308 浏览摘要
近年来，传统的电力营销模式受到了来自于“大数据”时代的各种技术手段的冲击。基于“大数据”的各类营销供电服务创新层出不穷。但电力营销数据间的关联性以及数据背后的潜在价值还未被系统研究和科学运用。营销精益化管理仍存在诸多问题，可以说，“大数据"在问题识别、风险管控和辅助决策方面的具体应用仍有巨大的提升空间。
本文，首先从电力“大数据”的概念入手，层层深入，对“大数据”分析方法、分析步骤及分析思想在电力行业中的应用，做了概述与分析，并结合实际需求，着重阐释了多目标决策方法中的层次分析法和模糊分析法的原理、主要步骤和优缺点，为后续章节的分析奠定了理论基础。
其次，运用数据挖掘技术，将无法直接用公式判断排査紧迫性的零电量用户，通过建立多维度，多属性的分析模型，分级排序，划分为不同等级，并对其实施不同的管理策略，提高了检查的针对性和可执行性，提高了零电量用户计量差错、故障或窃电等异常被发现的几率，缩短了发现异常的时间周期，降低了此类问题的风险。
再次，运用层次分析法和模糊综合评价法对构建了一个用户信用价值评价模型，并确定了各因素之间的影响因素权重。并抽取部分用户信息，将其相关数据带入模型进行验证，证明了该评价系统的可行性。
另外，从内部与外部两个方向出发，建设了一个三维电力信用体系。对内，用科学的信用评价标准、工作流程和应用模式，对不同类别的客户釆用不同的管控服务模式，形成一个公平、严谨、有效的评价机制；对不同类别的客户釆用不同的服务模式，提升了电费风险管控的效果。对外，积极联系政府及相关社会机构，完善电力信用平台，制定全方位的引导模式，提高用户按时缴纳电费、安全规范用电行为的自觉自愿性，降低电费催收压力，加快电费回收节奏。
论文的研究对A市的电力营销计量精益化管理水平提升有一定的实际应用价值，为电费风险防范管理工作提供了良好的思路和指导。
关键字：大数据；用电行为；客户标签；电力信用系统；AHP；
摘要II
ABSTRACTIll
第1章绪论1
1.1研究背景与意义1
1.1.1研究背景1
1.1.2研究意义2
1.2国内外研究现状与动态2
1.2.1国内外电力“大数据”分析研究现状2
1.2.2国内外客户评价体系研究现状5
123国内外“电力信用”体系研究现状5
第2章相关基础理论8
2.1电力“大数据”概述8
2.1.1电力“大数据”的定义及分类8
2.1.2电力“大数据”的特征9
2.1.3电力“大数据”在营销服务中的应用11
2.2“大数据”分析12
2.2.1“大数据”分析的定义及方法12
2.2.2“大数据”分析的步骤14
2.3多目标决策方法15
2.3.1多目标决策方法概述15
2.3.2多目标决策的经典方法16
2.4本章小结20
第3童A公司零电■用户用电行为数据分析及分级排序21
3.1A公司零电量用户现状及存在问题分析21
3.1.1A公司零电量用户问题现状21
3.1.2A公司零电量用户存在问题22
3.2基于大数据的A公司用户零电量用电行为分析方法23
3.2.1方法概述23
3.2.2属性分析23
3.2.3模型建立24
3.3基于大数据的A公司用户零电量用电行为多属性分析24
3.3.1属性一：用户自然属性24
3.3.2属性二：用户所属台区特征27
V
3.3.3属性三：月电量同比和环比变化30
3.3.4属性四：最近一次换表前后33
3.3.5属性五：反向有功电量36
3.3.6属性六：相关变量时效性39
3.4组合视角下的A公司零电量用户分级模型设计41
3.4.1属性分析42
3.4.2模型建立43
3.4.3应用效果44
3.5本章小结46
第4章A公司电力用户信用综合评价47
4.1A公司电力用户信用综合评价方案设计47
4.2数据收集与数据准备48
4.2.1数据收集48
4.2.2数据准备49
4.3用户价值评价指标体系50
4.3.1指标设计50
4.3.2属性分析51
4.4用户评价模型及案例分析53
4.4.1评价方法选择53
4.4.2用户评价模型设计53
4.4.3实例分析55
4.5本章小结58
第5章A公司电力用户信用体系建设策略59
5.1电力用户信用体系建设的必要性59
5.2确定信用维度，实行过程全面管理60
5.3构建公示平台，营造诚信用电氛围62
5.4创新电力信贷，增值服务诚信客户63
5.5配套管理细则，规范实施有效应用63
5.5.1工作流程63
5.6实施效果67
5.6本章小结68
第6章研充成果和结论70
参考文献71
作者简介75
VI
第1章绪论
1.1研究背景与意义
1.1.1研究背景
随着2015年中共中央、国务院(2015)9号文的发布及后续配套文件的出台、售电侧政策的逐步放开及竞争机制的引入，传统的电力营销模式受到了来自于“大数据"时代的各种技术手段的冲击。“大云物移"更是在2016年成为了国家电网两会的热门关键词。近三年，由于国家电网对营销工作的重视和投入，各种基于“大数据”分析的“互联网+”电力营销供电服务创新层岀不穷,大量能够实现单一或多项功能的掌上电力APP或者电力营销服务的专项数据应用平台应运而生。
现如今，“互联网+”的影响力已经渗透到人们生产生活的各个方面，包括制造业、零售业以及交通运输业在内的一些传统行业在与互联网的融合过程中已经发生了颠覆性的变化。随着工业4.0时代的真正到来，电力行业也不断通过引进互联网技术和数据技术来改造各项业务、推动新一波生产率的增长。大到输配电网的实时监控调度，小到提供电费缴纳的互联网渠道，都在实现工作的互联网化和数据化。“大数据”思维，作为电力企业实现“互联网+”优质服务的发动机，高效运用，能使服务响应更迅速、资源分配更合理、需求预测更精准，实现人、财、物的价值最大化。
在电力营销方面，由于员工流动性大、技术更新速度快、管理指标起点高，传统的业务模式已经难以适应越来越高的精益化管理要求。与当前其它领域的互联网化程度相比，电力行业“大数据"的开发与应用，尚处于起步阶段，特别是在与用户直接相关的售电侧的相关服务，仅能实现一些基础功能，多数电力营销“大数据”背后的数据价值还未得到深入的挖掘和系统的研究。
麦肯锡全球研究院在《未来，在大数据的世界里竞争》一文中提到：“大数据"指的是不能在特定时间内通过传统数据库工具对其包含的内容展开整理与分析的数据集合。按照库恩范式理论，科学界将“数据挖掘”定义为继实验、理论、模拟之后的第四“范式”⑴。
和“大数据”在技术层面的概念相比，“电力大数据”是一个范围更广的概念。仅从体量特征和技术范畴来讲，“电力大数据”是“大数据”在电力行业的聚焦和子集，但作为重要的基础设施信息，“电力大数据”有着其他行业无法比拟的丰富内涵，是“大数据"思想、方法与技术在电力行业的实践，也是"大数据”应用的重点领域之一国。
国网公司通过收集客户业务数据，建立以解决各种实际问题主题为导向的数据库，为市场需求、安全运行、风险预测、客户分类等问题的管理模式创新提供了新的思路。
可以说，增效、降本、提质、改进用户体验等以客户为中心的理念将主导未来电力营销的发展方向。服务是无止境的，从投入产出角度考虑，想要更好的提高服务水平必须着眼于对服务本身的研究，加强对营销业务关键点的分析，并通过建立相应的模型寻找出各因素间隐含的关系，并通过简单直观的方式呈现出来，从而为解决营销服务中存在的各种或大或小的现实问题提供更优解决方案，最终提升优质服务的总体水平⑶。
文基于营销工作的实践经验，首先运用数据分析方法建立了一个零电量用户分级体系。而后在研究了国内电费风险防范、客户评价体系等方面的研究现状的基础上，建立了一个基于用户用电信息数据客户价值评价体系模型，并使用该模型对用户的综合信用价值做出了评价分析。之后结合本人于2016-2017年参与管理创新实践，建立了一种多维度的电力信用管理体系，从而为电费回收工作提供了一些新的思路。
1.1.2研究意义
(1)将理论分析与实证检验相结合，能够更好的指导实践。以相关案例与实际数据为基础，客观地分析A供电公司电力营销管理过程中几个比较突出的工作难点，利用数据分析方法，建立了相应的管理模型，并提岀了与之对应的优化策略。
(2)将定性分析和定量分析相交叉，为解决该类问题提供了新的思路。“零电量”、“信用分级”本身比较抽象，传统的工作方法无法将其准确量化和分类，利用大数据思
维，抽象问题分级、分类排序，间接将难题简单化，为解决该类问题提供了更宽泛的题思路。
1.2国内外研究现状与动态
1.2.1国内外电力“大敷据”分析研究现状
美国于2012年颁布了《大数据研究和发展倡议》，这一事件表明了“大数据”时代的到来。2013年，中国进入“大数据”元年，2014年，中国科技部批准了包括以大数据研究为基础的输变电设备状态评测系统开发、综合能源利用技术与智能用电、智能配用电大数据应用关键技术和智能电网电力大数据等相关的“863项目”，国家电网也开始了很多与互联网企业的合作［4】。
美国IBM公司连续多年发布《智能电网大数据白皮书》，通过对电网大数据的整理和研究，指出了智能电网“大数据”处理办法，完成了电力网络布局任务，同时达成了机组处理优化与负荷评估、配电网即时监控、发电效率提升⑸。
国内有学者则认为，与电网“大数据”相关的重要应用产业一共有三个，分别是：服务社会与政府领域、面向电力客户领域和支持企业经营与发展领域。其中：
(1)支持企业经营和发展类的应用。重点展现在资产管理、电网运作管理以及发展布局等方面，目的是更好的展现数据的真正价值，提高电网运作管理的整体实力，推进企业运作模式与管理方式的改进。
(2)面向电力客户类的应用。主要包括用户行为分析、用户服务优化与提升两个方面。追求服务能力的提高，为客户带来更加高质量的服务，更有效的支持社会发展，推进企业服务方式的改进。
(3)服务社会与政府类的应用。通过分析地区、行业、社会各阶层的用电信息，协助政府更加有效地掌握与评估地区行业发展情况，诸多相关制度的落实成果，为政府在经济宏观调控以及就业政策等方面的决策提供数据支持。不仅如此，客户用电信息、电动汽车充电站运营信以及涵盖了分布式能源与新能源的发电信息更是政府有效部署电动汽车充电设备、推动智慧城市建设、改善城市布局的关键数据支撑。［6］o美国电力科学研究院近期的一项研究认为，大数据在智能电网领域三个最重要应用方向分别是：可视化(visualization)态势感知(situationalawareness)和预测(fbrecasting)卩】。几个比较典型的应用案例有：
(1)UCLA电力地图：这是一个由洛杉矶水电部及政府策划研究办公室、加州可持续发展社区中心以及美国加州大学洛杉矶分校(UCLA)协作研发的可视化分析工具，通过了解社会不同人群的用电方式，给政府出台公共制度、展开电网布局工作提供重要的数据支撑。
(2)C3EnergyAnalyticsEngine：由美国C3Energy公司开发的C3能源分析引擎平台，把分散电力系统信息保存到云端，和持久协议、楼宇信息、天气预报、工业指标以及其它外部信息相综合，为居民客户、商业客户以及企业等提供电力客户空间布局、节能方案、能耗基准点、能源投入冗余分析等服务。
(3)EDF用电釆集应用系统：法国电力企业经过在2009-2011年之间装配的25万台智能电能表，系统采集个体家庭的用电负荷数据，开发复杂并行处理计算能力，并以此为基础构建了分布式信息发生器CourboGen系统，用来产生客户用电负荷变化图示以及相关信息圆。
目前，通过电力用户用电信息釆集系统、营销业务应用系统、需求侧管理系统.95598客户服务及智能服务管理平台等诸多大数据平台的构建，国网企业已经存储了大规模的客户用电数据，初步实现了企业级的数据资源的整合和共享利用。智能电网大数据目前应用研究与探索，主要集中在用户用电行为分析、线损多维度分析、计量装置在线监测与智能诊断、负荷特性与有序用电分析、经济趋势分析等方面。
(1)在电力用户用电信息采集方面，目前，全国已有27个省级电力公司实现了“智能电网用户用电信息采集系统”的“全覆盖、全采集、全费控”，累计安装智能电能表超3亿只，釆集系统每年数据增量超过200TBo2011年，A市实现智能电表数据的全覆盖。
随着，智能电表、采集终端等设备数量和数据类型的增长，计量设备的用电信息数据呈现出数量大、类型多、智能化、运行环境复杂等特点，传统的数据处理方式已经难以适应越来越高的管理需求，电力营销专业亟需通过运用“大数据”的相关技术，对采集来的数据进行更深层次的挖掘和分析。
(2)在用户用电行为分析方面，本人所在S省公司已从2016年起，开始建立基于客户用电量、用电特性、业务办理、缴费信息、客户投诉记录等信息，用于研究用户用电行为习惯的''客户画像”図工程。目前，已整理出基于客户用电信息的各维度“客户标签”两百多个。该项目还在持续的研究过程中，部分标签在省内设有应用试点，还未广泛应用于营销业务实践中。
(3)在计量装置在线监测与智能诊断方面，通过用电信息釆集系统和营销系统的数据共享和交互，基本实现了常见计量装置异常、采集设备故障及各类事件的预警功能。员工处理“错接线”、“计量装置故障"等问题的效率得到了有效提升。系统提供的数据为用电检查、现场校表等工作提供了较为可靠的依据。
但在例如零电量用户、上网发电用户(光伏、新能源裕量上网用户)和春节无功工作精益化管理等问题的管理上，由于缺乏一个简便且通用的公式，无法直接通过数据分析给出准确有效的结论，现阶段的工作，主要还是依靠员工个人的工作经验，因而存在管理盲点。
(4)在用电趋势分析方面，国家层面，根据不同各地区、行业的历史用电信息，分析不同产业用电总量以及占比的变化情况，了解产业结构、产业区块发展模式升级、区域经济变化及地区性特色产业的规划情况，根据产业度电生产力，解析电力GDP、电力集中程度以及电力弹性系数据，综合业扩报装、工厂公司产能运用率、用电走势等，解析电力生产率，详情可借鉴PMI指数公布的每个行业的景气参数。
包括银行在内的金融机构会利用用户用电数据对其信用进行评估，进而规避贷款风险，而同为社会信用体系一部分的电力企业，在企业电费风险的评测和防范方面的管理制度还不够健全。
1.2.2国内外客户评价体系研究现状
目前，国内电力客户评价体系主要应用在风险评估，特别是用户信用度的评价分析问题上。此类评价体系往往依靠传统的客户细分规则，通过收集较低维度的客户信息，对数据进行简单的处理，给出一个关于风险的排序或分类，并依照这个分类对电费回收或其他业务工作起到一定的指导作用。
随着客户消费需求的变化及业务种类的增加，客户用电行为呈现复杂和多态性，客户细分的维度和数据量也随之不断增加，这使客户细分过程变得更加复杂，传统的客户细分方法己也就不能有效的对客户数据进行全面、精准的分析，更不能满足电力企业更多的应用需求叩。
1.2.3国内外“电力信用”体系研究现状
德、英、美等发达国家商业信用体系起步早、体系健全，但电力行业尚未建立成熟的客户信用管理体系。原因之一是公民的信用观念思根深蒂固，客户窃电、违章用电、欠费的状况很少发生，其二，由于上述国家社会上的信用体系比较完善，客户违规成本较高。因而之前并没有成熟的电力客户信用管理体系。近年来，随着行业内部竞争越发来越严重、经济环境越来越差的，上述国家的电力企业都开启了“信用管理与电费回收"方案，着力于对电力用户信用管理办法的研究u。］。
中国的信用评价研究始于20世纪80年代后期，由于起步较晚，研究水平较发达国家相比，存在较大悬殊。加之外有体制不全、法规缺失、经验不足等因素的限制，内有竞争压力、社会需求等因素的倒逼，2013年，国务院颁布了《信用业管理条例》，社会信用体系自此有了较快速的发展。目前，在信用评价体系建设上发展较快的是银行、保险等金融机构，己初步形成较完整的运作模式，但其对公司与个体的信用评测办法与指标体系并不适用于供电等事业单位冋。
国内目前有关电力客户信用评价体系的模型的研究虽然不少，但关注点主要集中在分许方法的选择上，对于评价体系所需的基础数据缺少详细的研究，很多评价模型的数据基础有一大部分来自于用户并不会公开或者无法查证其真实性和准确性的方面，例如企业用户经营状况的数据、个人用户隐私数据，这些模型虽然可能提升与信用方面的关联度但具体实现的可能性不大，相应的应用实例也不够多。
2015年末，包括本人所在的S省公司及国网公司部分省公司作为试点单位陆续推出了“电力信用”相关条例，将拖欠电费等违约用电行为纳入社会信用体系。实施初期，仍然存在不少问题。
文章的框架及内容如下：
第一章绪论
本章阐述了本文的研究环境和研究目标，整理了国内外电力“大数据”分析、电费风险防范体系、客户评价体系的研究现状，明确了本文所釆用的研究方法和研究内容，以及论文的主要内容和框架结构。
第二章相关基础理论
本章对“大数据”分析方法、“大数据”分析步骤及“大数据”分析思想在电力行业中的应用（如用户用电行为分析、“客户标签”等）做了较为详细的分析，并对AHP等多目标分析方法的原理、步骤、优缺点等进行了分析，为后续章节的研究奠定了理论基础。
第三章A公司零电量用户数据分析及紧迫性排序模型
本章首先分析了A市供电公司用户管理中的一个难点:零电量用户的用电行为分析。运用“大数据”思维，提出了一种零电量用户紧迫性排序及分级模型，通过六个属性和组合属性的分析，总结出了一种更高效的零电量用户排査方法。
第四章A公司用户信用综合评价体系设计
本章依照A供电公司电费回收工作的现状及国内外电费回收风险、电力信用体系、客户评价体系己有的研究成果为基础，提出了一种基于“客户标签”分类规则的、AHP及模糊评价算法建立了一个电力客户信用评价模型，并运用模型评价了部分A市用户的信用情况。
第五章A公司电力用户信用体系建设策略
本章利用第四章的研究结果，分析了A公司电费回收工作的一些问题，结合实践，建立了一种三维电力信用体系，形成了一种较为完整的电费风险防范机制。
第六章研究成果与结论
本章全面总结论文工作的研究成果。
第2章相关基础理论
在进行相关问题研究和分析之前，先对“大数据”分析的定义、常规方法、步骤进行阐述，并结合论文后续研究内容，详细解释了层次分析法和模糊分析法的关键思想和主要步骤。
2.1电力“大数据”概述
2.1.1电力“大数据”的定义及分类
电力“大数据”是“大数据”方法、技术和思想在电力行业的实践，是跨单位、跨专业、跨业务的数据集合。主要来自发电、配电、输电、调电、市场、用户六个环节包含信息、能量(电能)、通信三个子系统，包括需求管理、分布式能源、生产停运管理、客户用电信息、输配电资产管理等28个数据实体及35种数据流动及相互之间交互关系的数据集合。
智能电网是传统电力网与电力信息网的融合，是承载电力大数据的实物载体。智能电网表现出数字化与高度信息化的双重特性，拥有双向流动的信息流与能量流。如图2-1所示。
双向信息流
图2-1智能电网数据交流方向冋
(1)按照数据来源大致可分为：
①电力企业生产数据：电压稳定性、发电量等方面的数据
②电力企业运营数据：用电客户、交易电价、售电量等方面的数据
③电力企业管理数据：协同办公、ERP、一体化平台等方面的数据
（2） 按照数据用途大致可分为：
用于电网规划、用于电网建设、用于电网检修、用于电网运行、用于电网运营检测、用于电网营销服务等方面的数据。
随着数字设备的普及和“大数据”分析研究的深入，电力“大数据”的内涵越来越丰富，经济、气象、交通等方面的数据，也逐渐成为电网大数据的一部分。
（3） 按照数据来源大致可分为：
①内部信息：电压、电流、相角、频率、有功功率、无功功率、电量、电费、设备运行状态的等来自企业内部的数据。
②外部数据：来源于和智能电网相连的其它网络，例如互联网、物联网、一次能源网络以及智能交通网等等，和智能电网的运营、维修密切相关。
价值性（Value）,高速性（Velocity）,多样性（Variety）,规模性（Volume）和真实性（Veracity）；数据即能量（Energy）、数据即交互（Exchange）、数据即共情（Empathy）。
具体分析见表2-2电力“大数据”特征分析及图2-2电网大数据在时间上的差异性。
图2-2电网大数据在时间上的差异性
电力“大数据”的以上特征，激发了电力企业挖掘这座数据“金矿”的兴趣。基于“大云物移”技术手段不断尝试的找到更高效的方式。
2.1.3电力“大数据"在营销服务中的应用
在营销服务方面，“大数据”的思维渐渐融入到各项工作中，比如运用“决策树”对营销系统安全性能进行评估；运用数据挖掘技术实现的营销调度运行决策和营销系统规划设计；利用关联分析法对营销故障进行分析；以CKM为基础的用户用电特征分析
等等。
目前，“客户标签”也是“大数据”在电力营销服务中的一个十分重要的应用。
“客户标签”是依据“客户知识管理”（CKM）等消费者行为理论基于层次分析法建立客户综合价值分析体系，即利用“互联网+”和数据交互，将有关用户的各种碎片信息，转化为可量化的数字，并通过数据分析、人工智能等技术，帮助企业开拓市场、精准营销、挖掘客户价值。
例如，电信企业用“客户标签”实现电信欺诈监测、客户流失分析、智能套餐制定等工作；银行用“客户标签”快速识别白名单和黑名单、信用凭借、动态调整监控等工作；保险企业借助“客户标签”更精准的挖掘潜在用户，提升用户体验；互联网企业利用数据标签形成“客户画像”，实现客户个性化需求的挖掘。
国家电网作为央企信息化先行企业，从2015年开始了电力客户标签应用的探索，目前，该项目还在探索阶段，部分省市公司成为部分功能的应用试点。
简单的“客户标签”构建过程并不复杂，一个最基本的标签一般通过①需求分析、
②设计概念、③设计规则、④标签归类、⑤目录管理，五个步骤即可生成，具体情况如图2-3所示。但深入设计一个具有应用价值的标签除了简单的收集数据还需要基于对营销工作业务
与其说“客户标签”是一种解决问题的工具，不如称其为一种思维方式，即利用系
统中已经存在的数据，通过对其相关性的解析，综合运用，提取更有应用价值的数据,
运用这部分数据为实际工作中的问题识别、风险管控、辅助决策提供客观有效的帮助。
2.2“大数据”分析
2.2.1“大数据”分析的定义及方法
“大数据”分析基于“分布式理论一概率性保证一总体推论”的分析逻辑、可使用最大似然估计和回归分析方法，本质上有概率论的属性，即承认偶然性，不是决定论，也就是说，再多的样本也不能像实验或得出唯一确定的结论，只能得出一种可能或趋势。
宏观的说，数据分析方法是将数据空间复杂度降低、将算法复时间复杂度减少、削弱对数据精度和一致性的要求，同时丰富数据信息维度的容纳性的一种方法[21]
狭义的说，数据分析方法是根据分析目的，使用适当的分析方法对数据进行处理和分析，提取数据价值、发挥数据价值的过程。其价值需要通过数据挖掘来实现。作为一门交叉学科，数据挖掘一般需要经过目标设置、数据准备、模型建立、数据处理、评价分析等步骤，涵盖了数据库技术、统计学、可视化与信息科学等方面的知识，是一种决策支持过程。
数据挖掘方法有很多，本文根据分析的内容、特点、实际应用等进行了简单分析。
按照挖掘的目的，数据挖掘方法可以完成分类、聚类、估值（回归）、预测、关联规则、可视化等类别，按照任务目标的含义及实际应用领域，总结如表2-3所示。同时,选取了几种常用数据分析方法，按照适用条件、主要作用和优缺点进行了归纳，具体表述如表2-4所示。
表2-3分析方向与具体应用的对应关系224,251
分类 从一组数据中找出数据共同特点，按这些特点分类，通
过分类模型，把数据项反映在某一既定类别中。 O用户的分类 。用户的特征分析
。用户认可度分析。用户的购买倾向预估回归 表明事务数据库中属性值的时间特性，形成一个把信息反映到具体数值中预估变量的函数，挖掘属性或是变量之间的内在联系。 市场营销的各个方面。用户寻求
O销售趋势预测 O防止用户流失
。产品生命周期分析。有针对性的促销活动
聚类 对一个组别的信息根据不同点和相似点划分，使同类数据相似性尽可能大，不同类别中数据相似性尽可能小。 。用户群体分类 O用户背景分析
。用户购买倾向预估O市场细分等
关联 反映隐藏在同一数据库内各数据项间的内在联系，即某一事件中的一些事项的发生导致另一些事项的发生。 在用户关系管理中，找出影响市场营销效果的关键因素，为决策支持提供参考依据
。用户寻求/分类/维护O市场营销项目。营销风险评估和困难预估O产品价格区间
特征
提取 通过数据库内的一组数据得到有关信息的特征式，反映出数据集合的整体特点。 提取客户流失因素的特征，得到导致用户流失的系列原因和主要特征，有效地预防用户流失
偏差
分析 对反常的实例中的特殊数据展开解析，找到内在联系。最终任务是找到结果和参照量之间有意义的差别。 O企业风险管理及预测
O各类异常信息的发现/分析/识别/评价等
2.2.2“大数据”分析的步骤
“大数据”分析的本质上是一个“去冗分类”、“去粗存精”、“创造价值”的过程。最经典的模型是UsamaFayyad等专家建立的多阶段数据分析模型。其中重点涵盖了：①数据釆集②数据预处理③数据转换（存储、变化、管理）④数据挖掘⑤分析评估五个步骤。具体流程如图2-4所示。
图2-4经典数据挖掘流程图【3。］
集合实际的操作，步骤简化成：明确目标、数据准备、数据挖掘、分析评估四个主要步骤，每个步骤又由若干个小步骤组成，
具体情况总结如表2-5所示。
2.3多目标决策方法
2.3.1多目标决策方法概述
现实生活中当人们在对某个问题进行分析、评价或选择时，受到了隶属于不同维度的因素的影响，而各个因素之间又存在矛盾性和不可公度性，不能将其简单的归因为单因素，不能用求解单目标优化的思路去求解。能解决这类问题的方法就是多目标决策法。
这类问题有两个特点：①问题指向的选择或评价结果综合了各影响因素共同影响；②各影响因素间很难用统一的计量单位或标准进行度量，更不可以将不一样的角度的要素并列对比。
根据决策环境中候选方案的数量，多目标决策问题可分为有限方案多目标决策依据决策和无限方案多目标决策问题。
有限方案多目标决策问题又被称为多目标决策问题，求解关键是对备选方案集按一定的规则进行评述，并根据评价结果给出综合成效的优先性排序。
在无限方案多目标决策问题中，可以有无数个候选的计划，问题的决策变量可以取连续值，求解这类问题的主要途径是通过类似于线性规划的数学规划模型。另一些国内外学者认为，有限个数候选方案和无限个数候选方案的多目标决策问题都可以归类为多目标决策。
多目标决策问题的构成要素主要有：①决策人②评价指标体系③属性集合④决策环
境⑤决策规则。
2.3.2多目标决策的经典方法
决策算法可分为优先性算法和可接受算法。优先性算法可将候选方案集中所有方案按照一定的综合效用值进行排序，最优方案也就是综合效用最大的方案；可接受算法以“满意”为原则，即将有关方案集分割成易于理解的很多个有序子集，各子集间可以相互比较确定其优先级，并将其为具有相同有限级的综合效用最优方案。
比较经典的多目标决策方法主要有TOPSIS（优劣解距离法）、PROMETHEE（比较级法）、VIKOR（多目标优化和妥协解）、AHP（层次分析法）、DEA（数据包络分析）、ELECTRE（消去与选择转换法）、MAVT（多属性效用理论）、GRA（灰色关联分析）、OWA（有序加权算子方法）等等。
（1）层次分析法概论
层次分析法（AHP）是托马斯•塞蒂（TLsaaty）提出的一种定性和定量相结合的、系统化、层次化的分析方法。具体的说，就是指将问题在目标、准则、方案等层次上进行分析、将主观判断客观化、数量化的一种方法。其不但能够用在主观性信息与不确定性情况中，还能用于符合逻辑的有关方法运用直觉、洞察力以及经验。由于在处理复杂的决策问题上的实用性和有效性，近年来在多个领域得到了广泛的使用。
该方法通过建立层次模型，描述系统目标和方案层次结构，形成树型结构，将复杂的问题层层划分，清晰有序地展现了各个层级之间的关联。通过重要性程度的比较，用定量的方法来对各个层级中各个指标做出评价具体步骤如下：
1） 确定因素间的相互关系。
2） 建立层次结构模型。
①目标层：通常只有一个因素，分析问题的最终目标，指评价的预定目标。
②准则层：可有一个或几个层次，指为实现预定目标而采取的措施，也就是评价的各个方面，当准则过多时（譬如多于9个）应进一步分解出子准则层。
③指标层：评价变化的影响因素，即主要影响因子下的分因子，指基础评价指标。4） 构造判断矩阵。
专家对指标间的相对重要性进行两两比较，并按照1-9数值对重要性程度进行赋值,
有关其重要性的标度值见表2-7所示。
先构造准则层E对目标层D的判断矩阵，再构造指标层F对准则层E的判断矩阵。
~6）计算各层元素合成权重，进行层次总排序。
将准则层相对于目标层的权重向量乘以指标层相对于准则层的权重矩阵，得出指标层各元素对于目标层的权重。
7） 根据计算得到最终的权重。
8） 对结果进行分析。
层次分析法的规则简单实用，能把使复杂的系统分解成便于人们接受的处理方法。非结构化和半结构化的数据都能用于运算。
但这种算法的缺点也很明显：①因为是从原有方案中抽取样本，进行两两比较分析,所以不能为决策提供新方案；②由于允许很多分机构化的数据，设置权重的方法偏主观,不易令人信服；③当指标过多时数据统计量大，复杂模型的权重运算复杂，工作量大；④当维度超过二、三阶，指标的增加，阶数随之增加，计算也变得越来越困难。
因此，引入模糊分析法，利用层次分析法对评价指标体系进行梳理确定递阶层次结构，釆用专家比例确定判断矩阵，通过一致分析，确定准则层及各方案层指标权重，再用模糊综合评价法对个体进行综合评价。
（2）模糊分析法概述
美国控制论领域专家Zadeh教授在1965年提岀了模糊集的概念（FuzzSets）,引岀了对模糊综合评价的研究和应用。模糊评价描述了各项指标与评价目标的隶属关系，量化了一些不具有清晰边界的模糊指标，增强了系统分析能力，对于主客观因素的综合评价有很好的效果。具体步骤如下：
1） 确定指标因素集X={X1，工2,•…，Xm},从m个方面对对象进行评判。
2） 确定评价等级标准集V={0,巧，・・・，Xn}，分〃个等级的评语。
3） 建立隶属度矩阵&。
①对于定性指标，邀请多名专家根据相关标准打分。
②对于定量指标，通过分段函数，在构造评价等级模糊子集后，需逐个将评价指标在评价子集上量化，得到模糊关系矩阵匝
设指标论域中第，个指标％对评语等级论域中的评价等级巧的隶属度为匂，那么隶属度矩阵R为:
2.4本章小结
本章从电力“大数据”的含义入手，层层深入，对“大数据”分析方法、“大数据”分析步骤及“大数据”分析思想在电力行业中的应用，例如用户用电行为分析、“客户标签”等方面做了较为详细的分析，并着重论述了多目标决策方法中的层次分析法和模糊分析法的原理、主要步骤和优缺点，为后续章节的分析奠定了基础。
第3章A公司零电■用户用电行为数据分析及分级打E序
通过上一章节的阐述，对“大数据”的分析方法有了初步了解。下面，主要将理论联系实际，分析营销工作中的一个难点问题：零电量用户的用电行为分析。并使用数据分析方法建立了零电量用户紧迫性排序及分级。
如果把零电量用户的问题比作一座冰山，那么看似简单的数据之下隐藏着错综复杂的成因。因为涉及电量退补，处理不当会给电力企业带来经济损失，因此无法被忽略。现有的工作模式下，工作人员一般都是通过现场核查的方式确定成因。从风险控制的角度分析，在工作人员工作能力不变的前提下，找到一种更高效、更准确的排查方法，尽快、尽早、准确的发现问题，是降低零电量用户不良影响的最有效手段。因此，对待排查问题进行紧迫性排序，成为了一种思路。
因此，本章将从电力企业自身所掌握的各类客户基础数据入手为，建立一个针对零电量用户现场核査紧迫性排序的模型，对用户进行排序。为现场检查提供更多的依据。
3.1A公司零电■用户现状及存在问题分析
3.1.1A公司零电■用户问题现状
A市供电公司担负着A市境内200多万人口的供电任务和110千伏及以下电网的建设、运维任务。目前，全公司下设7个职能部室，2个业务支撑和实施机构，12个乡镇供电所（站），境内共有变电所35座，2017年A公司全社会用电量86.32亿千瓦时。有35万电力用户。
近年来，A市供电公司受到人口季节性流动和实体经济的季节性波动的影响，零电量用户基数不断增长。2017年，全市35万电力用户中，三个月以上零电量用户多达5万多户，占比超过14%。巨大的零电量用户中埋下了计量差错、设备故障、用户窃电等异常等隐患，被员工们调侃为营销服务工作中的“不定时炸弹”，也被营销业务部门设置为重要考核指标。
2017年，国网S省电力公司最新的《电费抄核收管理工作规范》中《电费抄表作业义务规范》中有关核抄周期的规定在第六章''采用自动抄表的客户，应开展周期核抄,低压客户不得超过12个月”的基础上新增了第七章“对连续6个月及以上的零电量客户应开展现场核查确认”一条。可见这一问题的严重性己经引起营销专业的重视。
不同于其他的计量异常，零电量用户的数据量虽然庞大，但问题用户的分布和数量都存在不确定性，且成因复杂，无法直接用一般规律概括，很难直接得出结论，但一旦爆发往往又会给后续的用电检查、电费回收工作造成不利影响：退补时间长、退补电量大、退补电量无数学公式、退补相关证据收集难、相关事故责任难界定，因此又无法被忽视。
判断的准确性比较依赖员工个人工作经验，且只能通过定期现场排查来验证和解决。但由于人手有限，实际工作中，计量岗位的工作人员很难做到及时、全面的“排查”。
3.1.2A公司零电■用户存在问题
为了给出A市供电公司零电量问题的解决方案，笔者整理了近三年A市供电公司零电量用户相关资料，并通过归纳、总结了问题类别，将情况汇总如表3-1。
核査，排除问题。无论如何，工作人员至少需要一次现场确认才能最终确定问题。但现实情况是，现有的人员配置难以保处理的及时性和成功率。另一方面，SG186营销系统、用电信息釆集系统、生产PMS系统所包含的用户信息，多为基础信息，无法直接分析和判断出一个结论，利用各系统间存在大量未和分级，对提高工作效率和准确性有一定帮助。
3.2基于大数据的A公司用户零电■用电行为分析方法
3.2.1方法g
要发现并减少零电量现象背后的隐患，必须先提出一套切实可行的在线评估方法。并利用这套评估方法对零电量用户进行分级排序。
因此，笔者的主要思路和目标就是以人工核查零电量时所用的属性为导向，从营销系统、用电信息采集系统等系统提取数据，通过算法对数据清洗和加工，用得到的数据对用户属性、零电量时间、前后电量、发生事件等多方面进行多属性量化分析，再将各属性的量化结果进行组合，不同组合的累加结果可以用于用户分类，完整组合的累加结果可用作用户现场核查紧迫度的排序依据。
在研究了零电量用户的核查工作现状后，总结提炼了十种典型的角度，总结如表3-2o
3.2.2屬性分析
将这些因素进行了“分类”和“聚类”后，笔者重新组合成如表3-3所示的六个属性，尽可能保证了同类数据相似性最大化，不同类别中数据相似性最小化。为了能够更深入的分析每个属性的数据，接下来，笔者从A市公司随机选取了已接受现场核査的50户零电量用户，按照存在问题和不存在问题两种情况进行标记，并隐去结果，分别从六个属性数据进行经验值取值法进行分析。
3.2.3模型建立
对照2.2.3“大数据”分析的步骤一节内容，通过表3-4表现模型建立的过程。
3.3基于大数据的A公司用户零电量用电行为多属性分析
3.3.1属性一：用户自然属性
33.1.1基本情况
一般情况下，（单相）居民用户和合同容量较小的用户，因为用房空置率远高于工商业用房，更容易产生零电量的现象，这一规律可以通过选择用户用电属性、电压等级、合同容量和电价形式来表示，因此，笔者从系统中选取代表这四个属性数据，反应用户侧的用电需求程度。
3.3.1.2数据准备
为了进一步分析问题，笔者直接从营销系统客户基础信息模块提取了用户信息（如表3-5所示，分类依据为S省营销专业的相关规定)，并按表3-6对数据性质进行了分析。
由表可知，本属性所有数据都可以在营销系统获得，不需要清洗，但需要将文本数据数字化，将每个属性用一个变量表示，并通过数学公式将四个性质的影响汇集成总变量Si，用以描述用户基础信息与零电量发生概率的关联度。即&越大，零电量存在合理性相对越差，排查紧迫性越高。
3.3.L3数据挖掘
(1)算法设计
对用户用电属性、电压等级、合同容量和电价类别四个属性分别进行量化处理，得到四个变量。通过对四个变量求积获得一个总变量Si，表示用户属性的复杂度。通过对收集的用户数据统计，对四个属性进行量化。量化的目标：
①体现不同用户属性发生零电量的概率存在差异，用户属性值越低，发生零电量概率越大。将最简单的用户属性值量化成1，相对复杂用户的属性值可以设置成1.1,1.2,1.3……；
②便于实现求积后在总体上仍然体现不同属性集合之间发生零电量事件的概率存在符合经验直观的差异。
(2)公式设计
Si=XiXX2xX3xX4 (3-1)
（3）值域分析
结合上面的量化规则，可以得到&完整的值域是{1,1.2,1.44,1.728,2.0736},可以看出其最小值是1，最大值是2.0736o3.3.1.4模型分析
运用模型对50户用户进行分类排序，依照数值从大到小进行排序，其中大于2的数据5个，介于1.5与2之间数据22个，介于1与1.5之间数据8个，其他数据15个,为了直观表现其分布情况，笔者通过绘制一张雷达图来表达。用圆形的半径表示Si的大小（其余属性绘图原理同）。
并将起与用户实际情况进行比对，发现大于2的问题用户5个，命中达到20%。
3.3.1.5结果分析
本属性从用户的自然用电属性出发，分析了基于用户本身的用电情况。从数据分析的角度来看，该属性下的“标签”命中了大部分问题用户，但既不准确也不全面，模型对用户的分级也不够明显。推断原因是A市存在大量一户两表，一表用电，一表不用电。
图3-1基于用户自然属性的零电量风险评估
3.3.2属性二：用户所属台区特征
3.3.2.1基本情况
一般来说，非居、定比定量、大用电量用户较多的台区都是经济活动较为频繁的区域，特定用户发生零电量的几率较小。与此相反，一个有着较多零电量的台区，可能意味着经济活动弱，特定用户发生零电量的几率较高。本属性主要是通过零电量用户所属台区的信息来观察其发生零电量的可能性。
3.3.2.2数据准备
为了进一步分析问题，笔者直接从营销系统客户基础信息模块、台区管理模块系统模块提取了用户相关信息如表3-8所示，并按表3-9对数据性质进行了分析。
由表可知，本属性所有数据都可以在营销系统获得，不需要清洗，但需要将文本数据数字化，具体的说来，就是通过在线获得的用户在营销系统内的用电属性、电价形式、月用电量、台区下用户清单等信息，将其影响结果量化并整合成一个总变量S2,用以描述台区特征与零电量发生概率的关联强度。S2越大，零电量存在合理性相对较差。
33.2.3数据挖掘
(1)算法设计
对台区下的非居、定比定量、大用电量、零电量用户进行统计和占比计算，将各个占比值与经验阈值进行比较，获得中间值，再将中间值进行合并，最后得到一个关于台区特征的总变量。
(2)数据量化
步骤一：计算台区总用户数，用X。表示该变量。
步骤二：统计台区下非居或定比定量的用户总数，将此数值除以X。，得到台区下非居或定比定量用户占比值，用%】表示该占比值。
步骤三：根据经验，将800kWh/月设定大电量用户的统计阈值，用以统计台区下零电量月的大电量用户总数，将此数值除以X。，得到台区下大电量用户占比值，用松表示
占比值。
步骤四：统计台区下零电量月的零电量用户总数，将此数值除以X。，得到台区下零电量用户占比值，用治表示该占比值。
步骤五：用户台区的线损值用X’表示，(用该月可算的平均线损)。
步骤六：根据经验，分别以［10%,30%］、［10%,30%］、［10%,30%］、［10%,15%］,其四个占比进行分层。并用X】、X2、X3、X4分别代表各占比下的属性变量。
步骤七：对上述四个比较结果值进行求积，获得一个关于台区特征属性下发生零电量概率大小的总变量，用S2表示。
(3)公式设计
S2=XixX2xX3xX4 (3-2)
(4)值域分析
结合上面的量化规则，可以得到S2的最小值是1,最大值是5.0625。数据挖掘分析如表3-10所示。
33.2.4模型分析
运用模型对50户用户进行分类排序，得到属性二下用户台区属性雷达图。
图3-2基于用户台区属性的零电量风险评估
并将起与用户实际情况进行比对，发现大于2的问题用户5个，命中达到40%。
33.2.5结果分析
本属性考虑了台区经济活性。同时，考虑线损到了线损对其的影响程度。
从数据分析的角度来看，该属性下的“标签”命中一些了问题用户，但既不准确也不全面，模型对用户的分级区分也不够明显。原因是线损分为理论线损（线路上的表计上的）和管理线损（人为的，比如零电量、表计停走、表计烧毁），台区对于用户个体会产生一定影响。
3.3.3JR性三：月电■同比和环比变化
3.3.3.1基本情况
各用户的用电行为一般具有连续性和周期性的特点。通过观察，笔者发现从周期性
30角度来说，其周期一般为年或月用电同比具有相似性；从连续性角度来说为以月为单位的用电环比具有一定的延续性。同比或环比显示用户零电量带有突变性特征的，都可以增加核查的紧迫程度。本属性主要是通过月电量的变化趋势来观察评估发生零电量的可能性。
3.33.2数据准备
为了进一步分析问题，笔者直接从营销系统客户基础信息模块、釆集系统客户管理模块系统模块提取了用户相关信息如表3-11所示，并按表3-12对数据性质进行了分析。
由表可知，本属性所有数据都可以在营销系统获得，不需要清洗，但需要将文本数据数字化，用户的每月用电量信息在营销系统中可以在线获得，获得以后进行同比和环比处理，然后跟设定的经验阈值进行比较，两个比较结果合并成一个总变量S3,用以描述用户发生零电量的突变性特性。S3越大，零电量存在合理性相对较差。
3.3.3.3数据挖掘
(1)算法设计
对用户月电量进行同比和环比处理，然后与设定的经验阈值进行比较，再对获得的比较结果进行标准化和合并处理，最后得到一个关于用户发生零电量可能性的总变量S3。
(2)公式设计
S3=XixX2
(3)值域分析
结合上面的量化规则，可以得到S3的最小值是1,最大值是3。数据挖掘分析如表
3.63.5结果分析
用电活动有一定的周期性和连续性特征，突然出现的零电量，要么是用户经济生活发生了突变，要么是电能计量发生了突变，对这种突变进行关注，发现问题的概率较大,所以利用此属性可以提取到有价值的核查紧迫度信息。
本属性针对的零电量出现前后用户电量的变化，即对突变进行关注，捕获的异常数量较多，即发现问题概率较大。
从数据分析的角度来看，该属性下的“标签”较准确的命中了部分问题用户，比较全面，模型对用户的分级区分度较为明显。
3.3.4属性四：最近一次换表前后
3.3.4.1基本情况
一般来说，换表过程中存在一定概率错接线，因此，本属性主要是通过最近一次换表前后的月电量和日电量的变化来观察和评估零电量存在合理性。
3.3.4.2数据准备
为了进一步分析问题，笔者直接从营销系统客户基础信息模块、采集系统客户管理模块系统模块提取了用户相关信息如表3-14所示，并按表3-15对数据性质进行了分析。
由表可知，本属性所有数据都可以在营销系统获得，不需要清洗，但需要将文本数据量化为具体的数值。其中，用户的每月用电量可以从营销系统中在线获得。把换表前和换表后的月电量的比值和前后七天电量比值作为两个因素，两者乘积合并成一个总变量$4，用以描述用户发生零电量的突变性特性。S4越大，零电量存在合理性相对较差。
3.343数据挖掘
(1)算法设计
步骤一：确定最近一次换表所属月份。
步骤二：将最近一次换表所属月份的上一月用户电量与下一月的用户电量进行对比,如果前者大于lOkWh且比后者大1倍的，换表影响得分为2,否则得分为1,用X】表示该变量。
步骤三：将最近一次换表日前七天的用户电量与后七天的用户电量进行对比，若前者大于7kWh,且比后者大1倍的，换表影响得分为2,否则得分为1,用X2表示该变量。
步骤四：将上述两个变量X】和X2进行求积，获得一个关于换表影响的总变量，用S。表示。公式：
(2)公式设计
S4=X°X2
(3)值域分析
结合上面的量化规则，可以得到S4的最小值是1,最大值是4。数据挖掘分析如表3-16所示。
3.3.4.4模型分析
运用模型对50户用户进行分类排序，得到属性四下用户换表前后属性雷达图。
图3-4基于用户最近一次换表前后属性的零电量风险评估
并将起与用户实际情况进行比对，发现大于用户问题用户4个，命中达到100%。
33.4.5结果分析
对于零电量用户来说，最近一次换表前后电量对比是一个非常有价值的数据，该属性下发现的几个用户都是出现了换表后零电量未恢复的情况，获得的是换表行为对计量准确性的影响程度。换表以后不走度数，大概率存在错接线或其他计量故障。从数据分析的角度来看，该属性下的“标签”较准确的命中了部分问题用户，比较全面，模型对用户的分级区分度较为明显。
3.3.5属性五：反向有功电■
3.3.5.1基本情况
一般来说，出现反向有功电量的原因有二，其一是错接线，其二则是裕量上网的发电用户，因此，本属性主要通过观察零电量用户是否为发电户，是否存在反向有功电量且有增长等信息来评估用户计量装置存在错接线的可能性。
3.3.5.2数据准备
为了进一步分析问题，笔者直接从营销系统客户基础信息模块、釆集系统客户管理模块系统模块提取了用户相关信息如表3-17所示，并按表3-18对数据性质进行了分析。
由表可知，本属性所有数据都可以在营销系统获得，不需要清洗，但需要将文本数据数字化，用户的反向电量信息在釆集系统中可以在线获得，如果正向有功电量不增长,反向有功电量持续在增长，而用户又不是发电户，则可以判定其计量装置存在错接线，直接将核查必要性升到最高等级。考虑是否发电户及反向电量增长情况，将两种情况合并归纳出一个总变量S5,用以描述用户反向有功电量存在是否合理。S5越大，零电量存在合理性相对较差。
3.3.5.3数据挖掘
(1)算法设计
步骤一：确定用户是否为发电户，其结果用a表示，是发电户，a=l；不是发电户，a=0。
步骤二：如果是用户是发电户，则比较近一月发电户的发电关口表正向有功总电能量与上网关口表反正有功总电能量，比较结果用X】表示，前者大于后者，X】=l,前者小于后者Xi=10o
步骤三：如果是用户不是发电户，将用户过去一个月的反向有功总电量与10相比，比较结果用为表示，如果前者大于后者，X2=3,如果前者小于后者，为=1。
步骤四：将用户的反向有功总电能示值与上月值相比，结果用为表示，如果前者减后者大于10的，X3=3,否则成3=1。
(2)公式设计
S$—axX]+(1—a)xX2xX3 (3-5)
(3)值域分析
结合上面的量化规则，可以得到S5的最小值是1,最大值是10。数据挖掘分析如表3-19所示。
335.4模型分析
运用模型对50户用户进行分类排序，得到属性五下用户反向有功电量属性雷达图。
并将起与用户实际情况进行比对，发现大于用户问题用户0个。原因是样本数量太少，没有包含异常数据类型。但是，反向电量也是零电量用户非常重要的分析方向。且反向电量问题因为有比较明显的特征标志，可以通过其他信息确定异常与否。
33.5.5结果分析
分布式发电用户的上网表可以存在反向有功总电量，但是不能大于发电关口表的正向有功总电量。非分布式发电用户存在一定量的反向电量就存在计量差错嫌疑，当反向有功电能示值较大，反向有功总电量按月增加时嫌疑就非常大了。本属性通过对反向有功总电能示值大小及相应电量值的分析，为零电量用户是否需要进行现场核查提供非常重要的参考。
从数据分析的角度来看，该属性下的"标签”没有命中问题用户，该角度之下的异
常等待真实数据的分析。
3.3.6属性六：相关变量时效性
3.3.6.1基本情况
用户零电量发生的时间离当前时间的远近对于判断其存在合理性也是有价值的。如果零电量的发生时间与当前时间距离越远，其不合理性被发现的概率越高，未被发现则表示其存在更倾向于合理；反之，时间距离越近，其不合理性被发现的概率越低，未被发现更可能是因为还没有机会发现。这种思想被广泛用于日常生活，本属性即以此为岀发点，研究了时序变量对其影响。
3.3.6.2数据准备
为了进一步分析问题，笔者直接从营销系统客户基础信息模块、营销系统客户管理模块系统模块提取了用户相关信息如表3-20所示,并按表3-21对数据性质进行了分析。
由表可知，本属性所有数据都可以在营销系统获得，不需要清洗，但需要将文本数据数字化。
3.3.6.3数据挖掘
(1)算法设计
步骤一：确定用户当前零电量状态起始的月份，用当前时间月份减去起始月份再加1就是零电量持续的月份数，用m表示。
步骤二：确定几个月份数比较的参数，分别用a、b、c表示，默认a=6,b=12,c=24»
步骤三：将m与a、b.c进行比较，比较结果用Xi表示。令
m<a时，Xi=2；
a<m<c时，X]=1.5；
m>c时，X]=
步骤四：计算零电量持续时期现场核抄、换表、催费员更换的总次数，用71表示,再用X2表示这些事件对零电量合理性的影响。令X2=0.8no
(2)公式设计
S6=X】xX2 (3-6)
(3)值域分析
结合上面的量化规则，可以得到S6值域的(0,2)0数据挖掘分析如表3-22所示。
3.3.6.4模型分析
运用模型对50户用户进行分类排序，得到属性六下用户时序变量属性雷达图。
本属性考虑了现场核抄、换表、催费员变更等事件对发现零电量不合理性的机会的概率，因此此属性在时效性属性上表示零电量存在是否合理。
3.6.6.结果分析
在上述属性的基本原理下，如果发现在发生零电量之后，还发生了关于该用户的现场核抄、换表或催费员变更等事件，则更加证明用户零电量是正常的，因为现场核抄、换表和催费员变更等事件都会增加发现零电量不合理性的机会。极端例子就是，假如5年里5个不同的催费员对该零电量用户换了1次表核抄了5次，该用户却始终处于零电量状态，那么这种状态更可能是合理的。
3.4组合视角下的A公司零电量用户分级模型设计
以上的六个视角都采用的是数据挖掘技术，研究了关联事件、用电量以及用户基础信息等数据，并且从这些碎片化数据中筛选出暗含的异常的零电量的有关属性，分析了各属性与历史信息之间存在的关系，并从不同角度为出发点，定义了各自视角下的现场核査的必要性大小，即零电量存在异常原因的可能性大小。六个变量Si、S2、S3、S4、S5、S6都是正值，数值越大，表示零电量用户存在异常的可能性越大，需要现场核查的必要性和紧迫性越强。但是，上述视角除了反向电量这个视角具有确切的异常特征外，通常都不能独立成为一个可靠依据，其要结合很多视角才能够从真正意义上发挥其对于零电量异常排查的作用。
因此，笔者重新组合了相关变量，调整了模型，按照用户基础信息、用户用电量、关联事件三个方面，重新设计了模型公式及参数。按照最终乘积，将零电量用户的异常分为高、中、低3个不同等级，为排査工作提供了有效依据。
3.4.1属性分析
3.4.1用户基础信息
用户基础信息，主要考察与用户用电量相关的基本情况。其中，用户电压等级、合同容量、电价、地址等信息可以直接从系统的客户档案资料直接得到，用来判断用户的用电需求程度。一般情况下，单相、居民性质和较小的合同容量的用户，因为居住用房被空置的概率要大于工商业用房，更容易发生零电量。
在营销系统内对用户的电压等级、合同容量、电价、地址四个属性都按表3-23赋值，并对四个参数进行求积，获得一个总的关于用户基本属性方面的变量S”公式：Si=X1xX2xX3xX4o变量Si越大，零电量异常的疑似程度就越高。
3.4.2用户用电量
用户用电量主要考察用户用电量变化信息的情况，如同比用电量、环比用电量、反向电量、线损等，根据这些数据得出用户用电量的变化曲线，以此判断其用电变化的幅度。一般来说，经济和生活活动有周期性和连续性。从周期性角度观察，以年为周期的月电量同比，应具有一定的相似性。同理，从连续性角度观察，逐月的月电量环比，应具有一定的延续性。除光伏用户外，电能表所计电量一般是正向电量。
用户的每月用电量信息在营销系统中可以在线获得，获得以后进行同比和环比处理,反向电量、线损在釆集系统中可以在线获得，按表3-24用户用电量属性模型赋值，对四个参数进行求积，获得一个总的关于用户用电量方面的变量S2，公式：S2=X1xX2xX3xX4o变量S2越大，零电量异常的疑似程度就越高。
3.4.3关联事件
所谓关联事件主要指能引发用户用电量变化的相关事件，通过关注换表、开盖、釆集间歇性故障等事件，判断电量变化的可疑程度。正常情况下，用户的用电量应该呈现比较平稳的态势，但在出现换表、开盖事件、采集间歇性故障等事件后，可能会出现异常零电量。
用户的开盖事件、采集间歇性故障等的记录可在采集系统中直接获得，换表记录可在营销系统中直接获得。因此，按表3-25进行赋值，对三个参数进行求积，获得一个关于关联事件的总变量S3,相应的计算公式为：S3=X1xX2xX3o零电量的疑似程度随着S3的增加而提升。
3.4.2模型建立
上述标签赋值都采用了经验赋值法，一定程度上代表了用户零电量异常疑似程度,
数值越大，零电量异常疑似程度越大。但是上述标签基本上都不能单从一个标签判断,需要多标签联合放大才能体现出指导意义。上述标签在量化过程中都以1为基点，以概率的增加或减少作为值增减的量纲，所以标签组合时仍然釆用乘积法来计算总变量，用Sn表示该总变量，计算公式：Sn=SiXS2XS3,表3-26总属性模型理清了总取值范围。
3.4.3应用效果
(1)实际应用利用MySQL管理系统搭建数据库。由Excel界面人机交互，对视角组合后各用户表现进行比较。
（2）实施效果
1）问题识别
①可以发现核查人员对零电量用户核查不到位的问题。
②可以发现换表工作中零电量的发生频度。
③可以发现用户窃电行为。
2） 风险管控
①每个用户多个视角都有个性化的判断标签，可以提示核查人员到现场的核查重点,减少核查中遗漏重点的风险。
②在传统核查工作中，基层用户缺乏有效监督，现在利用数据分析结果就可以更加方便地监督其现场核查工作。
3） 辅助决策
①原本全部依赖于人的工作，利用数据分析挖掘技术，可以节省发现问题的成本，可以选择性地进行带有顺序等级的现场核查工作。
②有了零电量用户的核査必要性、紧迫性的价值判断，也给二次核查和抽查工作有了科学选择的依据，便于跟踪高风险的零电量用户。
3.5本章小结
本章运用数据挖掘技术，将无法用公式直接判断的零电量用户用电行为风险，分级排序，制定了“策略驱动流程”，“策略融合业务”的闭环管理模式，将零电量用户排查工作进行紧迫性排序，提高了检査的针对性和可执行度，实现了流程的闭环管理，提升了零电量用户计量差错、故障或窃电等异常被发现的几率，缩短了发现异常的时间周期，降低了此类问题的风险。
第4章A公司电力用户信用综合评价
近年来，受到产业政策调整和世界经济环境影响，A市的电费回收风险呈上升趋势，部分企业利用缴费的特点及政策漏洞，拒不按期交纳电费，甚至养成了欠费的习惯。2014年，国务院颁布了《社会诚信体系建设规划纲要》；2016年，S省出台相关配套政策，将用户的失信行为（包括电费缴纳过程中的失信行为）纳入到信用系统的辅助系统。但目前还没有为电力行业电费回收等电力相关专业工作提供具体的法律支撑的配套政策。可以说，传统的电费风险防范体系在对客户的约束、惩戒、引导、鼓励上影响力还远远没有匹配工作现状。
电费回收工作是供电企业经营管理活动中一项十分重要的内容，关系到企业运营的最终效益。供电企业要实现营销服务电费回收管理的精细化管理，首先得建立一套能够准确分析和甄别客户信用等级的评估体系，对客户信用水平、重要等级等属性进行科学评估和准确评价。并在此基础上，制定更有针对性的差异化的营销管理模式，从而规避经营风险、识别优质客户、改善经营效率。
因此，本章将从电力企业自身所掌握的各类客户基础数据入手为，设置评价指标参数，同时，补充工作过程中所收集的外部信息，建立一个针对客户信用评价的模型，对用户进行评价分级。后续章节，在本章分析的基础上，制定出针对不同等客户的管理策略，提升A市公司的电费回收工作的整体管理水平。
与金融等其他行业相比，电力企业的用户评价分级体系，因为电能作为商品的一些特殊属性，比较难建立，同时，受制于国家政策、信息数量和质量，现有策略与现实存在一定脱节，因而未被广泛使用。为此，在结合工作实际和查阅文献的基础上，笔者希望建立一个相对实用的评价模型，能够同时筛选出：①优质客户②失信客户③资金周转有困难的正常客户三类与电费回收工作息息相关的用户类别。
4.1A公司电力用户信用综合评价方案设计
电费回收风险的来源主要分内部风险与外部风险两种。
内部风险主要指电力企业内部业务环节存在的违规和失误所引发的风险，引发风险的主要原因有计量故障、错接线、抄表环节失误、帐务核算失误、开票失误等。
外部风险主要来自用户的用电行为，分事实风险和潜在风险。存在事实风险的用户主要指：发生欠费行为的用户、存在窃电行为或窃电嫌疑的用户、拒交滞纳金行为的用户等。存在潜在风险的用户有：缴费记录或平均回款周期明显延长的非居用户；电费扣款账户变更未及时通知供电方的非居用户；由物业（市场、写字楼等）代收电费的用户；缴费方式突然发生变更的非居用户；重点行业的企业用户；电量同比/环比出现大幅下降的非居用户；因账户余额不足导致支票发生退票的用户；面临经营困境的行业企业用户；不能按约定划拨电费的分期划拨用户；人民银行信用系统中信用度较低的非居用户；列入政府整体拆迁、搬迁范围内的用户，移民用户、租赁用户；遭遇社会热点或焦点问题并可能引起电费风险的相关企业用户；为己发生欠费的用户提供银行贷款担保的用户等。
在实际工作中，无论金额还是频次，内部风险的占比都不大，且正常情况下可以通过加强对员工的专业培训和管理减少，但外部风险的可控性较差，一旦发生，供电企业就会处于比较被动的境地。所以必须通过风险识别建立预警机制，尽早发现风险，尽可能避免风险的发生。
4.2数据收集与数据准备
4.2.1数据收集
笔者将上述风险进行了总结，并结合营销系统、用电信息釆集系统、95598系统内数据、客户问卷调查、相关企业数据交换情况，直接对应到相应的信息字段，具体情况总结。
4.2.2数据准备规定数据清洗规则如下：
规则一：任一数据缺失即定义为数据缺失。
规则二：明细条目重复出现即定义为数据冗余，例如某一单次结算用户某一月有多条电费记录，且多条欠费记录的违约金起算日不同。
规则三：业务数据出现明显的常识性错误，即定义为数据不准确。如供电单位（包含地市、区县级、供电所）、户号、户名等与常识不符。
规则四：各字段任一数据格式不规范即定义为不规范。
而企业或个人信用记录及其社会评价数据来自于政府部门公布的公开信息及2016年起，A市供电公司与某银行的合作交互信息，即双方定期交换客户的电费缴纳记录和贷款记录等信息。
4.3用户价值评价指标体系
4.3.1指计
根据S省“客户标签”体系，用户评价体系的构建原则及电费回收工作的实际情况,笔者人为该客户的信用评价体系应从客户的基本属性、基础信用、隐藏属性三个方面的属性来研究和评价用户信用价值。本文将这三个属性设为一级指标，并在这些一级指标下设立数量不等的二级指标和三级指标。
按照性质和作用进行进一步划分三级指标，并对指标体系中的数据来源做出分类。
按照指标类别分类，指标可分为定性指标和定量指标。按照指标的作用可分为制度类指标、过程类指标和结果类指标。
用户价值评价体系数据的获取渠道以电力企业现有的用户历史统计记录数据为主，同时，参考地方相关利益方及政府机构提供的统计数据、行业协会等第三方的监测与统计数据，以及通过利益相关方反馈获得的数据。
具体分类情况见表4-3所示。
4.3.2屬性分析
本文依据客户信用等级的需要，将电力企业用户价值评价划分为用户基本属性、用户基本信用、用户隐藏属性三个一级指标，并将这些一级指标分别从“用电行为"、“缴费行为”、“服务数据”、“外部消息”四个角度予以分析，其下设置了18个三级指标。具体分析如表4-4所示。
4.3.2.1用户基本属性分析
用户基本属性包括用户的自然属性和电力属性。自然属性分为家庭用户与企业用户。
其中，家庭用户为电力市场最小购买单元，属于典型的非个人购买市场。家庭用户信息包括人口统计、生活方式、从事行业等信息；企业用户信息包括企业所属行业、企业规模、行业景气情况、投资决策、管理者综合素质等信息。电力属性包括合同容量计量方式电价分电压等级用电容量负荷类型等基本属性。结合电费回收工作的实际情况，将历史用电量变化情况、执行电价变更记录、对电力企业的认可度、缴费渠道及结算方式、所属行业电费季节性波动规律作为代表用户最基础属性的数据。
4.3.2.2用户基本信用分析
用户基本信用反应用户指历史上的信用情况。主要包括用户的商业信用、安全信用、合作信用等。其中商业信用包括一些企业经营过程中的信用记录，安全信用指的是对客户安全事故的多少、性质的恶劣程度及日常是否重视安全、安全措施是否得当的评价。
51
合作信用主要反映客户与供电企业在用电、调度等方面的配合情况。
4.3.2.3用户隐藏属性分析
反映了用户较为隐秘的需求及属性。即用户在购买电力及其附加服务的过程中没有说出口的服务需求。通过对供电服务核心内涵分析，借鉴KANO理论，参考用电客户实际需求调研分析报告，选择价值取向和客户感知作为电力客户隐藏属性的划分维度。结合电费回收工作的实际情况将业扩变更记录（增减容等业务）、区域内行业平均欠费情况、用户对新业务的接受程度、有关该企业或个人经济方面的社会评价、用户缴费渠道及结算方式变更记录。
4.4用户评价模型及案例分析
4.4.1评价方法选择
本文采用层次分析法来确定各项指标的权重，运用模糊综合评价法来对供电企业承担价值评价的情况进行综合评价。
4.4.2用户评价模型设计
4.4.2.1层次分析法确定权重
（1）建立层次结构模型。
最高层（目标层）：评价的预定目标，在本文中这指供电企业的用户价值评价
中间层（准则层）：为实现预定目标而采取的措施，也就是评价的各个方面，在本文具体指基本属性、基本信用和隐藏属性
最低层（指标层）：基础评价指标，在本文中是指用户评价体系的第三级指标其层次结构。
（2） 确定评价指标的因素集。
（3）构造判断矩阵。
（4）层次单排序。
（5）一致性检验。
（6）层次总排序。
通过将准则层相对于目标层的权重向量乘以指标层相对于准则层的权重矩阵，得出
54
指标层各元素对于目标层的权重。
4.4.1.2模糊综合评价法分析评价
再运用模糊综合评价法来评价客户综合信用等级，以下是详细步骤：
（1） 确定指标评价集
借鉴相关研究成果及专家的建议，将指标评价集：V=（皿V2,V3,V4）=（优质，正常，困难，不良）。
（2） 确定指标隶属度
①确定定量指标隶属度
本文釆用在综合评价中被广泛运用的半梯形分布函数作为隶属度函数。规定评价指标因素集为X=（X1，X2,X3，...，X»）；评价等级标准为V=（Vi,V2,Vi,W）,Vl<V2<V3<W。
②确定定性指标隶属度
本文对定性指标隶属度采用专家打分法，根据上文制定的评价等级标准，按评价集邀请专家对各个定性评价指标打分。假设有M位专家，每个评语等级分别有m，m2,m3,叫个专家选中，隶属度可以表示为V=（mi,m2,m3,1714）>其中mi+m2+m3+m4=Mo向量归一化，得到/M,m2/M,m3/M,m4/Ma
（3） 构造模糊关系矩阵
（4）分层模糊综合评价
因为评价体系分为目标层D、准则层E和指标层F,所以要进行两级综合评价：即指标层F对准则层E、准则层E对目标层D。
①指标层F对准则层E的模糊综合评价为：E=（E】,&，...，£»）r=WfiVi
②准则层E对目标层D的模糊综合评价为：WFiVi
D=WeE
4.4.3实例分析
按照文中以上研究构建的模型，本文将选用A市供电公司2016年的企业数据和某公司的B用户相关数据，来进行模糊层次综合评价的实例分析。
4.4.3.1确定权重
本文邀请10位专家对客户评价体系中各因素的重要程度两两作岀比较并评分，对评分结果上述。
4.4.3.2评价分析
（1） 隶属度的确定
①定量指标隶属度的确定：依据本文上述指标来源，结合公司的相关资料和公司实际电费缴纳情况，得到各个定量指标的实际值。
②定性指标隶属度的确定:通过向A公司专家发放调査问卷分别对9个定性指标进行评价，评价结果以优质、正常、困难、不良四个等级表示；然后对调查问卷进行回收、整理和统计；最终得到每个定性指标的隶属度。
③评价指标隶属度：综合通过计算得到的定量指标的隶属度和评价打分，得到的定性指标的隶属度。
（2） 指标层F对准则层E的模糊综合评价
根据公式E.-WfiVi,汇总计算结果，生成指标层F对准则层E的模糊综合评价结果,如表4-11所示。准则层E对目标层D的模糊综合评价结果如表4-12所示。
4.5本章小结
本章通过运用层次分析法和模糊综合评价法对构建了一个用户信用价值评价模型，并确定了各因素之间的影响因素权重。并以A市用户B公司数据为例，以其2017年相关数据为实例进分析，尝试演算，得出评价等级。
第5章A公司电力用户信用体系建设策略
由第4章的分析，我们了解到，用户的信用评价等级大致可以分为四类。其中，优质客户，是企业重点关注、维护的客户资源；失信客户，是企业重点惩戒、回避的客户资源；资金周转困难的客户，是企业重点防范、帮助的客户资源。本章针对优质客户、失信客户、资金周转困难客户分别建立正向激励、反向惩戒、中间预警三个维度的管理机制，基本实现对电力用户信用进行全面管控。结合实际工作中的信交互应用可将分级和具体措施对应如表所示。
5.1电力用户信用体系建设的必要性
按照信用系统的一般定义，电力信用体系的构建及应用主要应该从内部和外部两面入手。向内，建立科学的信用评价标准、评价工作流程和评价结果应用模式，不同类别的客户应用不同的管控服务模式，形成一个公平、严谨、有效的评价机制；针对不同信用等级的客户釆用不同的服务模式，达到加强内部管理、完善电费风险管控的效果。向外，联系相关政府社会机构，建造政府公信的电力信用平台，制定全方位的宣传引导模式，建造诚信缴纳电费、安全规范用电的良好社会氛围，提高用户按时缴纳电费、安全规范用电行为的自觉自愿性，降低电费催收压力，加快电费回收节奏，提高资金沉淀率。
按照SWOT矩阵分析，降低电费风险的主要途径可以通过降低外部威胁、抓住外
部机会、消除内部劣势、发挥内部优势方面来实现。
学者阎春宁认为，风险处理有四种方法，即：回避风险、降低风险、自留风险、转移风险。其中：
回避风险是指考虑到风险发生的可能性，主动放弃或拒绝实施可能造成损失的方案;
降低风险是环境允许的情况下，通过增加投入、加强管理、提前预警等方式将风险发生的概率降到最低；
自留风险是在风险转移不经济的前提下，自行承担风险以免遭受更大的风险打击；转移风险是指通过某种形式将自身无法降低的风险转移给自己以外的一方。
结合实际，电费回收再风险防范这个问题上，供电企业无法改变外部经济及政治条件，也无法左右国家法律法规的内容，因此无法回避大环境引发的电费风险问题，同时，企业的追求利益最大的特性，使得企业必然不希望保留和承担风险，所以只能从降低风险和转移风险两个方面思考解决方案。
在现有政策和体系下，电力企业有三个方向来降低电费回收风险。如表5-2所示。
5.2确定信用维度，实行过程全面管理
(1)信用维度划分
由第4章分析，用户的信用评价等级大致可以分为①优质客户②失信客户③资金周转困难客户④资金与信用正常客户四类。优质客户，是企业重点关注、维护的客户资源；失信客户，是企业重点惩戒、回避的客户资源；资金周转困难的客户，是企业重点防范、帮助的客户资源。由此，针对优质客户、失信客户、资金周转困难客户分别建立正向激励、反向惩戒、中间预警三个维度的管理机制，对电力用户信用进行全面管控。
(2)实施范围确定
通过分析，三类用户的范围分别是。
优质客户主要指：①历史缴费记录良好②用电量保持稳定及未来有增容可能的用户;
失信客户主要指：①存在违规、违约用电用户②存在不良缴费记录用户;
预警客户主要指：存在潜在违约用电、拖欠缴费风险的用户。
结合实际，细化和明确划分标准，得表5-3所示对应关系。
（3）信息交互应用
确定了实施范围后，结合电费回收的业务流程，整理信息交换与应用机制如表5-4。
（4）双方合作机制
针对上述的情况，通过签订合同的方式明确双方合作机制，甲方（电力企业）与乙方（外部机构，包括银行及社会征信管理机构等）合作机制如下：
①建立紧密联络机制。双方各确定一名分管领导，负责相关工作的组织与协调，并确定联系部门及联系人，负责具体工作的推进与实施。
②建立信用合作机制。双方积极推动信用互用合作，甲方以乙方每月提供信贷风险客户情况作为电费风险预警客户；乙方以甲方所提供的电费按时缴纳和依法合规用电情况，给予符合贷款条件的企业提供融资服务。
③建立信息共享机制。双方应当促进不良客户信息共享，加强对欠费、违约违法用电、欠贷等不良行为的监控，实行依法停电、信贷制裁等方式，共同打击不良行为的企业，营造良好的信用环境。信用信息共享机制实行定期交换。
④建立引导宣传机制。甲乙双方加强引导宣传，共同维护双方良好的社会形象，在本市主流媒体刊登双方合作的意向和主要内容，积极传播社会正能量，提升影响力。
（5） 权利义务划分
1） 甲方权利义务：①向客户宣传电银信用互用合作事项，告知客户的相关金融服务的相关条件条款。②定期推荐电费按时缴纳并依法合规用电的用户清单，主要提供上一年度缴纳电费在10万元（含）以上50万元（含）以下，且连续二年电费有所增长的小微企业。③定期提供电费未按时缴纳和未依法合规用电客户名单，以便于乙方及时釆取相应的制裁措施。
2） 乙方权利义务：①向辖内客户宣传电银信用互用合作事项，宣传电力的新政策,倡仪广大客户按时缴费、依法合规用电的诚信行为。②为该项目提供专项信贷资金，制订“电银通”贷款产品，优先为符合条件的小微企业给予配套融资服务。
5.3构建公示平台，营造诚信用电氛围
A市供电公司首先与人行协商合作事项，将A市地区所有电力客户的电费缴费失信记录，纳入人民银行S省中小企业信用信息辅助系统，并与A市政府中小企业信息中心签订合作协议，使得电力信用信息进入S省中小企业信用信息辅助系统、A市中小企业信用数据平台。与A市市政府信用A市建设领导小组办公室合作，作为公共信用信息,
62
归集纳入《A市社会信用体系建设》范围。
S省中小企业信用信息辅助系统、A市中小企业信用数据平台、信用S省、信用A市等平台是由银行、环保、税务、工商、电力等十几个部门提供相关信息共同组建信息平台，将拖欠电费、违约窃电等行为与信用记录挂钩，作为各商业银行信贷决策、税务工商等部门对企业评价的重要参考依据，也可供民间借贷的参考对象。
5.4创新电力信贷，増值服务诚值客户
A市供电公司同时与A市农商行签订电银信用互用合作协议，创新电力信用信息与银行信用信息数据的增值利用，推出“电银通”贷款产品，服务A市小微企业客户，再造良好用电环境。本着“服务企业、互惠互利、合作共赢"的原则，将电力信用数据与银行信用数据交换利用，联合推出“电银通”贷款产品。
该产品主要服务对象为双5星电力信用优秀客户，A农商行将提供专项信贷资金，根据缴纳的电费配套2倍以上，4倍以下，贷款授信额度200万元(含)以下信用贷款，贷款以纯信用方式发放，并且贷款利率给予一定比例的下浮。同时，将对电力信用失信客户实施信贷制裁。A市供电公司筛选首批双5星电力信用优秀客户1120户，正式推荐其进入A市农商行“电银通”贷款产品候选名录，A市农商行将根据A市供电公司提供的名录，筛选有贷款需求用户，提供“电银通"贷款服务。同年，S省首个100万“电银通”电力信用贷款客户产生。
5.5配套管理细则，规范实施有效应用
为加强完善电力信用应用实施管理，建立了电力信用平台管理工作的流程图和电力信用增值服务的工作流程，为加强电力信用中间预警工作，配套修编《国网A市供电公司电费风险防范应急预案》，修订《电费管理劳动竞赛方案》，进一步加强对电力信用结果的应用管理。通过实施过程的管控，明确各级职责、工作流程、考核办法。
5.5.1工作流程
5.5.1.1电力信用平台管理工作流程
(1)事前告知
电力征信平台管理工作流程
图54信用平台事前吿知流程
吿知范围：首次纳入信用系统的客户，中间预警1级对象（包括新装、过户客户）,告知电力信用管理的事项。
吿知时间：非新客户、居民用户在缴费截止日期后一天电话或短信通知，其他客户为违约金起算日期前2天；新用户为窗口办理结束前。
告知方式：每月整理新装、过户、出租等客户告知清单。首次纳入信用系统的客户，大批量用户可采用新闻媒体、农村用户采用电費公布栏公示、小区用户釆取送告知单等模式，结合短信通知的方法。在窗口提供电力信用告知单，让新上小区、新装、过户客户知晓电力信用事项。
短信模板：客户，你好！如您保持连续12个月按时缴纳电费，且没有违约用电记录，您将有条件申请农商行电力信用贷款；2次及以上电费经催缴未按时交纳者将作为失信纳入社会信用信息公众平台；守信有益，失信失颜，详情可咨询当地营业厅。
（2）事中提屬
告知范围：中间预警2级客户，特别是欠费一次，正在进行二次催费的客户，提醒是欠费的后果。
告知时间：非新客户、居民用户在缴费截止日期后一天电话或短信通知，其他客户为违约金起算日期前2天。
告知方式：有联系方式首次短信、次日电话，无联系方式上门告知。
短信模板：①客户，你好！如您保持连续12个月按时缴纳电费，且没有违约用电记录，您将有条件申请农商行电力信用贷款；若2次及以上电费经催缴未按时交纳，失信记录将纳入社会信用信息公众平台；守信有益，失信失颜，详情可咨询当地营业厅。②客户，您好！截至目前，您己欠费1此，累计失信记录1条，本月缴费截止日期还有2天，请安排时间及时缴费，以免失信纳入社会信用信息失信公示平台。守信有益，失信失颜，详情可咨询当地营业厅。
(3)事后公示
图5-3信用平台事后公式
告知范围：优质客户、失信用户、外部机构。
告知内容：与银行交换星级客户最新的评级变化情况、失信用户的最新名单。告知优质客户其具备电力信用情况及可到银行咨询电银通贷款的初步资格；告知失信用户将承担的相应处罚。
告知方式：供电所通过短信告知客户。
短信模板：①客户，你好！恭喜您成为电力优质客户，目前您的星级评定为1星，您已获得申请农商行电力信用贷款项目的资格。守信有益，失信失颜，详情可咨询当地营业厅。②客户，您好！截至目前，您已成为失信用户，请尽快安排时间补缴拖欠电费及违约金，以免不必要的断电。您的失信记录己社会信用信息失信公示平台。守信有益,失信失颜，详情可咨询当地营业厅。
流程如图5-3所示。
5.5.1.2电力信用増值服务工作流程
整理公示用户清单，从营销系统导出双五星客户清单，筛选缴纳电费在10万元(含)以上50万元(含)以下的企业，电量12月同比增长的客户清单，初步确定信用推荐等级。供电所补充核对营销系统未记录电费实际缴纳情况、12个月内客户原因造成转账支票退票的情况、违约用电窃电情况、有无违反安全用电管理规定限期不整改的情况等其他补充情况。整理人员根据补充情况调整推荐。
实行告知客户，供电所短信告知客户其具备电力信用等级情况，建议有融资需求客户其到银行咨询电银通贷款的其他条件。与银行实行定期每月信息交换，交换推荐名单及电银通贷款的进展。交换信息归档做归档处理，已办理电银通贷款客户通知供电所做公示宣传，风险用户发供电所做风险分级管理。
流程如图5-4所示。
5.6实施效果
(1)营造了诚信缴费规范用电的外部环境
A市公司从2015年6月与人行商议合作事项，开始宣传电力信用。9月与A市市中小企业金融服务中心正式合作企业信用信息交换，在A市电网率先将首批失信用户信息登上浙江省企业信用信息辅助系统、A市中小企业信用数据系统。10月首批专变用户5700户，1298条失信信息，累计2512条失信客户信息进入A市信用数据库系统。通过媒体、基层员工连续宣传，产生一定的威慑作用，供电所积极通过事前通知，在催费过程中告知，提升了用户按时缴费意识。产生电费违约用户数同比环比逐步下降，单月产生电费违约金用户数由2015年6月的4540户下降到2016年1月2640户，同比下降58%,越来越多用户形成按时缴费共识。
(2)提高了基层员工的电费催缴工作效率
利用电力信用体系的辅助作用，A市供电公司实现了同一用户催费次数下降，总体催缴次数和催费用户数量大幅下降效果，催费工作效率有所提高，月末前3天催费户数由2015年6月的6000户，下降到12月的1261户，催电费投诉数量环比下降。13个供电服务站月底电费回收速度日渐加快，由原来仅1-2个供电服务站能够实现提前1-2天月末日结清，逐步稳定提升为10多个站月末提前3-4日结清，基层员工催费压力减轻，公司回收速度有所提升。
(3)増加了国家电网品牌的附属品牌价值
受到外部经济环境的影响，A市一批中小型企业成为各个银行的主要防控和收贷对象。A公司2015年10月筛选了首批双5星客户清单，合计1120户，推荐其进入A市农商行“电银通”贷款产品候选名录。同年11月，首批9个“电银通”贷款项目正式发放，合计发放金额375万元，单笔最高达100万元，消息登上新华社、省、市、县各级新闻媒体，社会反响热烈。截止2016年1月30日止，A市农商行累计在18个分行发放“电银通”贷款48笔，发放金额累计1381万元。电力信用增值服务，是S省内首个电力企业与银行合作并成功案例，依据电力数据库优势，提供电力优质信用客户的增值服务，此举有效树立电力信用标榜效应，同时助企业化解“两链”风险，缓解小微企业融资担保难题，服务当地实体经济发展、实现多方共赢，在社会上较好提升了国家电网品牌吸引力、美誉度。
(4)推进相关营销电子化的应用
随着电力信用平台的建设、宣传和推广，客户订阅电子化信息服务的意愿得到逐步增强，客户基础信息的釆集、正确率和完整率得到了大幅度修正。2015年，客户信息修正5千多户，客户电费短信订阅数由6月底的21295户，1.32%的订阅率，上升到2016年1月的200647户，61.83%的订阅率，微信订阅数量由0提高到27017户。为今后营销服务进一步电子化打下良好基础。
(5)促嶼程费控项目的推广进度
远程费控项目，对于供电公司降低电费回收风险，尽早收回电费资金，提高资金沉淀率，降低资金成本，提高电费回收催费效率有比较积极的意义，但对用户却多了更多束搏，推广难度很大。有了电力信用平台的建设，因为信用登记为产权用户，和出租户、合用变、工业园区管理用户一起解决用户的电费风险预防，推广远程费控协议，对电费风险用户实施远程费控协议成为了需要和必要。2015年10月开始，国网A市市供电公司远程费控项目快速推广，4个月实现推广3953户，推广进度A市电网名列前茅。
5.6本章小结
本章基于第四章研究的基础，建设了一个三维电力信用体系。
从内部着手，建立了一个科学的信用评价标准、评价工作流程和评价结果应用模式,
针对不同类别的客户应用不同的管控服务模式，形成一个公平、严谨、有效的评价机制；针对不同客户采用不同的应用服务模式，达到加强内部管理、完善电费风险管控的效果。
向外部延伸，联系相关政府社会机构，建造政府公信的电力信用平台，制定全方位的宣传引导模式，建造诚信缴纳电费、安全规范用电的良好社会氛围，提高用户按时缴纳电费、安全规范用电行为的自觉自愿性，降低电费催收压力，加快电费回收节奏，提高资金沉淀。
第6章研究成果和结论
本文首先通过学习数据挖掘的思想，建立了一个针对零电量用户的组合属性核查工作紧迫性排序及分级模型，并用于实际的工作，对原有的工作效率有了比较明显的提升。
其次，通过数据分析的方法，提出了一种基于客户信用评级模型的“三维电力信用体系”，将其应用于电费回收工作，收到了较好的成效。
论文研究成果如下：
首先，从电力“大数据”的含义入手，层层深入，对“大数据”分析方法、“大数据”分析步骤及“大数据”分析思想在电力行业中的应用，例如用户用电行为分析、“客户标签”等方面做了较为详细的分析，并着重论述了多目标决策方法中的层次分析法和模糊分析法的原理、主要步骤和优缺点，为后续章节的分析奠定了基础。
其次，运用数据挖掘技术，将无法用公式直接判断工作紧迫性的零电量用户，通过建立多维度，多属性的分析模型，分级排序，划分为不同等级的用户，并对不同等级的用户制定不同的管理策略，提高了检查的针对性和可执行度，实现了流程的闭环管理，提升了零电量用户计量差错、故障或窃电等异常被发现的几率，缩短了发现异常的时间周期，降低了此类问题的风险。
再次，运用层次分析法和模糊综合评价法对构建了一个用户信用价值评价模型，并确定了各因素之间的影响因素权重。并从A市随机抽取用户，将其相关数据带入模型进行验证，证明了该体系的可行性。
另外，在第四章研究的基础，从内部与外部两个方向岀发，建设了一个三维电力信用体系。对内，用科学的信用评价标准、工作流程和应用模式，对不同类别的客户釆用不同的管控服务模式，形成一个公平、严谨、有效的评价机制；对不同类别的客户釆用不同的服务模式，完善了电费风险管控的效果。对外，积极联系相关政府社会机构，建造政府公信的电力信用平台，制定全方位的宣传引导模式，建造诚信缴纳电费、安全规范用电的良好社会氛围，提高用户按时缴纳电费、安全规范用电行为的自觉自愿性，降低电费催收压力，加快电费回收节奏，提高资金沉淀。
受限于个人经历、眼界与时间，在模型建立的过程中，未能釆用多种方法对比，因而无法横向比较模型的准确性，同时，也只是针对特定问题提出了相应的解决方案，未能建立更通用的模型。
参考文献
[1]徐争荣.“互联网+”时代传统行业的创新与机遇分析[J].互联网天地2015(05):1-5
[2]金小谷.中国电力装备研究应对中国工业4.0的创新动能[J]企业科技与发展2015.23:1-3
[3]鲍益霞.大数据背景下电力企业营销管理创新研究[J]电力讯息2016(12):127
[4]曹晟.供电服务大数据分析及改进措施[J]科技视界2016(01):272-273
[5]李君.基于供电营销业扩管理的客户全方位服务质量提升策略[J]中国高新技术企业2016.33:189-190
[6]肖元.电力营销全过程电费风险管理要点分析[J].中国新技术新产品,2016,(33).
[7]韩家炜.论大数据分析的方法论意义[M].机械工业出版社.2007.1-200
[8]李刚.关于提高业扩报装服务水平工作的探讨[J].企业经济聚焦,2015,(3).
[9]谭忠富，李晓军,王成文，等.电力企业风险管理理论与方法[M].北京:中国电力出版社，2006.1-200
[10]InterbankCreditLinesasaChannelofContagion[J].JeannetteMuller.JournalofFinancialServicesResearch.2006(1)
