电力大数据电子商务应用研究

2020-02-22陈永军吴立

现代信息科技 2020年17期

陈永军吴立

摘要：电力大数据目前主要应用于电力企业自身传统业务，其价值仍未被有效挖掘使用。随着国家“互联网+”行动计划的部署，电力企业充分发挥电力大数据资产优势，开展跨业务、跨层级的多维分析和深度数据挖掘，加强内部资源优化整合，有效促进管理变革成了当前紧迫需要。针对电力大数据在电子商务领域的应用进行研究，助力支撑电子商务、互联网金融服务等新兴业务，加快企业“互联网+能源”创新发展。

关键词：电力大数据;能源电商;客户分群;履约风险;多维分析

中图分类号：TP399;TM769 文献标识码：A 文章编号：2096-4706（2020）17-0107-05

Abstract：At present，power big data is mainly used in the traditional business of power enterprises，and its value has not been effectively mined and used. With the deployment of the national “internet plus” action plan，the power companies have fully utilized the power of big data assets，and carried out multi-dimensional analysis and deep data mining across business and across levels，strengthening the optimization and integration of internal resources，and effectively promoting management transformation，which has become an urgent need at present. The research on the application of big data in the field of e-commerce will help to support new businesses such as e-commerce and Internet financial services，and accelerate the development of “internet plus energy”.

Keywords：power big data;energy e-commerce;customer grouping;performance risk;multidimensional analysis

0 引言

2017年，党的十九大报告指出要推动互联网、大数据、人工智能和实体经济深度融合，要着力加快建设实体经济、科技创新、现代金融、人力资源协同发展的产业体系[1]。如何有效发挥企业的数据资产价值，成为当前企业转型、业务创新的突破方向。在能源行业，电力数据急剧增长并形成一定规模[2]，传统电力及能源企业也在思考如何推进大数据实际应用[3]。国内某电力科技企业——W公司正是面临这一发展窗口期。W公司已开展的业务包括B2B、B2C、在线支付、互联网金融以及新能源交易等，而如何进一步挖掘电力大数据的价值，更好的支撑电子商务业务的发展，成为W公司一直在探索的课题。近年来，笔者负责和参与了W公司建设多个电力大数据应用信息化项目，这些项目可以帮助业务运营人员了解目标客户的交易情况、经营现状及偿还信用情况等，也为W公司调整营销策略、规避风险提供了决策支撑。截至2019年，W公司累计用户数已达2.08亿，累计交易额3 293亿元，入驻优质商户8.94万家。本文依托W公司在电力大数据应用方面的探索和积累，总结方案思路和应用成果，为电力大数据应用研究及其他企业提供参考。

1 方案设计

随着能源电力公司业务的快速开展，结构化数据、非结构化和半结构化数据呈海量增长，各业务系统数据标准不统一、数据架构不规范、数据价值亟待挖掘。电力大数据具有大数据普遍的特征，包括数量大、数据类型多、处理速度快、数据准确性高以及价值高的特点[4]。基于对大数据的采集和分析技术，实现对企业业务运营情况实时数据捕捉、动态监测、运营分析和全景展示。

1.1 数据分析设计

电力大数据包括客户用电、电力交费、电力交易、客户服务及相关互联网信息等。电力大数据与国民经济其他领域数据进行交互融合，才能更好地发挥其价值[5]。电力大数据预处理完成对接收数据的辨析、抽取、清洗等操作[6]，对于用户敏感信息进行脱敏处理，并进行数据清洗、质量检查与控制及元数据管理等后续处理环节，以提高数据的准确性，提高数据资产价值。基于电力大数据的电子商务应用实现，对业务数据进行实时采集，按照客户类、产品类、交易类、流量类、营销类及业务线类等数据分类，并按照主题数据进行分类汇总和存储，再跟据分析需求构建分析场景，使用数据分析技术进行多种业务支撑分析，最后通过数据可视化技术进行成果展示。分析架构方案如图1所示。

1.2 指标结构设计

根据业务关联关系构建指标体系，其核心包括业务线、产品、客户与交易。产品归属于业务线，客户通过购买行为与产品关联，购买行为通过交易进行规范与存储。如图2所示。

在指标体系分类基础上，进行详细指标设计，包括（不限于）以下几类：

（1）核心指標：核心指标包括客户、交易、产品、流量、风险等，通过对每个主题下的核心指标的展示，反映整体运营概况。

（2）客户监测：通过注册用户、实名认证用户、活跃用户、新增用户、新增商户等信息的展示，反映获客能力，以及客户的活跃情况。

（3）客户分析：监测近一周的周活跃客户数、周新增注册用户数、周新增商户，反映近一周用户活跃、新增情况。针对不同年龄端的用户分布对客户进行画像，建立用户等级、通过图形展示各等级会员数的占比。

（4）流量监测：对浏览量、访客数、商城实时流量、实时流量、浏览深度方面的情况，根据关键词，展示搜索排名情况。

（5）流量分析：实时展示当天的日浏览量、日访客数;按小时展示当天日浏览量、日访客数的变化趋势;按小时展示当天每个客户的浏览量（浏览深度），并与昨日的浏览深度进行对比分析。

（6）交易分析：监测各渠道、各区域、各品类的交易分布情况，并以颜色进行区分。

（7）产品监测：对商城品类、互联网金融各品类商品进行监测。

（8）产品分析：对各个品类商品进行销量分析、区域分布分析等。

（9）营销监测：对平台的营销活动进行监测。

（10）用电分析：月用电量、交费分析、欠费分析。

根据业务部门需要，可进行单个指标分析或组合分析。

1.3 操作流程设计

电子商务应用分析操作过程，从业务部门提出业务问题发起，并确定分析专题领域。数据分析部门进行业务问题范围定义，并进一步确定分析数据范围，再进行分析建模，最后实现数据分析过程。实现流程如图3所示。

分析结果展示采用可视化技术，电力大数据可视化是数据价值传递的有效方式[7]。电力生产与企业经营方面，数据可视化能够全面、及时反映企业经营状态，满足运行管理的需要[8]。本方案采用可定制化方式，根据不同指标和专题场景，设计展示画面，并绑定后台数据，支持数据表格、图形及动画等多种展现方式。

2 方案应用

电力大数据电子商务应用以拓展公司业务领域、实现客户服务价值为目标，充分结合自身资源优势，围绕“互联网+”特色主线，建立服务于客户个人和商家的电子商务服务综合生态体系，通过信息化手段使客户、商家、服务平台和合作伙伴之间共享大数据平台带来的分析成果与收益，实现业务与服务智能化。本文的分析方案为电子商务、互联网金融服务业务板块运营服务，通过核心指标、多维专题的分析、挖掘与展示，反映公司获客能力、企业营业收入、交易风险等运营概况，为及时了解业务开展情况、防范各类事件风险提供了有效的参考与依据。

2.1 供应商履约风险评估应用

由于合作供应商经营问题，出现法律问题，会严重影响合同或项目的执行。如何识别供应商的风险，做好防范准备，变得非常重要[9]。电子商城大宗交易，如物资批量采购或电力工程等，因涉及交易金额较大，即涉及供应商的履约风险问题。履约风险来源于资信评价，传统资信评价基于企业的贷款与还款、经济纠纷处理等信息，这些信息具有数据不完整、更新频率慢等特点，不能及时反映企业的经营状况。而基于电力大数据，如企业用电数据，则可以及时反映企业的生产景气程度。目前我国产业结构不断调整，用户用电特性越发多样化，同一行业不同用户用电特性差异巨大[10]。如图4所示，通过抓取某钢铁制造型企业近3年的月用电数据，进行趋势分析，获取该企业的生产经营景气程度相关信息，为商城交易履约评价提供参考。

分析评价：该企业作为高耗能制造企业，对电力资源消耗较大。从近三年的企业用电数据来看，企业用电整体呈微幅下降趋势，这主要与企业淘汰落后产能并进行节能改造升级有关。从近半年企业用电情况来看，企业用电情况大幅下降后逐渐上升，说明受宏观疫情影响，企业存在明显减产情况，后逐步恢复生产。

从互联网抓取该该企业所在地区近期市场钢材价格，进行趋势分析，如图5所示。

分析说明：该企业所在地区钢材产品价格稳中有升，结合该企业近期用电数据呈上升趋势，说明该企业生产情况良好，经营较为景气，交易违约风险较小。

2.2 客户分群分析应用

在市场营销领域，根据用户关键特征进行分类，然后根据不同类型用户提供不同服务，推销特定产品等[11]。客户分群通过后台数据的整合，包括用户电费缴纳数据、商城交易数据等，使商城交易使用科学的分析方法、建模算法和数据挖掘能力辅助业务部门制定决策，全面、直观的了解掌握客户特点，从而采用相应的营销策略，提高客户和产品生命价值，最终提高客户黏性和平台业务收入。通过客户分群分析，可以实现以下目标：

（1）全面认识客户及客户群体。

（2）高效率、低成本的获取优质的客户。

（3）认识、控制客户的风险。

（4）实现交叉及提升销售以及提高客户价值和忠诚度。

（5）分析、预测客户流失以保留优质的客户。

首先收集客户及交易数据，包括基本信息：ID，年龄，职业，地理位置，注册时间等;价值及风险分类数据：包括账户余额，交易评价，绑定银行卡数等;交易行为特征数据：交易时间，交易金额，收货地址等。其次使用主成分分析或者因子分析，提取出有价值、信息量更重要的属性数据。再次，使用聚类分析（Clustering）等技术实现分群，将有意义的属性变量放入选定模型中，调整算法，构建聚类模型。对客户购买行为的数据的转换为结构化的数据，按商品的购买频度（次/周）、季度消费金额（千元/季度）、同比季度消费金额（千元/季度）等数据信息进行汇总统计。运用数据挖掘模型对数据进行聚类分析，给定区间将客户分为：重要、一般、不活跃三大类;同时将购买频度：上升、保持和降低。为业务决策部门提供客户营销建议为消极（一般挽留和重点挽留）和积极（商品推荐、VIP推荐等），获得客户分群聚类结果如表1所示。

2.3 交易多维分析应用

多维分析（Online Analysis Processing，OLAP）在BI中被广泛使用，帮助分析数据仓库和数据立方体中的多维数据[12]。交易多维分析应用采用维度（Dimension）加分析度量（Measure）方式建立，通過地域、时间、商品类型、商品、供应商及采购类型等不同维度，分析交易金额、交易笔数等业务指标，提供多种不同详细分析场景，便于业务分析人员了解不同地域、不同时间、不同商品的交易情况，以满足提前补货及调整货品上架数量等业务需要。交易多维分析应用如表2所示。

交易多维分析支持钻取（Drill-up和Drill-down）、切片（Slice）和切块（Dice）、以及旋转（Pivot）等多种分析应用。

3 结论

近年来，电子商务持续快速发展，与各类实体经济不断融合，重塑供应链，提高供求方匹配度，引领经济转型新方向。本文根据当下移动互联网的发展，结合电力大数据支撑电子商务应用进行研究，以信息系统运行监控为主体，进行多方数据的融合和关联，进行了供应商履约风险评估、客户分群分析及交易多维分析的应用研究，从而通过数据分析支持公司生产运行和经营管理，提升业务应用的信息展现和辅助决策能力。

参考文献：

[1] 习近平.决胜全面建成小康社会夺取新时代中国特色社会主义伟大胜利 [N].人民日报，2017-10-28（1）.

[2] 陈超，张顺仕，尚守衛，等.大数据背景下电力行业数据应用研究 [J].现代电子技术，2013，36（24）：8-11+14.

[3] 薛禹胜，赖业宁.大能源思维与大数据思维的融合（二）应用及探索 [J].电力系统自动化，2016，40（8）：1-13.

[4] 王继业.大数据与电力企业 [J].电力信息化，2012，10（8）：7.

[5] 彭小圣，邓迪元，程时杰，等.面向智能电网应用的电力大数据关键技术 [J].中国电机工程学报，2015，35（3）：503-511.

[6] 段军红，张乃丹，赵博，等.电力大数据基础体系架构与应用研究 [J].电力信息与通信技术，2015，13（2）：92-95.

[7] G·L·伯恩哈特.数据可视化：CN101681245 [P].2010-03-24.

[8] 闫龙川，李雅西，李斌臣，等.电力大数据面临的机遇与挑战 [J].电力信息化，2013，11（4）：1-4.

[9] 燕歌，许超.基于大数据的集中采购平台供应商信用管理的研究及应用 [J].建设机械技术与管理，2020，33（3）：62-66.

[10] 陈海文，王守相，梁栋，等.用户节电的大数据分析及应用 [J].电网技术，2019，43（4）：1345-1354.

[11] 王毅，张宁，康重庆，等.电力用户行为模型：基本概念与研究框架 [J].电工技术学报，2019，34（10）：2056-2068.