基于数据挖掘技术的电力营销分析系统的设计

陆慧 梁林森 张秋辉

摘要 随着现代企业转型的需求，如何借助现代化的信息工具加快对客户的分析，并加快企业在现代营销中营销对象的转变，成为当前思考的重点。本文从软件设计的思想角度入手，在对系统用例进行分析的基础上，分别对系统的架构、功能模块等进行详细设计，从而为当前电力营销的信息化提供借鉴。

【关键词】数据挖掘技术 电力营销 分析系统

随着市场经济的发展，我国的电力企业逐渐由生产型企业转为经营型企业，市场营销和客户服务成为电网企业当前工作的重要方面，市场营销的概念随之进入了电力行业。用户行为分析是市场营销中的重要工作，因而，用电客户行为分析也自然而然地成为了电网企业数据分析部门的重要工作。

1 系统用例分析

由于电网公司中各个人员对电脑的了解层次不同，以及对系统的功能需求也存在不同，所以本文将该系统的整体用例图设计为如图1所示。

2 系统设计

2.1 系统体系结构设计

系统设计结构框架主要运用Struts（开源框架）+ Spring（设计层面框架）+Hibemate（对象关系映射框架）所组成的轻量级组合框架。其中采用开源框架提供的实现组件运用于表示层，再通过java服务器页面形式呈现于用户浏览器上展示，以此实现用户请求及输入信息的接收工作，业务逻辑层将会接收到该用户信息并进行处理，再将处理完毕信息利用表示层传回用户。业务逻辑层在系统起到关键作用，负责主要核心功能的实现，如：数据采集、数据预处理、数据挖掘、结果分析等。系统的扩展维护具体采取设计层面框架用于解耦表示层与持久层。对象关系映射框架以实现持久层对数据库访问实现封装，设计模式为数据访问对象。以此完成具体业务逻辑实现时通过Java的面向对象思想进行数据库的访问，进一步简化编码工作减轻代码编写工作量。

2.2 系统功能模块设计

数据挖掘流程又分为五大功能模块，具体为分成数据采集、数据预处理、数据挖掘、结果分析和系统管理。本文重点对数据采集模块、数据挖掘模块和结果分析模块的设计与实现进行了阐述。

2.2.1 数据采集模块

数据采集模块在系统功能中担起选择需深入处理及挖掘目前数据集的重任。该模块在完成目标数据的选择后，将实现不同权限工作人员查看数据属性及数据维护的工作。数据采集模块主要由选择数据集、数据维护以及数据属性查看三个功能。在系统工作层次中，只有管理层或是数据分析层有权利使用其全部功能，而普通职工层无法使用功能权利。在系统中数据预处理模块扮演者极其重要的角色，该模块可以对属性不相同的连续值与离散值的数据集进行相关的数据预处理。连续值与离散值不同之处在于，连续值具有忽略缺失数据、删除负值法、用整体均值填充、用最可能值填充、回归方法填充等;离散值则是具备忽略缺失数据、常量值填充、用整体均值填充、用最可能值填充等。连续值通常以按小数定标法、最大值最小值方法以及Z-SCORE用于数据转换;离散值重点侧重于数据泛化的方法，属性不同设计方法也就相应不同。而连续值比起离散值所需处理设计的工作量要少很多。

2.2.2 数据挖掘模块

在系统的形成中，数据挖掘模块可以说是最为重要的部分。其主要作用于对用户进行细分、评估用户的信用度以及预测出可能欠费高风险客户。主要负责于对己处理过的数据集进行二次分析与挖掘，其也是业务逻辑目标所体现的关键。数据挖掘模塊使用全部功能的权利也仅限于管理层与数据分析层。系统在用户细分上依靠聚类分析技术得以实现，在聚类算法方面又将采取K-means算法以及层次分析法进行计算。聚类在客户信用度评估度功能方面也起到有效作用，可实现对不同信用度用户进行评估及标记。在此过程中也将采用K-means算法以及层次分析法进行用户细分，并在此基础上采用分类计数的各项算法对系统新增用户的信用等级进行判断，如ID3决策树法、朴素贝叶斯分类法等，根据实际情况中不同的业务指标，结合系统数据库中现有数据，对高风险客户群进行分类及预测，以此为相关业务人员的营销工作提供参考。

2.2.3 基于K-means算法的模型设计

数据挖掘是一种被广泛应用于计算机软件、统计学、人工智能理论等多项新型研究领域的先进技术，自身具备丰富的理论知识，值得社会各界的深入研究。由此看出，对数据挖掘技术的研究关系着我国各智能领域的发展，具有极其重要的现实意识。就目前形式而言，数据挖掘模型就是数据挖掘技术最为直观的研究成果。根据K口means算法的各项原理及特征，对客户细分模型框架进行设计，具体K口means挖掘模型如图2所示。

2.2.4 结果分析模块

结果分析模块的设计目的是为了实现系统各数据集的数据分布、对比以及报表生成功能。其中数据分布是将系统不同的分类条件作为依据，如行业类别、客户类别、供电电压等级等，通过直观的形式将这些不同的分类条件输出相应的统计信息呈现于用户前。其中，当用户在输入相关的数据关键词或数据名称后，系统会直接生成相应的数据分布地图，然后调动JFree Char，将结果通过浏览器呈现出来。

而对数据对比来讲，其主要分为信用等级对比、欠费对比和用电量对比等，这些对比结果都是通过柱状图的方式展现出来。其具体的结果展示过程与上述的结果分析相同，都是通过数据数据属性名，然后调用JFree Char完成对结果的展示。

3 结束语

通过上述的研究看出，数据挖掘在电力营销中的作用日益凸显出来。通过数据挖掘可极大的提高营销部门对数据的利用效率，从而为电力营销提供更多的决策参考。本文则结合上述的需求，从系统功能、系统架构等方面对营销系统进行了构建，并重点给出了基于究K口means的电力数据挖掘模型，从而为当前营销系统的深度构建提供了更多的借鉴与参考。

参考文献

[1]许敏，数据挖掘技术在电力营销系统中的应用及发展[J].科技与企业，2015 （10）：60.

[2]雷波，数据挖掘技术在电力营销系统中的应用研究[J].广东科技，2014，23 （12）：41-42.

[3]王志坚，基于大数据平台的电力营销信息化建设分析[J]，内蒙古电力技术，2016，34（04）：17-22.