基于数字化的营销抄核收工作风险管控研究

陈婉清 郑安霖 朱孟 董斐斐

摘  要：随着数字化时代的到来，电力营销工作正在从传统手动模式向智能化、数字化转型。营销抄核收工作的风险管控是数字化电力营销工作的一个重要分支，在营销工作中占据着不可或缺的地位。针对当前核算异常分析报告方法落后，异常信息数据量大，每月周而复始地做重复工作等情况，设计一个程序代码，以此提高每月异常分析报告的生成效率，提高营销抄核收工作的风险管控能力和效率。

关键词：数字化;智能化;风险管控

中图分类号：TP311       文献标识码：A文章编号：2096-4706（2022）05-0141-03

Research on Risk Management and Control of Marketing Reading-check-billing Work Based on Digitization

CHEN Wanqing， ZHENG Anlin， ZHU Meng， DONG Feifei

（Quanzhou Power Supply Branch of State Grid Fujian Electric Power Co.， Ltd.， Quanzhou  362000， China）

Abstract： With the advent of the digital era， the power marketing work is transforming from the traditional manual mode to intelligence and digitalization. The risk management and control of the marketing reading-check-billing work is an important branch of digital power marketing work， it occupies an indispensable position in the marketing work. In view of the current backward accounting exception analysis report method， large amount of abnormal information data and repeated work every month， a program code is designed to improve the generation efficiency of monthly exception analysis report and the risk control ability and efficiency of marketing reading-check-billing work.

Keywords： digital; intelligence; risk management and control

0  引  言

提高電费回收率一直是电网企业经营管理的重要指标[1]。电的交易又与普通商品不同，都是由电力公司先供电，用户用电后才计收电费。特别是高压用户，用户基数占比少，仅为1%，但是电费占比却很大，月均电费可占总社会用电电费的60%以上。用户所交电费的正确与否，不仅影响到用户体验，也深深地影响着电费实时回收率。电费抄核收工作的落实到位是电费能否正确生成的重要前提，因此，抄核收工作中的风险管控就显得尤为重要。

截至目前，笔者所在电网企业已有超过四百万的用户，智能采集率、智能审核以及智能发行率基本上都能达到97%，但是仍然有许多用户的电量需要人工抄核，各种需要人工干预的异常情况时有发生。因用户而异的档案设置、业扩流程变更等环节，都有可能出现抄核收风险。因此，电费核算是抄核收工作中最重要的一个环节，审核过程中对拦截用户进行逐户审核，找到风险点，分析情况后下发或者登记处理[2]。所有这些环节都离不开人工干预。为了做到全面统计并及时跟踪每月工作风险点处理情况，需要由专职人员每月对已发现的异常整理汇总并生成报告，占用时间多，有很大的效率提升空间。

营销工作中的电费审核跟踪报告是抄核收风险管控中一个很重要的手段。报告中详细罗列了各地区各专业的异常情况。而通过数字化平台或诸如Python、Excel VBA之类的工具来提升报告的生成效率，可大大节省工作时间，并减少此过程中可能发生的差错[3]。针对这一课题，我们进行了以下研究。

1  风险点梳理

为了寻找适合的系统工具，我们首先针对营销抄核收工作中经常出现的风险点进行梳理，整理出如表1所示的表格。

通过梳理我们发现，每个专业容易出现的风险点数量并不统一，每个风险点每个月出现的故障频次并不固定，并且每个地区每月出现的情况也各不相同。而整理出各地区各个月份的异常情况、风险点情况报告则是核心所在。综上，选择工具时要兼顾实用性与可变换性，而且要便于操作，因此我们选择了Python这一工具。

2  程序系统逻辑与架构

众所周知，程序是指依据处理事物的各项流程以及时间的先后顺序，提前编写完成的并具备特定用途的指令[4]。由于每月各地区各专业出现的风险点数量是本次管控研究的重点，我们通过不断试错，取消了在语句中直接罗列风险点列表的环节，而是根据每个月情况的不同，先由程序通过读取表格中的数据去设置当月各地区各专业的风险点情况，从而建立异常报告的生成逻辑，并根据需求进行Python语言的编写，以此达到快速生成报告的目的，如图1所示。

3  程序语句模块架构

通过流程逻辑分析，得出每一模块应该完成的目标功能，基于目标反向推导，通过关联规则、决策树等提出有效的解决方案，将程序设计语言作为工具与载体，注入算法这一灵魂后，对各个模块进行逐一测试。在所有模块皆完成测试并可运行后，再通过逻辑关系确定顺序，完成最终程序。而Python比其他语言更简洁，且易于拓展，方便定制[5]。因此，利用Python对各模块语言进行编写。

3.1  各集合与字典的生成

首先是根据模块及画面代号按规则命名，而后通过读取汇总表中的数据生成所需的集合以及各专业所对应风险点集合的字典，该部分的主要程序语句为：

header_all_0 = ['用检'，'营业业扩'，'系统'，'计量'，'抄表'，'采集'] #全部应有列名格式

header_all_1 = ['用检'，'营业业扩'，'系统'，'计量'，'抄表'，'采集']

header_all_2 = ['已整改'，'待核实'，'未处理'，'整改中'，'总计'，'整改完成率'] #全部应有列名格式

HEADER_ALL = {0：header_all_0，1：header_all_1，2：header_all_2}

row_all = ['地区1'，'地区2'，......] #全部应有行名格式

header_all_pipei = ['供电单位'，'已整改'，'待核实'，'未处理'，'整改中'，'需删除列'，'总计'，'整改完成率']

Error_Category = {} #差错类别汇总成字典

3.2  格式的正确设置以及清除未知项

def fill_col（WS，HZ，HEADER）： #填补全部值为0导致不存在的列

n = WS.max_column

for col in HEADER：

if col not in HZ.columns.tolist（） ：

n += 1

WS.cell（1，n）.value = col

def fill_row（WS，HZ）： #填补全部值为0导致不存在的行

n = WS.max_row

for row in row_all：

if row not in HZ._stat_axis.values.tolist（）：

n += 1

WS.cell（n，1）.value = row

def Get_column_names（WS，d，a = 1，b = 1，c = 1）：

header = []

for cell in WS.iter_rows（min_row = a，max_row = b，min_col = c，max_col = d，values_only = True）：

for cell0 in cell：

header.append（cell0）

return header

def Get_index_names（WS，a = 1，b = 1 ，c = 1，d = 1）： #獲取索引（排序不包括“供电单位”）

index0 = []

for cell in WS.iter_rows（min_row = a，max_row = b，min_col = c，max_col = d，values_only = True）：

for cell0 in cell：

index0.append（cell0）

return index0

def excel_to_docx（WS，doc）： #将表格导入WORD

rows = WS.max_row

cols = WS.max_column

table = doc.add_table（rows = 0，cols = cols，style = ‘Light List Accent 1’）

for d in WS.rows：

row_cells = table.add_row（）.cells

for i in range（cols）：

row_cells[i].text = str（d[i].value）

3.3  各专业汇总情况

本处只附上各地区各专业的风险点整改情况进度表模块：

df2.rename（columns = {'未整改'：'未处理'}， inplace = True）#inplace表示直接替换掉原来DF中的数据，如果False就要像上一行进行一次赋值

df0['合计'] = df0.iloc[：].sum（axis = 1）  #按行累计

df2['总计'] = df2.iloc[：].sum（axis = 1）  #按行累计

df2['整改完成率'] = round（df2['已整改']/df2['总计']，2）.apply（lambda x： '%.0f%%' % （x*100））

for i in range（len（row_all））：

if df2.loc[i，'总计'] == 0：

df2.loc[i，'整改完成率'] = '100%'

df2.columns = header_all_pipei

del df2['需删除列']  #未知原因导致未处理出现多了一列，值为0，为求简便设置了一个列表header_all_pipei来修改列名，然后才能准确地删除该多出来的列

with pd.ExcelWriter（path_hz，engine = ‘openpyxl’） as writer：

for i in [0，2]： #hz1数据情况不同

DF[i].loc['行合计'] = DF[i][：].loc[：].sum（） #按列累计

DF[i].loc['行合计'，'供电单位'] = '合计'

DF[i] = DF[i][ORDER_COL[i]]

DF[i].to_excel（excel_writer = writer，sheet_name = SHEETNAME[i]，encoding = ‘utf-8’，index = False）

df1.to_excel（excel_writer = writer，sheet_name = SHEETNAME[1]，encoding = ‘utf-8’，index = False）

4  系统应用与实践

分块完成后，整合所有模块，针对模块中需要的内置模块进行引用，再进行比对，核实成果为实际需求。图2中的部分数据已做加密处理，该表格中共有数据1 979条，人工汇总需要用时1.2小时，用程序语句运行只需5秒钟，大大提高了风险點汇总效率且不易出错，准确率高。

5  结  论

国家发改委全面放开工商业用户市场化通知的发布，使电费回收工作在新的形势下更加紧迫。而电费回收又是一项综合性的任务，随着数字化时代的到来，大多数情况下人工操作已远远不能满足实际效率需求。本文通过设计一段程序，不但提高了抄核收工作中的风险管控效率，更提高了电费正确率，为电费正确回收提供有力保障。

参考文献：

[1] 陈惠娟.电费回收中的风险与防范措施分析 [J].企业技术开发，2015，34（17）：135-136.

[2] 张晓梅.电费回收风险分析及回收管理路径 [J].科技与创新，2015（18）：66+68.

[3] 王力.营业抄核收工作适应电力信息化发展的途径 [J].科技风，2017（15）：277

[4] 王常衡，李嘉伟，罗钦，等.浅析Python语言及其应用前景 [J].计算机产品与流通，2019（4）：146.

[5] 许朝侠.非计算机专业Python语言程序设计教学体系建设初探 [J].软件导刊（教育技术），2019，18（2）：48-50.

作者简介：陈婉清（1991—）女，汉族，福建泉州人，中级经济师，本科，主要研究方向：电力营销风险管控、电力营销数字化信息处理、电费回收及用电可靠性分析。