电网企业客户渠道引流模型建设

2020-04-15付立衡吕向彬马文建李洪宇柳长发魏志平

河北电力技术 2020年1期

付立衡，吕向彬，陈博，马文建，李洪宇，柳长发，魏志平

(国网河北省电力有限公司电力科学研究院，石家庄 050021)

随着经济的发展和社会科技的进步，为适应竞争的要求，电力企业需要在原有供电营业厅、95598服务热线等的基础上，大力拓展新兴电子渠道，努力打造多渠道服务体系，形成以门户网站、APP、第三方服务渠道等新型电子渠道为主的渠道体系[1-4]。新兴电子渠道因其提供24 h不间断的服务，使客户足不出户就能获得良好的服务，是电力营销服务发展的一个必然趋势，在公司营销服务体系中的位置越来越重要[5-6]。因而，通过整合不同渠道客户数据，进行轨迹优化完善分析，针对不同客户制定有针对性的引流策略变的尤为重要。

1 建立客户渠道引流模型的意义

电力行业电子渠道服务虽然得到了一定的发展，但仍然存在一些问题，如:掌上电力、微信公众号等线上渠道推广的客户参与度偏低，尤其在话务高峰期不能有效减少95598电话接入量；客户对线上渠道引导方式及业务办理方式等接受程度不高，且业务办理时间过长，导致客户粘度较低[4，7-8]；电子渠道的客户渗透率仍然有较大的提升空间，电力企业还需进一步分析当前及潜在的市场需求，通过提供差异化客户需求，提高电子渠道客户占比。

通过分析可以发现，提供客户渠道偏好数据支撑是解决上述问题的关键，才能保证电子渠道服务长期稳定的发展。因此，结合电力企业电子渠道发展实际情况，研究电子渠道发展现状，找出影响电子渠道发展的深层次原因，构建客户渠道引流策略分析支撑应用迫在眉睫[9-10]。

2 基于大数据流的渠道引流模型建设构建

通过打通95598、网上国网、营业厅、第三方(支付宝、微信等)等渠道的数据通道，开展全渠道客户数据资源整合，进行客户渠道偏好和渠道轨迹优化完善分析，识别客户渠道选择的深层原因，解决客户渠道精准分类并针对不同原因制定相应的引流服务策略，提升服务水平，实现精准营销。

2.1 渠道数据资源采集整合

通过汇集电网公司95598、网上国网、营业厅、第三方(支付宝、微信等)等渠道数据，包括客户编号、联系方式、诉求内容、业务种类、办理方式等相关内容，通过一定条件将这些数据进行归类分析，分析不同渠道数据的映射关系，将同一号码的多条记录进行计算并得出对应的结论，研究形成规范统一的数据标准。

2.2 完善客户渠道偏好信息模型

以客户登陆各类渠道的明细为基础，作为重要数据源，通过借鉴“神经元网络的技术”的三层结构，以及自我修正，不断完善的思想建立数据规则，通过数据库实现数据导入后的自动清洗、自动触发，经过不断的优化、测试、验证和完善，形成客户渠道偏好信息模型。

2.2.1 模型建立总体思路

借助神经网络划分为输入层、输出层和隐含层，这3层也是构建客户渠道偏好信息模型中重点借鉴的层次结构。输入层是以客户95598业务数据为基础，进一步分析电力客户的营业厅数据、客户使用掌上电力数据、定制短信数据、支付宝缴费、微信公众号数据等。

隐含层为中间处理层，是该模型的核心，主要包括对输入源分值设置、加减分规则、月度数据更新机制、运算公式等，通过存量数据计算基本分数，在基本分数的结果上计算潜量数据得分，然后计算加分项及扣分项，进而得到最终的渠道得分。每个客户可以偏好多个渠道，得分最高的渠道为其最偏好的渠道，为首推渠道。最后得到并输出的结果是偏好评分表，工作人员可以根据这个排序表，进行有针对性的业务行为，或客户推广大数据引流模型架构及实现过程见图1。

图1 大数据引流模型架构及实现过程

2.2.2 分值设置规则

客户使用各渠道的存量数据，使用次数越多，则得分越高。潜在渠道偏好数据，主要针对掌上电力和微信公众号，分值的设定见表1。

表1 潜在渠道偏好数据源分值的设定

当客户连续2个月均有使用某一渠道，则对其总分乘以1.1；连续2个月对其总分乘以1.2；半年内使用超过4次，对其总分乘以1.4。若出现客户明确表示不喜欢某一渠道，则该渠道的偏好得分直接置为0，且需要打标签，半年内不统计该客户的潜在数据。若出现客户投诉某一渠道，则对其总分实行扣减一半的处理。

该模型主要考虑以单个客户为对象，研究不同客户对于不同渠道的偏好度，从而形成初步的客户渠道偏好数据。基于该模型能有效聚合客户在各渠道信息、行为轨迹信息，支撑渠道偏好分析，以及进一步的渠道轨迹优化分析。

2.2.3 数据优化和维护

经过不断的优化、测试、验证，系统渐渐得到了完善，所得出来的结论经过验证符合模型中公式的要求，可以认为电力客户的渠道偏好数据得到了初步的支撑。由于数据量庞大，且从目前数据来看，客户的渠道行为变化并不明显，故以月为周期对数据更新维护。每次进行数据维护时，包括数据备份、数据恢复、数据修改、数据删除等都作记录，以备查阅。

2.3 客户渠道偏好画像的精准细分

将营销数据、客户服务数据、配网数据、各类渠道服务数据等进行有机整合，以“标签”的形式，构建多层次、多视角、立体化的客户全景画像，实现对电力客户特征的全面刻画，分析不同客户群体在实施活动运营前后，渠道使用偏好的变化趋势。从而使业务人员能够快速获取客户基本信息、用电习惯、行为特性等情况，评估不同运营策略对客户渠道偏好度、线上业务办理偏好度改变的影响程度。针对不同客户群体的特征，提供差异化的办电、催费、交费、咨询等业务，研究建立差别化的引流策略，提高营销方案设计的针对性和有效性。

2.4 客户引流分析

对客户渠道偏好进行精准细分后，进一步分析客户用能行为、各渠道业务量、运营活动成本，构建引流因素分析模型，自由组合各种条件，对客户的属性和行为进行多维切片分析，分群组、标签对指定范围内用户发送引流信息，根据客户的渠道偏好大力推广自有渠道，实现线上渠道办理电力业务，缓解95598客服及营业厅压力，为客户提供更加快速、高效的用电体验。

改变以往营销过程中目标客户泛而不精的做法，准确定位客户的渠道偏好，对具备高潜在电子渠道偏好的客户进行引流，推广自有渠道。由于掌握了相对更精准确偏好信息的目标客户群，在营销案设置、短信群发精准宣传、品牌传播等方面相对更轻松，将极有利于提升电子渠道推广成效。

2.5 渠道数据看板展示

使用大数据可视化工具，对各渠道上相关信息展示，包括客户注册绑定、客户访问、内容访问、活动参与、缴费分布、办电分布等情况，运营活动投放轨迹数据，渠道动态分析等。

3 大数据模型应用实例

基于大数据引流模型构建了一种基于大数据的分布式电力营销策略方法，其流程图和系统功能图分别如图2、图3所示。

图2 基于大数据的分布式电力营销策略实例流程

图3 分布式电力大数据营销策略实例的系统功能

在该数据模型实例中，首先利用宽带载波进行表码数据采集:利用宽带载波技术在用电信息采集系统高效的获取采集表码数据，并回传采集结果；然后利用基于大数据的分布式处理技术方案完成包含抄见电量计算、定比定量计算、主分表扣减计算、变损电量计算、线损电量计算、测算电量计算、目录电度电费计算、基本电费计算、代征电费计算、协议测算电价计算、电量电费审核、基准比较、日电量计算等大数据的计算处理；然后对以上产生的计算结果大数据进行分布式的营销策略应用处理，并生成策略应用结果，包含提醒、预警、取消预警、停电、复电、特殊事务项等；推送以上得到的策略应用结果给不同的策略执行系统，如对根据电量、电费、阶梯档位变化、指定日等提醒用户当前电量电费余额内容，对需停电的用户自动下发停电指令，对需缴费后需复电的用户自动下发复电指令，对特殊事务如不允许停电、执行系统检修等执行特殊处理；对策略执行结果进行反馈，保障策略应用的闭环管理，同时进入下一个策略应用产生周期。图4为本实例大数据营销引流系统的渠道部署图；图5为用于实现该系统的技术架构图。

图4 大数据营销引流系统实例的网络渠道部署

由图4可看出与网络渠道部署相对应，在系统的硬件部署上，主机服务器设置调度服务器、基于大数据电费测算的分布式应用服务器、大数据工单处理分布式应用服务器、分布式缓存服务器、档案分布式缓存服务器和档案变更服务器通过总线连接数据库服务器、数据交换服务器、备份服务器和测试培训服务器；同时设置数据库服务器、数据交换服务器、备份服务器和测试培训服务器，后者通过总线将数据分送存储器和数据备份设备。

图5 大数据营销引流系统的技术架构

由图5可看出在大数据的技术架构上，设置了展现层、业务逻辑层、技术支撑层、数据资源层、支撑平台层、数据资源层和基础设施层。展现层:采用传统技术，在J2EE技术体系下，可采用MVC应用框架，由界面控制器组件、界面操作组件、JSP页面组件和服务代理单元组成。业务逻辑层:该系统主体的业务功能在该层实现，包括:数据准备、电费测算、基准比较、工单处理、WEB应用。主要采用基于大数据的分布式处理技术加以实现。技术支撑层:为了实现业务逻辑，需要支撑技术组件，主要包括任务调度、权限服务、缓存服务、日志服务、运行监控。数据资源层:该系统的数据分类可以分为事务型数据、过程数据、缓存数据3种类型，均采用基于大数据的存储方式，为分布式计算提供数据基础。支撑平台层:与数据资源层并列，在基础设施层之上，提供大数据平台和复杂事件处理平台。基础设施层:支持平台运行的网络环境、软件环境及硬件资源。主要包括网络、主机、存储、备份、软件平台等。