基于數字化的營銷抄核收工作風險管控研究

陳婉清 鄭安霖 朱孟 董斐斐

摘 ?要：隨著數字化時代的到來，電力營銷工作正在從傳統手動模式向智能化、數字化轉型。營銷抄核收工作的風險管控是數字化電力營銷工作的一個重要分支，在營銷工作中占據著不可或缺的地位。針對當前核算異常分析報告方法落后，異常信息數據量大，每月周而復始地做重復工作等情況，設計一個程序代碼，以此提高每月異常分析報告的生成效率，提高營銷抄核收工作的風險管控能力和效率。

關鍵詞：數字化;智能化;風險管控

中圖分類號：TP311 ? ? ? 文獻標識碼：A文章編號：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

提高電費回收率一直是電網企業經營管理的重要指標[1]。電的交易又與普通商品不同，都是由電力公司先供電，用戶用電后才計收電費。特別是高壓用戶，用戶基數占比少，僅為1%，但是電費占比卻很大，月均電費可占總社會用電電費的60%以上。用戶所交電費的正確與否，不僅影響到用戶體驗，也深深地影響著電費實時回收率。電費抄核收工作的落實到位是電費能否正確生成的重要前提，因此，抄核收工作中的風險管控就顯得尤為重要。

截至目前，筆者所在電網企業已有超過四百萬的用戶，智能采集率、智能審核以及智能發行率基本上都能達到97%，但是仍然有許多用戶的電量需要人工抄核，各種需要人工干預的異常情況時有發生。因用戶而異的檔案設置、業擴流程變更等環節，都有可能出現抄核收風險。因此，電費核算是抄核收工作中最重要的一個環節，審核過程中對攔截用戶進行逐戶審核，找到風險點，分析情況后下發或者登記處理[2]。所有這些環節都離不開人工干預。為了做到全面統計并及時跟蹤每月工作風險點處理情況，需要由專職人員每月對已發現的異常整理匯總并生成報告，占用時間多，有很大的效率提升空間。

營銷工作中的電費審核跟蹤報告是抄核收風險管控中一個很重要的手段。報告中詳細羅列了各地區各專業的異常情況。而通過數字化平臺或諸如Python、Excel VBA之類的工具來提升報告的生成效率，可大大節省工作時間，并減少此過程中可能發生的差錯[3]。針對這一課題，我們進行了以下研究。

1 ?風險點梳理

為了尋找適合的系統工具，我們首先針對營銷抄核收工作中經常出現的風險點進行梳理，整理出如表1所示的表格。

通過梳理我們發現，每個專業容易出現的風險點數量并不統一，每個風險點每個月出現的故障頻次并不固定，并且每個地區每月出現的情況也各不相同。而整理出各地區各個月份的異常情況、風險點情況報告則是核心所在。綜上，選擇工具時要兼顧實用性與可變換性，而且要便于操作，因此我們選擇了Python這一工具。

2 ?程序系統邏輯與架構

眾所周知，程序是指依據處理事物的各項流程以及時間的先后順序，提前編寫完成的并具備特定用途的指令[4]。由于每月各地區各專業出現的風險點數量是本次管控研究的重點，我們通過不斷試錯，取消了在語句中直接羅列風險點列表的環節，而是根據每個月情況的不同，先由程序通過讀取表格中的數據去設置當月各地區各專業的風險點情況，從而建立異常報告的生成邏輯，并根據需求進行Python語言的編寫，以此達到快速生成報告的目的，如圖1所示。

3 ?程序語句模塊架構

通過流程邏輯分析，得出每一模塊應該完成的目標功能，基于目標反向推導，通過關聯規則、決策樹等提出有效的解決方案，將程序設計語言作為工具與載體，注入算法這一靈魂后，對各個模塊進行逐一測試。在所有模塊皆完成測試并可運行后，再通過邏輯關系確定順序，完成最終程序。而Python比其他語言更簡潔，且易于拓展，方便定制[5]。因此，利用Python對各模塊語言進行編寫。

3.1 ?各集合與字典的生成

首先是根據模塊及畫面代號按規則命名，而后通過讀取匯總表中的數據生成所需的集合以及各專業所對應風險點集合的字典，該部分的主要程序語句為：

header_all_0 = ['用檢'，'營業業擴'，'系統'，'計量'，'抄表'，'采集'] #全部應有列名格式

header_all_1 = ['用檢'，'營業業擴'，'系統'，'計量'，'抄表'，'采集']

header_all_2 = ['已整改'，'待核實'，'未處理'，'整改中'，'總計'，'整改完成率'] #全部應有列名格式

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

row_all = ['地區1'，'地區2'，......] #全部應有行名格式

header_all_pipei = ['供電單位'，'已整改'，'待核實'，'未處理'，'整改中'，'需刪除列'，'總計'，'整改完成率']

Error_Category = {} #差錯類別匯總成字典

3.2 ?格式的正確設置以及清除未知項

def fill_col（WS，HZ，HEADER）： #填補全部值為0導致不存在的列

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）： #填補全部值為0導致不存在的行

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“供電單位”）

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）： #將表格導入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 ?各專業匯總情況

本處只附上各地區各專業的風險點整改情況進度表模塊：

df2.rename（columns = {'未整改'：'未處理'}， inplace = True）#inplace表示直接替換掉原來DF中的數據，如果False就要像上一行進行一次賦值

df0['合計'] = df0.iloc[：].sum（axis = 1） ?#按行累計

df2['總計'] = df2.iloc[：].sum（axis = 1） ?#按行累計

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

for i in range（len（row_all））：

if df2.loc[i，'總計'] == 0：

df2.loc[i，'整改完成率'] = '100%'

df2.columns = header_all_pipei

del df2['需刪除列'] ?#未知原因導致未處理出現多了一列，值為0，為求簡便設置了一個列表header_all_pipei來修改列名，然后才能準確地刪除該多出來的列

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

for i in [0，2]： #hz1數據情況不同

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

DF[i].loc['行合計'，'供電單位'] = '合計'

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 ?系統應用與實踐

分塊完成后，整合所有模塊，針對模塊中需要的內置模塊進行引用，再進行比對，核實成果為實際需求。圖2中的部分數據已做加密處理，該表格中共有數據1 979條，人工匯總需要用時1.2小時，用程序語句運行只需5秒鐘，大大提高了風險點匯總效率且不易出錯，準確率高。

5 ?結 ?論

國家發改委全面放開工商業用戶市場化通知的發布，使電費回收工作在新的形勢下更加緊迫。而電費回收又是一項綜合性的任務，隨著數字化時代的到來，大多數情況下人工操作已遠遠不能滿足實際效率需求。本文通過設計一段程序，不但提高了抄核收工作中的風險管控效率，更提高了電費正確率，為電費正確回收提供有力保障。

參考文獻：

[1] 陳惠娟.電費回收中的風險與防范措施分析 [J].企業技術開發，2015，34（17）：135-136.

[2] 張曉梅.電費回收風險分析及回收管理路徑 [J].科技與創新，2015（18）：66+68.

[3] 王力.營業抄核收工作適應電力信息化發展的途徑 [J].科技風，2017（15）：277

[4] 王常衡，李嘉偉，羅欽，等.淺析Python語言及其應用前景 [J].計算機產品與流通，2019（4）：146.

[5] 許朝俠.非計算機專業Python語言程序設計教學體系建設初探 [J].軟件導刊（教育技術），2019，18（2）：48-50.

作者簡介：陳婉清（1991—）女，漢族，福建泉州人，中級經濟師，本科，主要研究方向：電力營銷風險管控、電力營銷數字化信息處理、電費回收及用電可靠性分析。