基于電力企業目標的中小客戶細分研究

張偉峰 郭大琦 阮箴 張家浩 方智淳

摘 要：目前電力企業非常重視大客戶和居民客戶的分析和研究工作，針對中小客戶的產品和策略研究較少。但中小客戶群體數量多、社會影響面較廣，且經常存在多用電類別合用的情況，容易發生欠費、安全用電、內部廉政等多方面風險。本研究擬通過對中小客戶群體進行客戶細分和營銷策略研究工作，識別不同細分群體客戶特點，制定差異化、個性化營銷策略。為今后孵化出針對中小客戶的服務、產品打下基礎，以解決目前中小客戶供電服務的模式化、粗放化，進一步提升客戶滿意度、增加公司經營效益、降低公司經營風險。

關鍵詞：客戶細分;聚類分析;差異化服務

中圖分類號：F426.61 文獻標識碼：A 文章編號：1671-2064（2019）02-0150-02

0 引言

隨著“互聯網+”的深入發展，電力客戶差異化、個性化服務需求凸顯，為了能夠更好地、更有針對性地滿足客戶多元化的需求，亟待對客戶進行有效分類，為深入掌握客戶需求提供分析主體，據此制定的服務策略才能夠精準地滿足不同客戶的用電服務需求，實現差異化與個性化服務。為更好的適應當前社會的發展，提升電力企業的服務水平，各個電力企業開始提升自身的服務水平，并結合當前的信息化技術，加強對客戶類型的分類，并挖掘其中的有效信息，進而制定針對不同的客戶群體制定不同的營銷政策。而通過這種方式，還可以為不同的客戶提供差異化的電力服務，最終提升電力企業客戶服務水平的提升。因此，在這種思想的指導下，很多電力企業開始結合自身的實際情況，對不同的客戶進行分類。

1 客戶細分研究

1.1 客戶細分研究概述

客戶細分是由美國學者溫德爾史密斯（1958年）提出的，指企業根據一定目的按照一定標準將現有客戶劃分為不同的客戶群。其目的在于使企業在有限資源的基礎上為客戶提供有針對性的產品、服務和銷售模式，滿足客戶異質性需求，有效參與市場競爭。目前國內外對客戶細分的應用基本上圍繞人口統計、生活方式、行為等方向展開，細分的維度也更多地由單維轉向多維，研究工具除了傳統的統計分析方法，開始大量采用數據挖掘技術、計算機人工智能技術，如決策樹、隨機森林、神經網絡等。國內電網企業對客戶細分也開展了大量的研究及應用工作，如從客戶用電性質、電壓等級、用電規模、信用等級等角度對電力客戶進行分類。

1.2 電力客戶細分研究

當前，電力客戶分類主要存在如下幾個方面的問題：客戶細分維度單一，客戶細分應用性較差等問題。

客戶細分維度單一。現有的客戶細分維度單一，僅依據合同容量、用電量等單一維度來劃定，存在一定的局限性，更沒有采用定性與定量相結合的方式進行客戶細分。

客戶細分應用性較差。電力公司目前現有客戶現場服務中僅電壓和行政區域細分常用，不能適應競爭性市場營銷活動的需要，未能指導員工進行有效的市場營銷活動，可操作性較差，且內容更新頻率慢，已不能滿足市場和電網企業員工需求。

對于本文中小客戶的細分研究，以企業自身目標為出發點，對目標進行分解。以當前中小商戶的用電行為導致的三大風險，即廉政風險、欠費風險、安全風險為出發點，以降低風險為目標，展開多維度，多指標的客戶細分工作。

以上圖1為例，借鑒三維法，以三維體系為基準，構建客戶細分模型。從企業目標入手，建立基于企業目標的客戶細分體系，克服傳統市場細分方法的缺點，構建能夠有效幫助企業實現提升目標的市場細分模型。

2 客戶細分模型構建

2.1 K-means算法原理

本文結合相關的主要的分類方法，提出基于K-means的客戶細分模型。K-means作為一個經典的聚類算法，該算法的原理是結合歐式距離定理對不同空間中的數據相似度進行分析。其具體的過程：首先將需要聚類的數據進行劃分，根據K值分為K個不同的類簇，然后在以某簇作為中心，就該簇與其他簇之間的距離進行計算。將相似度較大的劃分為一類，然后在對上述的數據進行劃分，以此類推。具體的數學描述為：

假設在Q維空間中，存在有限集X={x1，x2，…，xn}，采用隨機的方式將有限集分為k類，表示為C1，C2，…，Ck，若類中存在n個對象，那么第i類聚類中心可定義為Z1，Z2，…，Zk。定義其歐式距離公式：J=。

式（1）表示第j個文本到第i個聚類中心的距離。

2.2 客戶細分模型構建

結合K-means算法的原理，本文將本系統的客戶細分模型的步驟設計為如下：

（1）選擇客戶細分的變量。根據需要分類的目標和相關的實際數據，對細分的指標進行選取;（2）對數據進行預處理。對需要細分的電力客戶數據進行進行清洗、歸一化、轉換和缺失等處理;（3）采用K-means算法對客戶進行分類，并給出分類的結果;（4）將結果通過圖形、表格等方式顯示出來。

3 基于K-means電力客戶細分

3.1 數據樣本預處理技術

對抽取的數據進行初步整理，檢查數據是否存在變量的缺失值、未知值、無效值等異常情況，對于異常值情況采用直接刪除的方式或者按照數據分布的分位數比例進行替代。如：在欠費風險中，將月度平均用電量、月度平均電費為空值（立戶日期為2018年9月1日以后的）;月度平均用電量、月度平均電費為異常值（比如為零點幾）;年電量增長率為異常值（主要為立戶日期2017年10月以后的）;運行容量值為0;累計欠費次數為0，實收違約金不為0，等相關樣本數據進行剔除。

將剔除完的樣本數據數據進行標準化處理。標準化采用Z-score方式：Z=。

其中，x是原始數據，是全部數據的均值，σ為標準方差。將標準化后的樣本數據引入SPSS軟件，進行樣本數據的K-means聚類分析。

3.2 中小客戶細分結果