CN114595909A - 一种电费回收风险评估方法和系统 - Google Patents
一种电费回收风险评估方法和系统 Download PDFInfo
- Publication number
- CN114595909A CN114595909A CN202011409201.9A CN202011409201A CN114595909A CN 114595909 A CN114595909 A CN 114595909A CN 202011409201 A CN202011409201 A CN 202011409201A CN 114595909 A CN114595909 A CN 114595909A
- Authority
- CN
- China
- Prior art keywords
- client
- customer
- label
- electric charge
- service
- 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
- 238000011084 recovery Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012502 risk assessment Methods 0.000 title claims abstract description 21
- 230000005611 electricity Effects 0.000 title claims description 24
- 238000004064 recycling Methods 0.000 claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008520 organization Effects 0.000 description 7
- 230000002265 prevention Effects 0.000 description 7
- 238000011144 upstream manufacturing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06Q10/06—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)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电费回收风险评估方法和系统,包括:获取各业务客户对应的客户标签、客户关系图谱和初始电费回收风险;基于所述各业务客户对应的客户标签和客户关系图谱对所述各业务客户的初始电费回收风险进行加权,确定各业务客户的电费回收风险等级;所述客户标签和客户关系图谱基于业务客户的内部数据、外部数据及所述内部数据、外部数据中的相互关系构建,本发明融入客户的外部数据对现有的客户标签体系进行了扩展,增加电费回收风险分析的维度,同时通过客户关系图谱深挖客户关系并结合关联客户的客户标签,确定关联客户电费回收风险对待评估客户的电费回收风险的影响,拓展了电费回收风险的分析深度,进而提高了业务客户电费回收风险评估的准确性。
Description
技术领域
本发明属于电力营销技术领域,具体涉及一种电费回收风险评估方法和系统。
背景技术
电费回收是供电公司经营管理的核心工作之一,电费回收率直接关系到供电公司的运营效率和盈利水平。多年来,供电公司各级单位以电费回收风险防范为重点,多措并举,加强电费回收力度,取得了一定的成效。
信息化手段对于电费回收工作起到了重要促进作用。当前,供电公司电费回收风险分析以营销专业数据为主,以欠费及违约用电等为基本判定条件,以用电客户电压等级、电费结算方式、电费额度占比、缴费情况、用电行为等,建立量化的电费回收风险评级标准,实现对全部客户风险评级;从人员意识、管理制度、企业经营、技术手段、客户信用等方面进行梳理,分别对交费风险、违约风险、用电趋势分析等方面展开研究,构建电费回收风险评估模型,但仍然存在以下两个问题导致电费回收风险评估结果不够准确:第一、电费回收风险分析以营销专业数据为主,融入外部信息较少,关于客户多维精准分析刻画所需的外部数据不够丰富;第二、现有电费回收风险防范业务,针对客户分析刻画只体现了个体特征,并未体现出客户之间的关联关系,风险分析的深度不够,因此,如何解决上述问题提高电费回收风险评估的准确性是本领域技术人员亟待解决的问题。
发明内容
为克服上述现有技术的不足,本发明提供一种电费回收风险评估方法,包括:
获取各业务客户对应的客户标签、客户关系图谱和初始电费回收风险;
基于所述各业务客户对应的客户标签和客户关系图谱对所述各业务客户的初始电费回收风险进行加权,确定各业务客户的电费回收风险等级;
所述客户标签和客户关系图谱基于业务客户的内部数据、外部数据及所述内部数据、外部数据中的相互关系构建。
优选的,基于所述各业务客户对应的客户标签和客户关系图谱对所述各业务客户的初始电费回收风险进行加权,确定各业务客户的电费回收风险等级,包括:
基于所述各业务客户对应的客户标签,计算各业务客户的客户标签因子加权得分;
基于所述各业务客户对应的客户标签和客户关系图谱,计算各业务客户的客户关系标签因子加权得分;
基于各业务客户对应的初始电费回收风险、客户标签因子加权得分和客户关系标签因子加权得分,依次计算各业务客户的电费回收风险得分;
基于各业务客户的电费回收风险得分,确定各业务客户的电费回收风险等级。
优选的,各业务客户对应的客户标签为1个或多个。
优选的,基于业务客户对应的客户标签,计算所述业务客户的客户标签因子加权得分,包括:
基于预先设定的客户标签评分标准和权重,确定各客户标签对应的得分及权重;
基于所述各客户标签对应的得分及权重,计算各客户标签对应的客户标签因子加权得分;
基于所述各客户标签对应的客户标签因子加权得分,计算所述业务客户的客户标签因子加权得分。
优选的,基于业务客户对应的客户标签和客户关系图谱,计算所述业务客户的客户关系标签因子加权得分,包括:
基于业务客户对应的客户标签和客户关系图谱,确定所述业务客户的客户关系标签;
基于预先设定的客户关系标签评分标准和权重,确定各个客户关系标签对应的得分及权重;
基于所述各个客户关系标签对应的得分及权重,计算所述各个客户关系标签对应的客户关系标签因子加权得分;
基于所述各个客户关系标签对应的客户关系标签因子加权得分,计算所述业务客户的客户关系标签因子加权得分。
优选的,业务客户的电费回收风险得分计算式如下:
电费回收风险得分=初始电费回收风险+客户标签因子加权得分+客户关系标签因子加权得分。
优选的,客户标签和客户关系图谱的生成包括:
获取各业务客户对应的外部数据对所述各业务客户的内部数据进行补充;
基于各业务客户补充后的数据,依次生成各业务客户对应的客户标签和客户关系图谱;
所述内部数据包括:营销业务系统数据和用电信息采集数据;
所述外部数据包括:宏观数据、工商数据、司法数据和征信人员信息。
优选的,基于各业务客户补充后的数据,生成客户关系图谱,包括:
对各业务客户补充后的数据进行处理,得到结构化数据;
从所述结构化数据中提取出实体、属性以及实体间的相互关系;
基于所述实体、属性以及实体间的相互关系,生成客户关系图谱。
基于同一构思,本发明还提供了一种电费回收风险评估系统,包括:
数据采集模块,用于获取各业务客户对应的客户标签、客户关系图谱和初始电费回收风险初始得分;
评估模块,用于基于所述各业务客户对应的客户标签和客户关系图谱对所述各业务客户的初始电费回收风险进行加权,确定各业务客户的电费回收风险等级;
所述客户标签和客户关系图谱基于业务客户的内部数据、外部数据及所述内部数据、外部数据中的相互关系构建。
优选的,评估模块,包括:
客户标签因子加权得分计算单元,用于基于所述各业务客户对应的客户标签,计算各业务客户的客户标签因子加权得分;
客户关系标签因子加权得分计算单元,用于基于所述各业务客户对应的客户标签和客户关系图谱,计算各业务客户的客户关系标签因子加权得分;
电费回收风险得分计算单元,用于基于各业务客户对应的初始电费回收风险、客户标签因子加权得分和客户关系标签因子加权得分,依次计算各业务客户的电费回收风险得分;
电费回收风险等级评估单元,用于基于各业务客户的电费回收风险得分,确定各业务客户的电费回收风险等级。
与最接近的现有技术相比,本发明具有的有益效果如下:
本发明提供一种电费回收风险评估方法和系统,包括:获取各业务客户对应的客户标签、客户关系图谱和初始电费回收风险;基于所述各业务客户对应的客户标签和客户关系图谱对所述各业务客户的初始电费回收风险进行加权,确定各业务客户的电费回收风险等级;所述客户标签和客户关系图谱基于业务客户的内部数据、外部数据及所述内部数据、外部数据中的相互关系构建,本发明融入客户的外部数据对现有的客户标签体系进行了扩展,增加电费回收风险分析的维度,同时通过客户关系图谱深挖客户关系并结合关联客户的客户标签,确定关联客户电费回收风险对待评估客户的电费回收风险的影响,拓展了电费回收风险的分析深度,进而提高了业务客户电费回收风险评估的准确性。
附图说明
图1为本发明提供的一种电费回收风险评估方法示意图;
图2为本发明提供的一种电费回收风险评估系统示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1:
本发明实施例提供了一种电费回收风险评估方法,如图1所示,包括:
S1获取各业务客户对应的客户标签、客户关系图谱和初始电费回收风险;
S2基于所述各业务客户对应的客户标签和客户关系图谱对所述各业务客户的初始电费回收风险进行加权,确定各业务客户的电费回收风险等级;
所述客户标签和客户关系图谱基于业务客户的内部数据和外部数据构建。
S1获取各业务客户对应的客户标签、客户关系图谱和初始电费回收风险,具体包括:
S1-1基于现有的电费回收风险评估方法和业务客户内部数据生成业务客户的初始电费回收风险。
S1-2根据电费回收风险防范业务场景,获取所需外部数据,进而完成对业务客户内部数据的补充。
电费回收风险防范业务所涉及的内部数据多源自营销业务应用系统,主要包括用户档案数据、用户电量数据、缴费行为数据等。其中用户档案包括用户的名称、用户类型、行业分类等;用户电量数据主要包括用户的日用电量、月用电量等;缴费行为主要包括通知偏好、缴费方式、缴费时间、欠费违约等。
外部数据从宏观数据、中观数据、微观数据三个层面收集,其细化分类包括:宏观数据、工商数据、司法数据、个体数据;宏观数据主要包括但不限于国家政策、经济、环境、舆情、行业景气程度、行业供应链信息、区域经济发展、气象数据等;工商数据主要包括但不限于统一社会信用代码、企业名称、类型、法定代表人、注册资本、成立日期、营业期限自、营业期限至、登记机关、核准日期、登记状态、注册地址、经营范围、生产规模、经营效益、股东及出资信息、对外投资信息、主要人员信息、分支机构信息、列入经营异常名录原因、抽查结果、列入严重违法失信企业名单(黑名单)原因等;司法数据主要包括但不限于案件名称、案件类型、案件编号、法院、裁判年份、审判程序、原告、被告、审判结果等;个人信息主要包括但不限于个人信息、征信人员信息等(详见表1)。
表1
S1-3基于补充后的业务客户数据生成客户标签和客户关系图谱,具体的:
S1-3-1基于补充后的业务客户数据生成客户标签,包括:
模型设计:针对电费回收风险防范业务场景,基于电力内部数据如营销系统数据,结合外部数据如工商数据、司法数据等,确定客户标签体系以及输出标签的计算规则。其中,客户标签的提取包括:将符合判定客户风险相关的属性数据抽取为标签,如生产规模类标签、行业景气程度类标签、对外投资信息类标签、征信人员信息类标签等;非属性类标签基于电费回收风险防范业务分析需要,对客户信息通过大数据处理技术与数据挖掘算法得到高度精炼的特征标识,并建立相应的标签,基于外部数据形成的客户标签如表2所示:
表2
模型开发:针对客户标签模型的设计规则,基于数据挖掘算法模型,如决策树、序列分析、链接分析、聚类分析、神经网络等,完成客户标签模型的开发工作。
模型评估修订:对开发完成的客户标签模型拟合效果进行测试的过程,通过设置评价功能模块,让业务人员在使用标签过程中对标签的应用准确度与使用频率等方面进行打分评价并对结果进行统计,最后获得评估效果。通过模型评估可以确定模型标签的精确度是否够高、模型标签是否符合业务现状,当模型评估结果显示严重不符合业务现状时,需要对算法模型进行重新设计,在模型评估结果较差时,可以通过改变算法模型的参数来实现模型优化调整。
标签输出:将内部数据和外部数据融合后的各业务客户数据依次输入客户标签模型中,得到各个业务客户的客户标签,客户标签是采用自然语言评判业务客户特征的结论性文字。
在本实施例中,基于外部数据,通过数据挖掘技术,利用机器学习在特征提取方面的优势,建立电费回收风险防范标签模型,发现客户外部风险因素,并将输出数据作为对电费回收风险防范标签模型的反馈,反馈到电费回收风险防范标签模型算法,电费回收风险防范标签模型根据反馈实际情况做出相应调整,从而保证输出结果的时效性与合理性。
S1-3-2基于补充后的业务客户数据生成客户关系图谱,包括:
S1-3-2-1关系定义
本发明将客户间关系定义为上下游关系、投资关系、政企关系、同业关系、同址关系;
上下游关系,本发明主要运用采购关系、供应关系构建上下游关系,并通过行业分类,划分行业间上下游关系。
投资关系,企业可以以企业的名义去投资其他企业,成为其它企业的股东。企业和被投资的企业之间有对外投资关系。
政企关系,政府参股、与政府达成合作协议或企业高管担任政府职务等。
同业关系,从事相同行业或生产相同或相似产品的客户群体之间的关系。竞争关系属于同业关系的一种,即同一行业的企业存在竞争关系。经营范围重叠度高的企业之间竞争关系强,重叠度低的企业竞争关系弱。地理位置相距远的企业之间竞争关系弱,地理位置相距近的企业之间竞争关系强。
同址关系,属于相同或相近的地理位置、或受到某一地域因素影响的相关客户。
具体的关系类型及关系列举图表3所示:
表3
S1-3-2-2关系计算规则
上下游关系:对营业执照信息、招投标信息进行挖掘,确定上下游关系;
营业执照信息包括:统一社会信用代码、企业名称、法定代表人、登记机关、住所、经营范围等信息,主要数据来源全国企业信用信息公示系统网站等;
招投标信息包括:中标企业以及统一社会信用代码、企业名称、法定代表人等,主要数据来源招投标相关网站。
投资关系:对于股东信息进行挖掘,确定投资关系;
股东信息包括:股东名称、股东类型、证件类型、证件号码等信息,股东信息的数据来源为全国企业信用信息公示系统网站等。
政企关系:对政府参股、政府采购、政府诉讼等信息进行挖掘,确定政企关系;
政府参股信息包括:被参股企业以及统一社会信用代码、企业名称、法定代表人等,主要数据来源全国企业信用信息公示系统网站等;
政府采购信息包括:中标企业以及统一社会信用代码、企业名称、法定代表人等,主要数据来源政府招投标网站等;
政府诉讼信息包括:诉讼企业以及统一社会信用代码、企业名称、法定代表人、诉讼结果等,主要数据来裁判文书网等。
同业关系和同址关系:对营业执照信息进行挖掘,确定同业关系和同址关系,其中经营范围是判断同业关系和同址关系的关键信息。
S1-3-2-3客户关系图谱的构建
S1-3-2-3-1客户关系图谱构建主要基于数据准备、关系定义、计算规则构建客户关系图谱算法模型。数据源包括客户基本信息、交易数据、外部的舆情数据宏观数据、涉诉司法数据、工商数据、个体数据等,利用ETL、OCR、NLP等技术对半结构化与非结构化数据进行处理,转化为结构化数据,从结构化数据中提取出实体、属性以及实体间的相互关系,形成RDF (三元组),既“实体x关系x另一实体”的形式运用多种算法从中抽取客户密切关联三元组信息生成算法模型。
其中,实体与关系梳理具体如下:
实体概念梳理
从客户联系信息出发梳理实体概念(这部分系统有已生成好模板可套用):包括证件号(身份证号、社保号、护照、户口、往来港澳通行证、组织机构代码、纳税人识别号、营业执照注册号)、手机号码、地址、组织名称、银行账号、电子邮箱,这些实体在图谱中一般作为关联节点存在,其不产生直接的客户关系,但各数据源中包含联系信息的数据表可统一映射至对应实体的概念视图,从而可通过路径分析衍生相关间接关系;
从企业内部业务模型出发梳理概念:自然人和组织类实体概念,如客户(客户编号)、用电客户(用电客户编号)、电动汽车充值账号、电e宝账号、光e宝账号、组织编号(组织编号,主要针对无客户编号的组织信息,如通过爬取获取的客户信息)、个人(个人编号,主要针对无客户编号的人,如联系人);财产类实体概念,如房产(房产证等)、车位、变电站、计量设备、供电电源;
从业务流程出发梳理实体(主要为事件类实体):一般对包含至少两个上述实体的事件创建事件类实体,若仅包含两个实体(如通话、短信、交易、开票等)则建议不创建事件类实体而直接创建事件关系类,当事件涉及两个以上实体时则建议创建事件类实体(因关系无法直接表达三方关系)。
关系概念梳理
联系信息关联关系:与以上“从客户联系信息出发梳理实体概念”相对应,此类关系名称一般与联系信息类实体的名称相同,主要表达“联系信息为”的概念,如证件号、组织名称、手机号、地址、银行账户、电子邮箱等;
客户直接社会关系:可分为血缘关系(直系和旁系血缘构成的宗族关系)、业缘关系(以曾经存在或正存在的职业、事业等原因引发的经常交往而产生的特殊亲近关系)、地缘关系(以共同或相近地理空间引发的特殊亲近关系),此类关系可直接从数据获取,如父子关系、投资关系、股权控制关系等,亦可基于已有关系间接推理得到,如通过“A-女儿->B<-儿子-C”推理得到“A-姐妹->C”,通过“D-就职于->甲公司<-E”推理得到“D-同事->E”;客户之间存在较大量的交叉股东或法人,可以认为存在密切关联;客户和个人之间存在任职高管、股东等关系,可以认为存在密切关联;
客户直接业务关系:基于企业内部业务模型梳理得到客户关系,如用户户主关系、缴费关系、账号绑定关系等。客户之间存在较大量的诉讼事件,可以认为二者存在密切关联;客户和个人之间存在数量大于阈值的资金往来,可以认为存在密切关联;客户和个人之间存在较多涉诉纠纷关系,可以认为存在密切关联。
事件关系:包括事件角色关系、事件相关关系;事件角色关系主要基于事件明细信息产生,记录各实体在具体某个事件中的角色;事件相关关系指因为同事件共现概率高而产生的相关关系,借鉴RFM模型,主要基于事件汇总信息产生,事件相关关系的强弱可基于历史最近1次共现至今时长、共现事件出现次数、共现事件涉及金额大小等进行定义。
模糊匹配关系:包括地址模糊匹配、单位名称模糊匹配等,通过系统内部模糊匹配算法,挖掘模糊匹配关系,如同楼层、同楼栋、同小区等地址模糊匹配关系,并可据此推理衍生得到邻居等地缘关系。
S1-3-2-3-2关系图谱模型生成
基于知识图谱技术,客户间的关联关系可通过实体匹配、规则匹配、算法匹配等方式进行关系挖掘,从而生成关系图谱。
(1)实体匹配
实体匹配是通过实体间的信息可以直接进行关联分析,以统一身份识别成果为基础,构建实体匹配模型,可对各个系统的客户进行直接匹配;如企业在95598业务支持系统的客户电话号码与工商注册信息中的电话号码可直接进行关联,企业注册在网上国网的客户账号可与电力营销系统的客户账号进行直接关联。
(2)规则匹配
规则匹配是通过实体间的属性信息,并结合业务特性、业务偏好等信息,建立统一的关系处理规则,构建客户间的关系图谱。如企业客户间关系建立通过同一企业内不同人员采用不同渠道对同一用电户号或地址进行过业务办理或缴费等操作进行确定。
(3)算法匹配
算法匹配是通过历史事件或非明确的业务关系进行数据分析处理,形成特有的客户间的关联关系,并对其发生时间及影响的客户情况进行算法分析建模,模拟同类事件发生时客户间的关联关系,挖掘客户潜在的关联关系。如电费风险传播关系的建立可通过历史上不同企业电量波动的时序相关性确定。
S2基于所述各业务客户对应的客户标签和客户关系图谱对所述各业务客户的初始电费回收风险进行加权,确定各业务客户的电费回收风险等级,包括:
S2-1基于预先设定的客户标签评分标准和权重,确定各客户标签对应的得分及权重;
按照客户标签特性分成基本信息类、用电信息类、经营状况类、用电水平类、经营风险类、司法风险类、用电风险类、上市信息类、知识产权类、市场环境类、用电潜力类。根据客户标签的不同类别进行打分与权重分配。各类客户标签的打分区间与权重分配如表4所示:
表4
客户标签得分的范围为-10-10,客户标签的负面因素越大分数越低,正面因素越大分数越高;
将每个客户标签的得分与各客户标签对应的权重相乘,得到各个客户标签对应的各客户标签对应的客户标签因子加权得分;
将得到的各客户标签对应的客户标签因子加权得分相加,得到业务客户的客户标签因子加权得分。
S2-2基于业务客户对应的客户标签和客户关系图谱,确定所述业务客户的客户关系标签,客户关系标签体系如表5所示:
表5
S2-3基于预先设定的客户关系标签评分标准和权重,确定各个客户关系标签对应的得分及权重;客户关系标签的权重根据关系类型确定,各种关系类型的标签对应的权重如表6所示:
表6
关系类型 | 权重 |
上下游关系 | 0.5 |
投资关系 | 0.3 |
政企关系 | 0.15 |
同业关系 | 0.04 |
同址关系 | 0.01 |
将各个客户关系标签对应的得分和权重相乘,得到各个客户关系标签对应的客户关系标签因子加权得分;
将各个客户关系标签对应的客户关系标签因子加权得分相加,得到业务客户的客户关系标签因子加权得分。
S2-4将各业务客户的初始电费回收风险、业务客户的客户标签因子加权得分和业务客户的客户关系标签因子加权得相加,得到业务客户最终的电费回收风险得分;
S2-5根据电费风险评分标准85分以上为低风险,60-84分为中风险,40-59分为高风险, 40分以下为极高风险。
如某客户标签近期存在多个合同纠纷超过阈值,评分为-10分,属于司法风险类权重为 0.2,故该客户在该项的评分为-10*0.2=-2分。若客户上游企业存在多个合同纠纷超过阈值,评分为-10分,司法类权重为0.2,由于是直接上游关系层次为一层,权重为0.5,该企业的客户关系标签评分为-10*0.2*0.5=-1分。综合该企业自身标签评分和客户关系标签评价,最后综合评分为-2+(-1)=-3分,故该客户将在原有评分基础上扣减3分,形成新的评分结果。若目标客户自身标签多,客户关系标签多,则分值累加。假设该企业基础分数85分低风险,自身存在多个标签,其累计分值为-15分;同时有多个关联企业,形成多个关系标签,其关系标签累计分值为-13分;最后该企业的综合得分为85+(-15)+(-13)=57分。根据风险评分标准,该企业为高风险企业,需要加强防范。
例如某企业客户在电费回收风险防范业务中的原始评分为90分,为低风险客户。客户标签存在负面内容,如“行业景气度低”,标签评分为-8分,与该企业客户存在直接关系权重较高,设置权重为0.8,客户标签因子加权分数为-6.4。通过客户关系图谱进行关系挖掘分析,发现该企业客户的上下游关系客户、同行业关系客户等,同时洞察到,“上游企业亏损”,关系评分为-8分,关系权重为0.9,客户关系图谱因子加权分数为-7.2。最后该企业客户基于上诉客户标签和客户关系图谱的综合评分为90+(-6.4)+(-7.2),即76.4分,该企业客户电费回收风险评分产生变化,风险等级升高。
客户标签是运用内外部数据生成的用于描述客户特征的语言文字,但只是描述个体特征。客户关系图谱将业务对象关系用图表网络的方式表现,体现客户之间的网络关系。客户标签和客户关系图谱一个侧重个体、一个侧重关系,无法完整描述客户生态。基于客户标签+客户关系网络,提炼并生成关系图谱类的客户标签,深入洞察客户风险因素及可能发生的传递路径,大大提到了电费回收风险预测的准确性。
实施例2:
本发明实施例提供了一种电费回收风险评估系统,如图2所示,包括:
数据采集模块,用于获取各业务客户对应的客户标签、客户关系图谱和初始电费回收风险初始得分;
评估模块,用于基于所述各业务客户对应的客户标签和客户关系图谱对所述各业务客户的初始电费回收风险进行加权,确定各业务客户的电费回收风险等级;
所述客户标签和客户关系图谱基于业务客户的内部数据、外部数据及所述内部数据、外部数据中的相互关系构建。
优选的,评估模块,包括:
客户标签因子加权得分计算单元,用于基于所述各业务客户对应的客户标签,计算各业务客户的客户标签因子加权得分;
客户关系标签因子加权得分计算单元,用于基于所述各业务客户对应的客户标签和客户关系图谱,计算各业务客户的客户关系标签因子加权得分;
电费回收风险得分计算单元,用于基于各业务客户对应的初始电费回收风险、客户标签因子加权得分和客户关系标签因子加权得分,依次计算各业务客户的电费回收风险得分;
电费回收风险等级评估单元,用于基于各业务客户的电费回收风险得分,确定各业务客户的电费回收风险等级。
优选的,客户标签因子加权得分计算单元,包括:
客户标签计算子单元1,用于基于预先设定的客户标签评分标准和权重,确定各客户标签对应的得分及权重;
客户标签计算子单元2,用于基于所述各客户标签对应的得分及权重,计算各客户标签对应的客户标签因子加权得分;
客户标签计算子单元3,用于基于所述各客户标签对应的客户标签因子加权得分,计算所述业务客户的客户标签因子加权得分。
优选的,客户关系标签因子加权得分计算单元,包括:
关系标签计算子单元1,用于基于业务客户对应的客户标签和客户关系图谱,确定所述业务客户的客户关系标签;
关系标签计算子单元2,用于基于预先设定的客户关系标签评分标准和权重,确定各个客户关系标签对应的得分及权重;
关系标签计算子单元3,用于基于所述各个客户关系标签对应的得分及权重,计算所述各个客户关系标签对应的客户关系标签因子加权得分;
关系标签计算子单元4,用于基于所述各个客户关系标签对应的客户关系标签因子加权得分,计算所述业务客户的客户关系标签因子加权得分。
优选的,业务客户的电费回收风险得分计算式如下:
电费回收风险得分=初始电费回收风险+客户标签因子加权得分+客户关系标签因子加权得分。
优选的,该系统还包括客户标签和客户关系图谱的生成模块,包括:
数据补充单元,用于获取各业务客户对应的外部数据对所述各业务客户的内部数据进行补充;
客户标签和客户关系图谱计算单元,用于基于各业务客户补充后的数据,依次生成各业务客户对应的客户标签和客户关系图谱;
所述内部数据包括:营销业务系统数据和用电信息采集数据;
所述外部数据包括:宏观数据、工商数据、司法数据和征信人员信息。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/ 或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/ 或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制, 尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (10)
1.一种电费回收风险评估方法,其特征在于,包括:
获取各业务客户对应的客户标签、客户关系图谱和初始电费回收风险;
基于所述各业务客户对应的客户标签和客户关系图谱对所述各业务客户的初始电费回收风险进行加权,确定各业务客户的电费回收风险等级;
所述客户标签和客户关系图谱基于业务客户的内部数据、外部数据及所述内部数据、外部数据中的相互关系构建。
2.如权利要求1所述的方法,其特征在于,所述基于所述各业务客户对应的客户标签和客户关系图谱对所述各业务客户的初始电费回收风险进行加权,确定各业务客户的电费回收风险等级,包括:
基于所述各业务客户对应的客户标签,计算各业务客户的客户标签因子加权得分;
基于所述各业务客户对应的客户标签和客户关系图谱,计算各业务客户的客户关系标签因子加权得分;
基于各业务客户对应的初始电费回收风险、客户标签因子加权得分和客户关系标签因子加权得分,依次计算各业务客户的电费回收风险得分;
基于各业务客户的电费回收风险得分,确定各业务客户的电费回收风险等级。
3.如权利要求2所述的方法,其特征在于,所述各业务客户对应的客户标签为1个或多个。
4.如权利要求3所述的方法,其特征在于,基于业务客户对应的客户标签,计算所述业务客户的客户标签因子加权得分,包括:
基于预先设定的客户标签评分标准和权重,确定各客户标签对应的得分及权重;
基于所述各客户标签对应的得分及权重,计算各客户标签对应的客户标签因子加权得分;
基于所述各客户标签对应的客户标签因子加权得分,计算所述业务客户的客户标签因子加权得分。
5.如权利要求3所述的方法,其特征在于,基于业务客户对应的客户标签和客户关系图谱,计算所述业务客户的客户关系标签因子加权得分,包括:
基于业务客户对应的客户标签和客户关系图谱,确定所述业务客户的客户关系标签;
基于预先设定的客户关系标签评分标准和权重,确定各个客户关系标签对应的得分及权重;
基于所述各个客户关系标签对应的得分及权重,计算所述各个客户关系标签对应的客户关系标签因子加权得分;
基于所述各个客户关系标签对应的客户关系标签因子加权得分,计算所述业务客户的客户关系标签因子加权得分。
6.如权利要求2所述的方法,其特征在于,业务客户的电费回收风险得分计算式如下:
电费回收风险得分=初始电费回收风险+客户标签因子加权得分+客户关系标签因子加权得分。
7.如权利要求1所述的方法,其特征在于,所述客户标签和客户关系图谱的生成包括:
获取各业务客户对应的外部数据对所述各业务客户的内部数据进行补充;
基于各业务客户补充后的数据,依次生成各业务客户对应的客户标签和客户关系图谱;
所述内部数据包括:营销业务系统数据和用电信息采集数据;
所述外部数据包括:宏观数据、工商数据、司法数据和征信人员信息。
8.如权利要求7所述的方法,其特征在于,基于各业务客户补充后的数据,生成客户关系图谱,包括:
对各业务客户补充后的数据进行处理,得到结构化数据;
从所述结构化数据中提取出实体、属性以及实体间的相互关系;
基于所述实体、属性以及实体间的相互关系,生成客户关系图谱。
9.一种电费回收风险评估系统,其特征在于,包括:
数据采集模块,用于获取各业务客户对应的客户标签、客户关系图谱和初始电费回收风险初始得分;
评估模块,用于基于所述各业务客户对应的客户标签和客户关系图谱对所述各业务客户的初始电费回收风险进行加权,确定各业务客户的电费回收风险等级;
所述客户标签和客户关系图谱基于业务客户的内部数据、外部数据及所述内部数据、外部数据中的相互关系构建。
10.如权利要求9所述的系统,其特征在于,所述评估模块,包括:
客户标签因子加权得分计算单元,用于基于所述各业务客户对应的客户标签,计算各业务客户的客户标签因子加权得分;
客户关系标签因子加权得分计算单元,用于基于所述各业务客户对应的客户标签和客户关系图谱,计算各业务客户的客户关系标签因子加权得分;
电费回收风险得分计算单元,用于基于各业务客户对应的初始电费回收风险、客户标签因子加权得分和客户关系标签因子加权得分,依次计算各业务客户的电费回收风险得分;
电费回收风险等级评估单元,用于基于各业务客户的电费回收风险得分,确定各业务客户的电费回收风险等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011409201.9A CN114595909A (zh) | 2020-12-03 | 2020-12-03 | 一种电费回收风险评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011409201.9A CN114595909A (zh) | 2020-12-03 | 2020-12-03 | 一种电费回收风险评估方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114595909A true CN114595909A (zh) | 2022-06-07 |
Family
ID=81812178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011409201.9A Pending CN114595909A (zh) | 2020-12-03 | 2020-12-03 | 一种电费回收风险评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114595909A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556225A (zh) * | 2024-01-12 | 2024-02-13 | 杭银消费金融股份有限公司 | 一种人行征信数据风险管理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007189790A (ja) * | 2006-01-11 | 2007-07-26 | Chugoku Electric Power Co Inc:The | 電気料金管理システム、方法およびプログラム |
CN108256990A (zh) * | 2017-07-25 | 2018-07-06 | 平安普惠企业管理有限公司 | 服务器、风险提示的方法及计算机可读存储介质 |
CN109741071A (zh) * | 2019-01-03 | 2019-05-10 | 江苏方天电力技术有限公司 | 一种基于熵值法的电力大客户电费回收风险评估方法 |
WO2019137050A1 (zh) * | 2018-01-12 | 2019-07-18 | 阳光财产保险股份有限公司 | 互联网信贷场景下的实时欺诈检测方法、装置及服务器 |
CN111210109A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 基于关联用户预测用户风险的方法、装置和电子设备 |
WO2020232879A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 风险传导关联图谱优化方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-03 CN CN202011409201.9A patent/CN114595909A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007189790A (ja) * | 2006-01-11 | 2007-07-26 | Chugoku Electric Power Co Inc:The | 電気料金管理システム、方法およびプログラム |
CN108256990A (zh) * | 2017-07-25 | 2018-07-06 | 平安普惠企业管理有限公司 | 服务器、风险提示的方法及计算机可读存储介质 |
WO2019137050A1 (zh) * | 2018-01-12 | 2019-07-18 | 阳光财产保险股份有限公司 | 互联网信贷场景下的实时欺诈检测方法、装置及服务器 |
CN109741071A (zh) * | 2019-01-03 | 2019-05-10 | 江苏方天电力技术有限公司 | 一种基于熵值法的电力大客户电费回收风险评估方法 |
WO2020232879A1 (zh) * | 2019-05-20 | 2020-11-26 | 平安科技(深圳)有限公司 | 风险传导关联图谱优化方法、装置、计算机设备和存储介质 |
CN111210109A (zh) * | 2019-12-20 | 2020-05-29 | 上海淇玥信息技术有限公司 | 基于关联用户预测用户风险的方法、装置和电子设备 |
Non-Patent Citations (3)
Title |
---|
NURUL NAZLI ROSLI ET AL.: "A review of graphene based transparent conducting films for use in solar photovoltaic applications", 《RENEWABLE AND SUSTAINABLE ENERGY REVIEWS》, vol. 99, no. 2019, 12 January 2019 (2019-01-12), pages 83 - 99, XP085546263, DOI: 10.1016/j.rser.2018.09.011 * |
贾丙静;马润;: "基于实体对齐的知识图谱构建研究", 佳木斯大学学报(自然科学版), no. 03, 15 May 2018 (2018-05-15), pages 125 - 127 * |
郑芒英;: "湛江地区用电客户电费回收风险分析", 中国新通信, no. 07, 5 April 2015 (2015-04-05), pages 104 - 106 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556225A (zh) * | 2024-01-12 | 2024-02-13 | 杭银消费金融股份有限公司 | 一种人行征信数据风险管理系统 |
CN117556225B (zh) * | 2024-01-12 | 2024-04-05 | 杭银消费金融股份有限公司 | 一种人行征信数据风险管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780140B (zh) | 基于大数据的电力信用评价方法 | |
CN110175788A (zh) | 一种智慧城市能源云平台 | |
Ribas et al. | Multi-criteria risk assessment: Case study of a large hydroelectric project | |
Abbasimehr et al. | A novel interval type-2 fuzzy AHP-TOPSIS approach for ranking reviewers in online communities | |
CN114819494A (zh) | 一种企业风险预警方法、装置、设备及介质 | |
Cheng et al. | Analysis of the application of big data in banking sector | |
Putri et al. | Big data and strengthening msmes after the covid-19 pandemic (development studies on batik msmes in east java) | |
Bao et al. | The role of big data-based precision marketing in firm performance | |
Xu et al. | MSEs credit risk assessment model based on federated learning and feature selection | |
CN114254916A (zh) | 具有电网业务特色的多维度供应商风险实时预警方法 | |
Huang | [Retracted] Construction and Analysis of Green Investment Risk Evaluation Index System Based on Information Entropy Fuzzy Hierarchical Analysis Model | |
CN114595909A (zh) | 一种电费回收风险评估方法和系统 | |
Chen et al. | Complexity of the analysis of financial cloud based on fuzzy theory in the wisdom of sustainable urban development | |
Purba et al. | Decision Making for Optimal Marketing Strategy: A Case Study in E-Commerce | |
CN115496130A (zh) | 新发卡实时审批模型的训练及审批方法、设备及存储介质 | |
CN114202403A (zh) | 一种基于电力数据的信用评价方法和系统 | |
CN114119245A (zh) | 家族财富信息管理控制系统、方法、介质、计算机设备 | |
CN114066624A (zh) | 基于图计算的黑名单关联图谱挖掘方法及系统 | |
Zhao et al. | Research on Credit Evaluation System of E-business Enterprises from The Perspective of Organizational Resilience Theory | |
Ding et al. | LSTM Deep Neural Network Based Power Data Credit Tagging Technology. | |
Li et al. | LSTM Deep Neural Network Based Power Data Credit Tagging Technology | |
Jiao et al. | Identifying ESG types of Chinese solid waste disposal companies based on machine learning methods | |
Zhao et al. | Machine Learning Theory in the Strategic Management of Regional Risk Factors Measurement | |
Zhu et al. | Internal control, cloud accounting platform and administrative management: A case study ofchina's quzhou investment bureau | |
Cui¹ et al. | Digital economy, green technology innovation and carbon reduction effect |
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 |