電力大數據電子商務應用研究

陳永軍 吳立

摘? 要：電力大數據目前主要應用于電力企業自身傳統業務，其價值仍未被有效挖掘使用。隨著國家“互聯網+”行動計劃的部署，電力企業充分發揮電力大數據資產優勢，開展跨業務、跨層級的多維分析和深度數據挖掘，加強內部資源優化整合，有效促進管理變革成了當前緊迫需要。針對電力大數據在電子商務領域的應用進行研究，助力支撐電子商務、互聯網金融服務等新興業務，加快企業“互聯網+能源”創新發展。

關鍵詞：電力大數據;能源電商;客戶分群;履約風險;多維分析

中圖分類號：TP399;TM769? ? ? 文獻標識碼：A 文章編號：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，黨的十九大報告指出要推動互聯網、大數據、人工智能和實體經濟深度融合，要著力加快建設實體經濟、科技創新、現代金融、人力資源協同發展的產業體系[1]。如何有效發揮企業的數據資產價值，成為當前企業轉型、業務創新的突破方向。在能源行業，電力數據急劇增長并形成一定規模[2]，傳統電力及能源企業也在思考如何推進大數據實際應用[3]。國內某電力科技企業——W公司正是面臨這一發展窗口期。W公司已開展的業務包括B2B、B2C、在線支付、互聯網金融以及新能源交易等，而如何進一步挖掘電力大數據的價值，更好的支撐電子商務業務的發展，成為W公司一直在探索的課題。近年來，筆者負責和參與了W公司建設多個電力大數據應用信息化項目，這些項目可以幫助業務運營人員了解目標客戶的交易情況、經營現狀及償還信用情況等，也為W公司調整營銷策略、規避風險提供了決策支撐。截至2019年，W公司累計用戶數已達2.08億，累計交易額3 293億元，入駐優質商戶8.94萬家。本文依托W公司在電力大數據應用方面的探索和積累，總結方案思路和應用成果，為電力大數據應用研究及其他企業提供參考。

1? 方案設計

隨著能源電力公司業務的快速開展，結構化數據、非結構化和半結構化數據呈海量增長，各業務系統數據標準不統一、數據架構不規范、數據價值亟待挖掘。電力大數據具有大數據普遍的特征，包括數量大、數據類型多、處理速度快、數據準確性高以及價值高的特點[4]。基于對大數據的采集和分析技術，實現對企業業務運營情況實時數據捕捉、動態監測、運營分析和全景展示。

1.1? 數據分析設計

電力大數據包括客戶用電、電力交費、電力交易、客戶服務及相關互聯網信息等。電力大數據與國民經濟其他領域數據進行交互融合，才能更好地發揮其價值[5]。電力大數據預處理完成對接收數據的辨析、抽取、清洗等操作[6]，對于用戶敏感信息進行脫敏處理，并進行數據清洗、質量檢查與控制及元數據管理等后續處理環節，以提高數據的準確性，提高數據資產價值。基于電力大數據的電子商務應用實現，對業務數據進行實時采集，按照客戶類、產品類、交易類、流量類、營銷類及業務線類等數據分類，并按照主題數據進行分類匯總和存儲，再跟據分析需求構建分析場景，使用數據分析技術進行多種業務支撐分析，最后通過數據可視化技術進行成果展示。分析架構方案如圖1所示。

1.2? 指標結構設計

根據業務關聯關系構建指標體系，其核心包括業務線、產品、客戶與交易。產品歸屬于業務線，客戶通過購買行為與產品關聯，購買行為通過交易進行規范與存儲。如圖2所示。

在指標體系分類基礎上，進行詳細指標設計，包括（不限于）以下幾類：

（1）核心指標：核心指標包括客戶、交易、產品、流量、風險等，通過對每個主題下的核心指標的展示，反映整體運營概況。

（2）客戶監測：通過注冊用戶、實名認證用戶、活躍用戶、新增用戶、新增商戶等信息的展示，反映獲客能力，以及客戶的活躍情況。

（3）客戶分析：監測近一周的周活躍客戶數、周新增注冊用戶數、周新增商戶，反映近一周用戶活躍、新增情況。針對不同年齡端的用戶分布對客戶進行畫像，建立用戶等級、通過圖形展示各等級會員數的占比。

（4）流量監測：對瀏覽量、訪客數、商城實時流量、實時流量、瀏覽深度方面的情況，根據關鍵詞，展示搜索排名情況。

（5）流量分析：實時展示當天的日瀏覽量、日訪客數;按小時展示當天日瀏覽量、日訪客數的變化趨勢;按小時展示當天每個客戶的瀏覽量（瀏覽深度），并與昨日的瀏覽深度進行對比分析。

（6）交易分析：監測各渠道、各區域、各品類的交易分布情況，并以顏色進行區分。

（7）產品監測：對商城品類、互聯網金融各品類商品進行監測。

（8）產品分析：對各個品類商品進行銷量分析、區域分布分析等。

（9）營銷監測：對平臺的營銷活動進行監測。

（10）用電分析：月用電量、交費分析、欠費分析。

根據業務部門需要，可進行單個指標分析或組合分析。

1.3? 操作流程設計

電子商務應用分析操作過程，從業務部門提出業務問題發起，并確定分析專題領域。數據分析部門進行業務問題范圍定義，并進一步確定分析數據范圍，再進行分析建模，最后實現數據分析過程。實現流程如圖3所示。

分析結果展示采用可視化技術，電力大數據可視化是數據價值傳遞的有效方式[7]。電力生產與企業經營方面，數據可視化能夠全面、及時反映企業經營狀態，滿足運行管理的需要[8]。本方案采用可定制化方式，根據不同指標和專題場景，設計展示畫面，并綁定后臺數據，支持數據表格、圖形及動畫等多種展現方式。

2? 方案應用

電力大數據電子商務應用以拓展公司業務領域、實現客戶服務價值為目標，充分結合自身資源優勢，圍繞“互聯網+”特色主線，建立服務于客戶個人和商家的電子商務服務綜合生態體系，通過信息化手段使客戶、商家、服務平臺和合作伙伴之間共享大數據平臺帶來的分析成果與收益，實現業務與服務智能化。本文的分析方案為電子商務、互聯網金融服務業務板塊運營服務，通過核心指標、多維專題的分析、挖掘與展示，反映公司獲客能力、企業營業收入、交易風險等運營概況，為及時了解業務開展情況、防范各類事件風險提供了有效的參考與依據。

2.1? 供應商履約風險評估應用

由于合作供應商經營問題，出現法律問題，會嚴重影響合同或項目的執行。如何識別供應商的風險，做好防范準備，變得非常重要[9]。電子商城大宗交易，如物資批量采購或電力工程等，因涉及交易金額較大，即涉及供應商的履約風險問題。履約風險來源于資信評價，傳統資信評價基于企業的貸款與還款、經濟糾紛處理等信息，這些信息具有數據不完整、更新頻率慢等特點，不能及時反映企業的經營狀況。而基于電力大數據，如企業用電數據，則可以及時反映企業的生產景氣程度。目前我國產業結構不斷調整，用戶用電特性越發多樣化，同一行業不同用戶用電特性差異巨大[10]。如圖4所示，通過抓取某鋼鐵制造型企業近3年的月用電數據，進行趨勢分析，獲取該企業的生產經營景氣程度相關信息，為商城交易履約評價提供參考。

分析評價：該企業作為高耗能制造企業，對電力資源消耗較大。從近三年的企業用電數據來看，企業用電整體呈微幅下降趨勢，這主要與企業淘汰落后產能并進行節能改造升級有關。從近半年企業用電情況來看，企業用電情況大幅下降后逐漸上升，說明受宏觀疫情影響，企業存在明顯減產情況，后逐步恢復生產。

從互聯網抓取該該企業所在地區近期市場鋼材價格，進行趨勢分析，如圖5所示。

分析說明：該企業所在地區鋼材產品價格穩中有升，結合該企業近期用電數據呈上升趨勢，說明該企業生產情況良好，經營較為景氣，交易違約風險較小。

2.2? 客戶分群分析應用

在市場營銷領域，根據用戶關鍵特征進行分類，然后根據不同類型用戶提供不同服務，推銷特定產品等[11]。客戶分群通過后臺數據的整合，包括用戶電費繳納數據、商城交易數據等，使商城交易使用科學的分析方法、建模算法和數據挖掘能力輔助業務部門制定決策，全面、直觀的了解掌握客戶特點，從而采用相應的營銷策略，提高客戶和產品生命價值，最終提高客戶黏性和平臺業務收入。通過客戶分群分析，可以實現以下目標：

（1）全面認識客戶及客戶群體。

（2）高效率、低成本的獲取優質的客戶。

（3）認識、控制客戶的風險。

（4）實現交叉及提升銷售以及提高客戶價值和忠誠度。

（5）分析、預測客戶流失以保留優質的客戶。

首先收集客戶及交易數據，包括基本信息：ID，年齡，職業，地理位置，注冊時間等;價值及風險分類數據：包括賬戶余額，交易評價，綁定銀行卡數等;交易行為特征數據：交易時間，交易金額，收貨地址等。其次使用主成分分析或者因子分析，提取出有價值、信息量更重要的屬性數據。再次，使用聚類分析（Clustering）等技術實現分群，將有意義的屬性變量放入選定模型中，調整算法，構建聚類模型。對客戶購買行為的數據的轉換為結構化的數據，按商品的購買頻度（次/周）、季度消費金額（千元/季度）、同比季度消費金額（千元/季度）等數據信息進行匯總統計。運用數據挖掘模型對數據進行聚類分析，給定區間將客戶分為：重要、一般、不活躍三大類;同時將購買頻度：上升、保持和降低。為業務決策部門提供客戶營銷建議為消極（一般挽留和重點挽留）和積極（商品推薦、VIP推薦等），獲得客戶分群聚類結果如表1所示。

2.3? 交易多維分析應用

多維分析（Online Analysis Processing，OLAP）在BI中被廣泛使用，幫助分析數據倉庫和數據立方體中的多維數據[12]。交易多維分析應用采用維度（Dimension）加分析度量（Measure）方式建立，通過地域、時間、商品類型、商品、供應商及采購類型等不同維度，分析交易金額、交易筆數等業務指標，提供多種不同詳細分析場景，便于業務分析人員了解不同地域、不同時間、不同商品的交易情況，以滿足提前補貨及調整貨品上架數量等業務需要。交易多維分析應用如表2所示。

交易多維分析支持鉆取（Drill-up和Drill-down）、切片（Slice）和切塊（Dice）、以及旋轉（Pivot）等多種分析應用。

3? 結? 論

近年來，電子商務持續快速發展，與各類實體經濟不斷融合，重塑供應鏈，提高供求方匹配度，引領經濟轉型新方向。本文根據當下移動互聯網的發展，結合電力大數據支撐電子商務應用進行研究，以信息系統運行監控為主體，進行多方數據的融合和關聯，進行了供應商履約風險評估、客戶分群分析及交易多維分析的應用研究，從而通過數據分析支持公司生產運行和經營管理，提升業務應用的信息展現和輔助決策能力。

參考文獻：

[1] 習近平.決勝全面建成小康社會? 奪取新時代中國特色社會主義偉大勝利 [N].人民日報，2017-10-28（1）.

[2] 陳超，張順仕，尚守衛，等.大數據背景下電力行業數據應用研究 [J].現代電子技術，2013，36（24）：8-11+14.

[3] 薛禹勝，賴業寧.大能源思維與大數據思維的融合? （二）應用及探索 [J].電力系統自動化，2016，40（8）：1-13.

[4] 王繼業.大數據與電力企業 [J].電力信息化，2012，10（8）：7.

[5] 彭小圣，鄧迪元，程時杰，等.面向智能電網應用的電力大數據關鍵技術 [J].中國電機工程學報，2015，35（3）：503-511.

[6] 段軍紅，張乃丹，趙博，等.電力大數據基礎體系架構與應用研究 [J].電力信息與通信技術，2015，13（2）：92-95.

[7] G·L·伯恩哈特.數據可視化：CN101681245 [P].2010-03-24.

[8] 閆龍川，李雅西，李斌臣，等.電力大數據面臨的機遇與挑戰 [J].電力信息化，2013，11（4）：1-4.

[9] 燕歌，許超.基于大數據的集中采購平臺供應商信用管理的研究及應用 [J].建設機械技術與管理，2020，33（3）：62-66.

[10] 陳海文，王守相，梁棟，等.用戶節電的大數據分析及應用 [J].電網技術，2019，43（4）：1345-1354.

[11] 王毅，張寧，康重慶，等.電力用戶行為模型：基本概念與研究框架 [J].電工技術學報，2019，34（10）：2056-2068.

[12] 李敏波，許鑫星，韓樂.基于JSON文檔結構的工業大數據多維分析方法 [J].中國機械工程，2020，31（14）：1700-1707+ 1716.

作者簡介：陳永軍（1977—），男，滿族，遼寧大連人，高級工程師，碩士，研究方向：項目管理、數字資產管理、大數據技術及安全技術;吳立（1975—），男，漢族，廣東珠海人，高級工程師，碩士，研究方向：電力系統營銷、財務信息化、密碼安全技術和互聯網金融業務應用。