总值、气象等关联数据,构建融合内外部数据的多源企业用电信用评估分析库如图4所示,为根据本发明提供的电力信用报告生成方法中分层大数据分析仓库的结构示意图。本发明采用星型模型进行数据仓库的维度建模,并将模型逻辑分为数据贴源层(ODS)、数据公共层(CDM)、应用数据层(ADS),构建分层大数据分析仓库。
4)基于数据中台的征信大数据接入及计算存储过程如图5所示,为根据本发明提供的电力信用报告生成方法中基于数据中台的征信大数据接入及计算存储过程示意图,包括以下内容:
a)结构化数据全量:使用ETL(Dataworks DI)把全量数据接入到贴源层MaxCompute,经过数据清洗、治理、建模、分析后进入到数据集市ADS/DRDS层。
b)结构化数据增量:OGG/DTS采集增量,通过DataHub总线把数据接入到贴源层。如果增量数据需要计算后接入贴源层,则需要接入Blink进行分析计算,计算结果再次回注到DataHub总线,通过总线写入到贴源层MaxCompute。
c)非结构化文件:图片/视频通过Agent/业务系统主动推送等方式获得文件,使用OSS SDK写入到OSS,自定义程序实现对非结构化数据的元数据进行抽取并分析输出结构化结构,非结构化文件的结构化后的结果通过DataHub总线完成后续的入库操作
5)企业征信大数据应用集成架构如图6所示,为根据本发明提供的电力信用报告生成方法中企业征信大数据应用集成架构的结构示意图,通过集成数据中台获取公司内部数据,通过线下导入的方式接入外部数据,通过企业征信文件服务器,将征信模型结果数据上传到文件服务器,通过合作金融机构的专线交互文件实现征信相关数据、报告共享。
其中,根据上述各实施例提供的电力信用报告生成方法可选地,所述构建企业电力征信综合评估指标体系,包括:采用信用5C分析法,融合所述企业电力用户在基本属性方面、用电缴费方面、经营能力方面、发展潜力方面和电力法规方面的内外部相关用电数据,构建所述企业电力征信综合评估指标体系。
可以理解为,本发明采用信用5C分析法,从道德品质(Character)、还款能力(Capacity)、资本实力(Capital)、担保(Collateral)和经营环境条件(Condition)对照挖掘电力数据的优势和价值,从基本属性、用电缴费、经营能力、发展潜力、电力法规五个方面,融合内部外数据,创新规划设计52个评价指标,科学构建企业电力征信综合评估指标体系。如表2所示,为根据本发明的企业信用评价指标体系示例表。
表2,根据本发明的企业信用评价指标体系示例表
其中,根据上述各实施例提供的电力信用报告生成方法可选地,所述构建基于主观评价和客观评价的企业征信评估分析模型,包括:确定所述主观评价的实现逻辑和所述客观评价的实现逻辑,并基于所述主观评价的实现逻辑和所述客观评价的实现逻辑,构建所述企业征信评估分析模型。
其中,确定所述主观评价的实现逻辑包括:建立层次结构模型,并基于所述层次结构模型,构造成对比较阵;对于每个所述成对比较阵,计算权向量并做一致性检验,并基于校验后的权向量,计算组合权向量并做组合一致性检验;归一化处理校验后的组合权向量,获取各所述电力征信评估指标值的权重系数,并基于所述权重系数和所述电力征信评估指标值,计算所述企业电力用户的主观评价结果。
可以理解为,本发明在对用户用电信用进行分析和评估时,采用主客观结合的分析方式,即分别建立主观模型或实现逻辑和客观模型或实现逻辑,再通过综合主观分析和客观分析结果,确定整体分析模型,实现对用户用电数据的主客观分析。其中,主观分析与评价实现逻辑包括以下内容:
a)首先,建立层次结构模型。在深入分析实际问题的基础上,将有关的各个因素按照不同属性自上而下地分解成若干层次,同一层的诸因素从属于上一层的因素或对上层因素有影响,同时又支配下一层的因素或受到下层因素的作用。最上层为目标层,最下层为对象层。
b)其次,构造成对比较阵。从层次结构模型的第2层开始,对于从属于(或影响)上一层每个因素的同一层诸因素,用成对比较法和1—9比较尺度构造成对比较阵,直到最下层。
c)再次,计算权向量并做一致性检验。对于每一个成对比较阵计算最大特征根及对应特征向量,利用一致性指标、随机一致性指标和一致性比率做一致性检验。若检验通过,特征向量(归一化后)即为权向量:若不通过,需重新构造成对比较阵。
d)然后,计算组合权向量并做组合一致性检验。计算最下层对目标的组合权向量,并对组合权向量做组合一致性检验,若检验通过,则可按照组合权向量表示的结果进行决策,否则需要重新考虑模型或重新构造一致性比率较大的成对比较阵。其中,可以按照现有层次分析法中对组合权向量的组合一致性校验方式,对本发明的组合权向量做组合一致性校验。
e)再然后,确定电力信用指标权重。通过一致性检验后,对权向量做归一化处理,得到各指标的权重。
f)最后,计算主观分析电力信用。对电力信用指标进行加权求和后乘以信用区间(1000分为满分),得到用电企业的信用初步得分。
其中,违约失信定性系数调优可按表3所示,为根据本发明的违约失信定性系数调优示例表。
表3,根据本发明的违约失信定性系数调优示例表
逾期次数 | 定性系数 |
1 | 0.9 |
2 | 0.8 |
3 | 0.7 |
4 | 0.6 |
>=5 | 0.5 |
可选的,在上述处理的基础上,还可以统计行业信用平均分,即对同一行业下所有用电企业信用分求均值,作为行业信用平均分。
其中,根据上述各实施例提供的电力信用报告生成方法可选地,确定所述客观评价的实现逻辑,包括:确定所述成对比较阵对应的每个特征的最优分组,并计算所述最优分组中所述特征的信息价值;基于所述信息价值,确定所述特征中满足预设条件的特征作为定量分析指标,并基于所述定量分析指标,确定核心分析指标;基于所述核心分析指标,计算所述企业电力用户的客观评价结果。
可以理解为,本发明在进行用户用电数据信息的客观分析评价逻辑实现时,可以包括以下内容:
a)筛选优质客户。基于主观评价方法,设定信用分范围,筛选优质客户。
b)统计信息价值。对每个特征自动最优分组,计算得出该特征对用户信用评价的影响程度——信息价值(IV)。信息价值IV是用来衡量两个分类变量且其中一个为二元变量间的关联性,IV值越低,说明指标的预测力越弱,关联度越低;反之,则说明指标与结果变量具有强关联性。
设r为分组的组别数,pi和qi分别是第i个分组中目标变量y在第一类和第二类中记录的百分比,即:
c)选取定量分析指标。选取具有中等及以上影响程度(IV>0.1)的特征作为定量分析指标。通过对指标特征深入分析计算信息价值IV,得出信息价值大于0.1的指标如图7所示,为根据本发明提供的电力信用报告生成方法中信息价值大于0.1的指标示意图。其中IV<0.02表示该指标特征不具有预测能力;0.02<=IV<0.1表示具有较弱的预测能力;0.1<=IV<0.3表示具有中等的预测能力;0.3<=IV<0.5表示具有较强的预测能力;>0.5表示具有很强的预测能力,该指标特征严重影响用户评价。选取具有中等及以上预测能力(IV>0.1)的特征作为定量分析指标,具体指标如下表4所示,为根据本发明的定量分析指标示例表。
表4,根据本发明的定量分析指标示例表
其中,IV值较大的累计逾期天数、累计逾期次数、平均回款时长、当期电价环比增长率、当月电费、当月电量、月度用电环比增长率等指标也与定性分析中的权重较大指标基本相对应,说明定性分析以专家经验为主的指标权重与定量分析以数据特征为主的指标权重达到高相近水平,符合预期。
d)核心指标确定。继续以定性分析中企业征信评分得分700作为征信好的判定标准,将25万企业用户作为样本进行30%与70%划分,选取70%的175176户用户以特征筛选得到的30个指标进行特征训练,提取数据特征,得到分箱后的30种IV值大于0.1的特征,对剩下30%的75076户用户进行预测,验证特征提取的准确性。逻辑回归公式如下:
其中,x是经过特征筛选且分箱处理后的30个特征,为1×30维的向量,y为以700分作为界限的用户标识(其中y=1是高信用用户,y=0是其他用户),σ表示常规sigmod(即S型生长曲线)函数。
最终经过迭代训练,得出权重参数W=[w0,w1,w2,…,w30],这些权重参数参与用户的评分计算。如表5所示,为根据本发明的定量分析指标的权重参数示例表。
表5,根据本发明的定量分析指标的权重参数示例表
在上述处理的基础上,基于ROC曲线分析的AUC(Area Under Curve)法评估选用的逻辑回归模型,通过准确性验证得出逻辑回归模型的AUC=99.85%,表明选用的逻辑回归模型的影响程度较强。
其中,在计算AUC时,先对样本属于正样本的概率score值从大到小排序,再令该排序中最大score对应的样本的序号为n,第二大score对应样本的序号为n-1,以此类推。然后,把其中所有的正样本的序号相加,再减去常数项M(M+1)/2。最后,将上述相减的结果除以M×N,即得AUC如下:
其中,M和N分别表示正样本的个数和负样本的个数,∑i∈posranki表示将正样本的序号累加求和,pos表示正样本集合。
通过准确验证计算得出逻辑回归模型的AUC=99.85%,准确度验证表明选用的逻辑回归模型具有很好的预测能力。
其中,AUC为ROC曲线下方的面积,也即ROC曲线与坐标轴围成的区域的面积。因为ROC曲线一般都处于y=x这条直线的上方,所以取值范围在0.5和1之间,使用AUC作为评价指标是因为ROC曲线在很多时候并不能清晰地说明哪个分类器的效果更好,而AUC作为一个数值,其值越大代表分类器效果更好。
接收者操作特征曲线(receiver operating characteristic curve,ROC曲线)是一种坐标图式的分析工具,用于:
(1)选择最佳的信号侦测模型、舍弃次佳的模型;
(2)在同一模型中设定最佳阈值。
ROC可以用来比较不同分类器的相关性能。其中,横坐标为假阳率(Falsepositive rate,FPR),纵坐标为真阳率(True postive rate,TPR)。
FPR中所有负例中有多少被预测为正例;TPR中有多少真正的正例被预测出来;ROC曲线越接近左上角,该分类器的性能越好,意味着分类器在假阳率很低的同时获得了很高的真阳率。
e)基于核心指标确定客观信用分。应用信用评分卡方法,得出定量分析模型的公式如下:
BaseScore=q+w0*p。
其中,User_Score表示用户的客观评价信用得分,BaseScore表示用户的客观评价基础分,xi表示核心指标,wi表示核心指标的权重系数,p表示评分卡的刻度参数,q表示评分卡的补偿参数,w0表示基础权重,为常量。
根据上述各实施例,可以设定700分为基础分值,同时可以设定数据包数据优化参数PDO(表示好坏比翻一倍时分数的变动值)为10(每高10分好坏比翻一倍)、好坏比取10。则基于上述设定的基准分值、PDO和好坏比,可以确定p=10/log(2),q=700-10*log(10)/log(2),其中wi取自于逻辑回归得出的权重向量W。
可选地,所述构建所述企业征信评估分析模型,包括:构建对所述主观评价结果和所述客观评价结果的运算模型,作为所述企业征信评估分析模型。
可以理解为,在上述确定主观评价结果和客观评价结果的基础上,可以基于此确定综合信用评分,即分别设定两种信用评价结果的权重,并基于加权法确定企业征信评估分析模型,从而可以计算主观客观综合信用分。
其中,根据上述各实施例提供的电力信用报告生成方法可选地,所述生成针对所述企业电力用户的电力信用报告,包括:基于所述分析的结果,输出所述电力信用报告包括:企业基本信息和企业信用评价,所述企业信用评价包括企业信用评价标准和企业信用得分。
可以理解为,在根据上述各实施例进行数据分析的基础上,可以根据分析结果生成用户用电信用报告,以对用户用电信用进行直观展示。具体在输出信用报告时,可以包括以下内容:
首先,输出企业基本信息。
企业名称:XXXX有限公司
用电地址:XXXXXXXXXXXXXXX街区XX地块
立户日期:XXXX年XX月XX日
行业分类:工业-制造业-汽车制造业
合同容量:40000kVA运行容量:40000kVA
其次,输出企业信用评价,包括:
1)输出评价标准。
最终信用分=定性分析信用分*60%+定量分析信用分*40%。
信用分总分设为1000,根据客户的得分,将其划分为A信用极好用户、B信用良好用户、C信用一般用户、D信用较差用户、E信用极差用户五个信用等级。如表6所示,为根据本发明的定性分析信用等级示例表。
表6,根据本发明的定性分析信用等级示例表
序号 | 信用等级 | 评分区间 |
1 | A(信用极好用户) | [760-1000] |
2 | B(信用良好用户) | [700-760) |
3 | C(信用一般用户) | [500-700) |
4 | D(信用较差用户) | [400-500) |
5 | E(信用极差用户) | [0-400) |
a)定性分析评分规则:根据专家填写的判断矩阵,分析各项衡量维度重要性,得到每项衡量维度的权重,梳理出企业征信评分规则,包括:基本属性的权重为3%,用电缴费的权重为40%,经营能力的权重为30%,发展潜力权重为17%,电力法规权重10%。如表7所示,为根据本发明的企业征信评分规则示例表。
表7,根据本发明的企业征信评分规则示例表
序号 | 维度 | 权重 | 总分 |
1 | 基本属性 | 3% | 30 |
2 | 用电缴费 | 40% | 400 |
3 | 经营能力 | 30% | 300 |
4 | 发展潜力 | 17% | 170 |
5 | 电力法规 | 10% | 100 |
采用层次分析进行计算分值,设Score_F为客户的信用等级评分,可以得出信用评分,计算公式如下:
Score_F=(Sm×w1+Sn×w2+Sp×w3+Sk×w4+Sq×w5)×K。
其中,Sm、Sn、Sp、Sk、Sq分别为基本属性征信得分、用电缴费征信得分、经营能力征信得分、发展潜力征信得分、电力法规征信得分;w1、w2、w3、w4、w5分别为基本属性权重、用电缴费权重、经营能力权重、发展潜力权重、电力法规权重;K为定性指标映射系数;Score_F为最后信用得分。
b)违约失信定性系数。
表8所示为根据本发明的违约失信定性系数示例表。
表8,根据本发明的违约失信定性系数示例表
定性指标 | 行为类型 | 定性系数K |
窃电 | 严重失信行为 | 0.2 |
违约用电 | 一般失信行为 | 0.3 |
法律催收 | 一般失信行为 | 0.3 |
例如,如果近12个月欠费或逾期次数超过1次,则为轻微失信行为0.5~0.9。
c)定量分析评分规则。
利用AHP层次分析法得出的指标,形成特征数据,抛弃了部分影响度低的指标和有关联度的指标(例如:平均回款时长和累计逾期天数),应用特征数据,使用逻辑回归算法计算得出定量的征信分。
2)输出企业信用得分。
假设某企业本期信用体系评估得分769分,综合信用评级A(信用极用户),同行业(工业-制造业,以下同行业内对比均取这一行业)企业平均得分623分,该企业征信分超过同行业97.7%的用户。
输出该企业具体分项指标得分如表9所示,为根据本发明的分项指标得分示例表。
表9,根据本发明的分项指标得分示例表
定性评分 | 基本属性 | 用电缴费 | 电力法规 | 经营能力 | 发展潜力 |
780 | 703 | 787 | 1000 | 716 | 726 |
输出定性系数:假设该企业近2年不存在违约用电、窃电行为,不存在法律催收及逾期缴费行为,定性系数为1。
进一步的,本发明在上述各实施例的基础上,还可以进行企业评价分析,以下企业评价分析主要从定性分析维度进行举例说明。
1.基本属性。
上述用户基本属性得分703分,比行业平均水平898分低195分。具体分析:户龄较小,缴费方式银行托收,属于非高耗能行业,基本属性较好。
2.用电缴费该用户用电缴费得分787分,比同行业平均水平722分高65分。
1)缴费行为:缴费行为衡量用户履约能力以及履约效果。近两年累计电费发行24次,无电费缴纳逾期情况(行业平均逾期缴费率5%),企业平均回款时长(回收时间-发行日期)为3.4天,较行业平均缴纳时长为9.7天短6.3天,缴费积极。
2)缴费方式:缴费方式可反应企业可支配财产状况。该企业是分次划拨用户,近两年该用户累计缴费61次(含分次划拨缴费),全部通过银行托收方式缴费,缴费方式偏好优秀。
3.电力法规。
该用户电力法规得分1000分,比同行业平均水平999分高1分。近2年企业无违约用电、窃电行为。
4.经营能力。
该用户经营能力得分716分,比同行业平均水平658分高出58分。
1)用电规模:用电量情况代表企业用能情况,该项指标越高,代表企业用能消耗越强。近2年企业月平均用电量:9,203,975(kWh),是同行业平均用电量(53,084kWh)的174倍,用电规模大。
2)企业电费:企业电费直接体现企业用能价值,客观反应企业经营情况。如图8所示,为根据本发明提供的电力信用报告生成方法中用电费趋势波形示意图,近2年,企业累计应缴电费17397.3万元,实缴17397.3万元,是同行业平均累计电费141.7万元的122.8倍。
3)用电容量:企业运行容量40000kVA,行业平均运行容量542KW,企业运行容量是同行业平均水平的73.8倍。
5.发展潜力。
用户经营能力得分726分,比同行业平均水平658分高64分。
1)用电量趋势:代表企业用电潜力,该项指标越高,代表企业用能发展势头越劲。近2年,该用户累计用电量22.1亿千瓦时,同行业平均累计用电量163万千瓦时,企业用电潜力高于行业平均水平。2019年下半年用电量同比2018年增长率3.6%,2020年上半年同比下降7.1%。
2)用电波动水平:用电量波动水平衡量企业用电的稳定性,该项指标越低,代表企业生成经营越稳定。如图9所示,为根据本发明提供的电力信用报告生成方法中用电波动曲线示意图,近12个月,企平均月波动率12.1%,行业平均波动率18.4%,用电量波动水平低于同行业34%。
3)增减容趋势:近两年无增减容业务。
基于相同的发明构思,本发明根据上述各实施例还提供一种电力信用报告生成装置,该装置用于在上述各实施例中实现电力信用报告生成。因此,在上述各实施例的电力信用报告生成方法中的描述和定义,可以用于本发明中各个执行模块的理解,具体可参考上述方法实施例,此处不在赘述。
根据本发明的一个实施例,电力信用报告生成装置的结构如图10所示,为本发明提供的电力信用报告生成装置的结构示意图,该装置可以用于实现上述各方法实施例中的电力信用报告生成,该装置包括:计算模块1001和报告生成模块1002。其中:
计算模块1001用于基于企业电力用户在多个数据中台产生的用电数据信息,计算所述企业电力用户的电力征信评估指标值;报告生成模块1002用于基于所述电力征信评估指标值,采用主观评价加客观评价的方式,分析所述企业电力用户的用电信用,并基于所述分析的结果,按照预设模板,生成针对所述企业电力用户的电力信用报告。
本发明提供的电力信用报告生成装置,通过构建有效的电力信用评价体系,采用主客观评价结合的方式,自动综合分析多个数据中台的电力信用并生成信用报告,能够有效提高信息获取效率,且能更直观的展示电力用户的真实用电信用情况,从而可以更好的服务于企业的各项信用相关业务。
可选地,本发明的电力信用报告生成装置,还包括构建模块,用于执行如下操作中至少之一:
构建企业电力征信大数据分析仓库,并基于所述企业电力征信大数据分析仓库,获取所述企业电力用户的用电数据信息;
构建企业电力征信综合评估指标体系;
构建基于主观评价和客观评价的企业征信评估分析模型。
可选地,所述构建模块,在用于所述构建企业电力征信大数据分析仓库时,用于:
确定企业电力征信大数据所需的数据中台的物理资源,并确定所述数据中台的相关组件,构建企业电力征信大数据分析的技术框架支撑;
构建分层的大数据分析模型,并确定基于所述数据中台的征信大数据接入与计算存储实现逻辑;
搭建企业征信大数据应用集成架构,并基于所述物理资源、所述相关组件、所述技术框架支撑、所述大数据分析模型和所述实现逻辑,通过所述应用集成框架集成所述企业电力用户的内外部相关用电数据,构建所述企业电力征信大数据分析仓库。
可选地,所述构建模块,在用于所述构建企业电力征信综合评估指标体系时,用于:
采用信用5C分析法,融合所述企业电力用户在基本属性方面、用电缴费方面、经营能力方面、发展潜力方面和电力法规方面的内外部相关用电数据,构建所述企业电力征信综合评估指标体系。
可选地,所述构建模块,在用于所述构建基于主观评价和客观评价的企业征信评估分析模型时,用于:
确定所述主观评价的实现逻辑和所述客观评价的实现逻辑,并基于所述主观评价的实现逻辑和所述客观评价的实现逻辑,构建所述企业征信评估分析模型;
其中,确定所述主观评价的实现逻辑包括:
建立层次结构模型,并基于所述层次结构模型,构造成对比较阵;
对于每个所述成对比较阵,计算权向量并做一致性检验,并基于校验后的权向量,计算组合权向量并做组合一致性检验;
归一化处理校验后的组合权向量,获取各所述电力征信评估指标值的权重系数,并基于所述权重系数和所述电力征信评估指标值,计算所述企业电力用户的主观评价结果。
可选地,所述构建模块,在用于确定所述客观评价的实现逻辑时,用于:
确定所述成对比较阵对应的每个特征的最优分组,并计算所述最优分组中所述特征的信息价值;
基于所述信息价值,确定所述特征中满足预设条件的特征作为定量分析指标,并基于所述定量分析指标,确定核心分析指标;
基于所述核心分析指标,计算企业电力用户的客观评价结果;
所述构建所述企业征信评估分析模型,包括:
构建对所述主观评价结果和所述客观评价结果的运算模型,作为所述企业征信评估分析模型。
可选地,所述报告生成模块,在用于所述生成针对所述企业电力用户的电力信用报告时,用于:
基于所述分析的结果,输出所述电力信用报告包括:企业基本信息和企业信用评价,所述企业信用评价包括企业信用评价标准和企业信用得分。
可以理解的是,本发明中可以通过硬件处理器(hardware processor)来实现上述各实施例的装置中的各相关程序模块。并且,本发明的电力信用报告生成装置利用上述各程序模块,能够实现上述各方法实施例的电力信用报告生成流程,在用于实现上述各方法实施例中的电力信用报告生成时,本发明的装置产生的有益效果与对应的上述各方法实施例相同,可以参考上述各方法实施例,此处不再赘述。
作为本发明的又一个方面,本实施例根据上述各实施例提供一种电子设备,该电子设备包括存储器、处理器及存储在该存储器上并可在该处理器上运行的程序或指令,该处理器执行该程序或指令时,实现如上述各实施例所述的电力信用报告生成方法的步骤。
进一步的,本发明的电子设备还可以包括通信接口和总线。参考图11,为本发明提供的电子设备的实体结构示意图,包括:至少一个存储器1101、至少一个处理器1102、通信接口1103和总线1104。
其中,存储器1101、处理器1102和通信接口1103通过总线1104完成相互间的通信,通信接口1103用于该电子设备与大数据设备之间的信息传输;存储器1101中存储有可在处理器1102上运行的程序或指令,处理器1102执行该程序或指令时,实现如上述各实施例所述的电力信用报告生成方法的步骤。
可以理解为,该电子设备中至少包含存储器1101、处理器1102、通信接口1103和总线1104,且存储器1101、处理器1102和通信接口1103通过总线1104形成相互间的通信连接,并可完成相互间的通信,如处理器1102从存储器1101中读取电力信用报告生成方法的程序指令等。另外,通信接口1103还可以实现该电子设备与大数据设备之间的通信连接,并可完成相互间信息传输,如通过通信接口1103实现企业电力用户的用电数据信息的读取等。
电子设备运行时,处理器1102调用存储器1101中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:基于企业电力用户的用电数据信息,计算所述企业电力用户的电力征信评估指标值;基于所述电力征信评估指标值,采用主观评价加客观评价的方式,分析所述企业电力用户的用电信用,并基于所述分析的结果,生成针对所述企业电力用户的电力信用报告等。
上述的存储器1101中的程序指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。或者,实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明还根据上述各实施例提供一种非暂态计算机可读存储介质,其上存储有程序或指令,该程序或指令被计算机执行时,实现如上述各实施例所述的电力信用报告生成方法的步骤。
作为本发明的再一个方面,本实施例根据上述各实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的电力信用报告生成方法。
本发明提供的电子设备、非暂态计算机可读存储介质和计算机程序产品,通过执行上述各实施例所述的电力信用报告生成方法的步骤,通过构建有效的电力信用评价体系,采用主客观评价结合的方式,自动综合分析多个数据中台的电力信用并生成信用报告,能够有效提高信息获取效率,且能更直观的展示电力用户的真实用电信用情况,从而可以更好的服务于企业的各项信用相关业务。
可以理解的是,以上所描述的装置、电子设备及存储介质的实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,既可以位于一个地方,或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电力信用报告生成方法,其特征在于,包括:
基于企业电力用户在多个数据中台产生的用电数据信息,计算所述企业电力用户的电力征信评估指标值;
基于所述电力征信评估指标值,采用主观评价加客观评价的方式,分析所述企业电力用户的用电信用,并基于所述分析的结果,按照预设模板,生成针对所述企业电力用户的电力信用报告。
2.根据权利要求1所述的电力信用报告生成方法,其特征在于,还包括如下操作中至少之一:
构建企业电力征信大数据分析仓库,并基于所述企业电力征信大数据分析仓库,获取所述企业电力用户的用电数据信息;
构建企业电力征信综合评估指标体系;
构建基于主观评价和客观评价的企业征信评估分析模型。
3.根据权利要求2所述的电力信用报告生成方法,其特征在于,所述构建企业电力征信大数据分析仓库,包括:
确定企业电力征信大数据所需的数据中台的物理资源,并确定所述数据中台的相关组件,构建企业电力征信大数据分析的技术框架支撑;
构建分层的大数据分析模型,并确定基于所述数据中台的征信大数据接入与计算存储实现逻辑;
搭建企业征信大数据应用集成架构,并基于所述物理资源、所述相关组件、所述技术框架支撑、所述大数据分析模型和所述实现逻辑,通过所述应用集成框架集成所述企业电力用户的内外部相关用电数据,构建所述企业电力征信大数据分析仓库。
4.根据权利要求2所述的电力信用报告生成方法,其特征在于,所述构建企业电力征信综合评估指标体系,包括:
采用信用5C分析法,融合所述企业电力用户在基本属性方面、用电缴费方面、经营能力方面、发展潜力方面和电力法规方面的内外部相关用电数据,构建所述企业电力征信综合评估指标体系。
5.根据权利要求2-4中任一所述的电力信用报告生成方法,其特征在于,所述构建基于主观评价和客观评价的企业征信评估分析模型,包括:
确定所述主观评价的实现逻辑和所述客观评价的实现逻辑,并基于所述主观评价的实现逻辑和所述客观评价的实现逻辑,构建所述企业征信评估分析模型;
其中,确定所述主观评价的实现逻辑包括:
建立层次结构模型,并基于所述层次结构模型,构造成对比较阵;
对于每个所述成对比较阵,计算权向量并做一致性检验,并基于校验后的权向量,计算组合权向量并做组合一致性检验;
归一化处理校验后的组合权向量,获取各所述电力征信评估指标值的权重系数,并基于所述权重系数和所述电力征信评估指标值,计算所述企业电力用户的主观评价结果。
6.根据权利要求5所述的电力信用报告生成方法,其特征在于,确定所述客观评价的实现逻辑,包括:
确定所述成对比较阵对应的每个特征的最优分组,并计算所述最优分组中所述特征的信息价值;
基于所述信息价值,确定所述特征中满足预设条件的特征作为定量分析指标,并基于所述定量分析指标,确定核心分析指标;
基于所述核心分析指标,计算所述企业电力用户的客观评价结果;
所述构建所述企业征信评估分析模型,包括:
构建对所述主观评价结果和所述客观评价结果的运算模型,作为所述企业征信评估分析模型。
7.根据权利要求1-4、6中任一所述的电力信用报告生成方法,其特征在于,所述生成针对所述企业电力用户的电力信用报告,包括:
基于所述分析的结果,输出所述电力信用报告包括:企业基本信息和企业信用评价,所述企业信用评价包括企业信用评价标准和企业信用得分。
8.一种电力信用报告生成装置,其特征在于,包括:
计算模块,用于基于企业电力用户在多个数据中台产生的用电数据信息,计算所述企业电力用户的电力征信评估指标值;
报告生成模块,用于基于所述电力征信评估指标值,采用主观评价加客观评价的方式,分析所述企业电力用户的用电信用,并基于所述分析的结果,按照预设模板,生成针对所述企业电力用户的电力信用报告。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或指令,其特征在于,所述处理器执行所述程序或指令时,实现如权利要求1至7中任一项所述的电力信用报告生成方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有程序或指令,其特征在于,所述程序或指令被计算机执行时,实现如权利要求1至7中任一项所述的电力信用报告生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110750763.8A CN113450004A (zh) | 2021-07-02 | 2021-07-02 | 电力信用报告生成方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110750763.8A CN113450004A (zh) | 2021-07-02 | 2021-07-02 | 电力信用报告生成方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113450004A true CN113450004A (zh) | 2021-09-28 |
Family
ID=77814866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110750763.8A Pending CN113450004A (zh) | 2021-07-02 | 2021-07-02 | 电力信用报告生成方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450004A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113961546A (zh) * | 2021-10-27 | 2022-01-21 | 国网江苏省电力有限公司营销服务中心 | 一种支持在线分析统计的实时查询库设计方法 |
CN114398516A (zh) * | 2021-12-11 | 2022-04-26 | 国网湖北省电力有限公司经济技术研究院 | 一种基建平台网络层系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557882A (zh) * | 2016-11-29 | 2017-04-05 | 国网山东省电力公司电力科学研究院 | 基于多维度风险评价指标的电力用户筛选方法及系统 |
CN106780140A (zh) * | 2016-12-15 | 2017-05-31 | 国网浙江省电力公司 | 基于大数据的电力信用评价方法 |
CN108665184A (zh) * | 2018-05-21 | 2018-10-16 | 国网陕西省电力公司咸阳供电公司 | 一种基于大数据征信的电力客户信誉评估方法 |
CN111126775A (zh) * | 2019-11-26 | 2020-05-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于层次分析法的居民客户价值分级模型构建方法 |
CN111612323A (zh) * | 2020-05-15 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于大数据模型的电力征信评估方法 |
CN112100246A (zh) * | 2020-09-22 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于多维图码标签的客户用电价值挖掘方法 |
CN112785427A (zh) * | 2021-03-15 | 2021-05-11 | 国网青海省电力公司西宁供电公司 | 基于电力数据的企业信用分析系统 |
-
2021
- 2021-07-02 CN CN202110750763.8A patent/CN113450004A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557882A (zh) * | 2016-11-29 | 2017-04-05 | 国网山东省电力公司电力科学研究院 | 基于多维度风险评价指标的电力用户筛选方法及系统 |
CN106780140A (zh) * | 2016-12-15 | 2017-05-31 | 国网浙江省电力公司 | 基于大数据的电力信用评价方法 |
CN108665184A (zh) * | 2018-05-21 | 2018-10-16 | 国网陕西省电力公司咸阳供电公司 | 一种基于大数据征信的电力客户信誉评估方法 |
CN111126775A (zh) * | 2019-11-26 | 2020-05-08 | 国网浙江省电力有限公司电力科学研究院 | 一种基于层次分析法的居民客户价值分级模型构建方法 |
CN111612323A (zh) * | 2020-05-15 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于大数据模型的电力征信评估方法 |
CN112100246A (zh) * | 2020-09-22 | 2020-12-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于多维图码标签的客户用电价值挖掘方法 |
CN112785427A (zh) * | 2021-03-15 | 2021-05-11 | 国网青海省电力公司西宁供电公司 | 基于电力数据的企业信用分析系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113961546A (zh) * | 2021-10-27 | 2022-01-21 | 国网江苏省电力有限公司营销服务中心 | 一种支持在线分析统计的实时查询库设计方法 |
CN114398516A (zh) * | 2021-12-11 | 2022-04-26 | 国网湖北省电力有限公司经济技术研究院 | 一种基建平台网络层系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063945B (zh) | 一种基于价值评估体系的售电公司360度客户画像构建方法 | |
CN107507038B (zh) | 一种基于stacking和bagging算法的电费敏感用户分析方法 | |
CN112561598A (zh) | 基于客户画像的客户流失预测及挽回方法和系统 | |
CN110704572A (zh) | 疑似非法集资风险的预警方法、装置、设备和存储介质 | |
CN101493913A (zh) | 一种评估网上用户信用的方法及系统 | |
CN112102073A (zh) | 信贷风险控制方法及系统、电子设备及可读存储介质 | |
CN108389069A (zh) | 基于随机森林和逻辑回归的优质客户识别方法及装置 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN107609771A (zh) | 一种供应商价值评价方法 | |
CN112308462A (zh) | 电力用户分类方法及装置 | |
CN113450004A (zh) | 电力信用报告生成方法、装置、电子设备及可读存储介质 | |
CN111709826A (zh) | 目标信息确定方法和装置 | |
CN108364191A (zh) | 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 | |
CN108154311A (zh) | 基于随机森林和决策树的优质客户识别方法及装置 | |
CN113256324A (zh) | 数据资产定价方法、装置、计算机设备和存储介质 | |
CN112435078A (zh) | 一种用户忠诚度分类的方法 | |
CN105359172A (zh) | 计算企业存在拖欠的概率 | |
CN115310752A (zh) | 面向能源大数据的数据资产价值评价方法及系统 | |
CN112950359B (zh) | 一种用户识别方法和装置 | |
CN111127186A (zh) | 一种基于大数据技术的客户信用等级评价体系的使用方法 | |
CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
CN113298575A (zh) | 一种商标价值批量评估的方法、系统、设备及存储介质 | |
Zhao et al. | Research on E-commerce Customer Segmentation Based on RFAC Model | |
Xiahou et al. | Customer profitability analysis of automobile insurance market based on data mining | |
Chen et al. | A Model Based on Survival-based Credit Risk Assessment System of SMEs |
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 |