基于数据挖掘的电力行业客户细分模型分析.docx

从本学科出发，应着重选对国民经济具有一定实用价值和理论意义的课题课题具有先进性，便于研究生提出新见解，特别是博士生必须有创新性的成果基于数据挖掘的电力行业客户细分模型分析　　随着我国供电企业在经济市场中的竞争越来越大，供电企业不断提高市场竞争意识，加强对客户资源及企业效益的重视程度目前，电力企业工作的重点已逐渐转移到电力市场营销工作中来，其营销工作效率对电力企业的经济、社会效益及发展造成极大的影响[1]在市场经济环境下，电力企业的营销工作重心要放在如何满足客户的要求上另外，电力企业在客户研究方面缺乏深度，目前，部分供电企业逐渐认识到大客户的管理工作的重要性，但由于缺乏有效的理论支持，导致电力企业对大客户管理工作的落实效果并不明显[2]因此，识别与细分大客户的实际需求，根据其需求推出相应的营销策略，能有效提高企业的经济效益　　1 客户细分的概述　　客户细分的前提是根据企业联盟收集与整理的客户信息，结合其需求特点、信誉状况及购买行为等方面的不同，将某种产品的客户分到多个客户群当中因此，不同的细分客户群体具有不同的特征，其客户需求也各不相同客户细分立足于多种不同客户特点基础上，根据不同的企业客户对产品的需求，才能进行细分。

同时，随着经济市场改革的日趋成熟，客户对产品的特点也是随之改变的，而客户细分也会随着其发生改变因此，企业要密切关注客户的实际情况，以采取及时、有效的细分对策在客户细分实际的应用中，体现的是一个聚集的过程，即企业根据客户的需求，将相同需求特点的客户归为一个群体[3]　　电力客户细分中存在的问题　　 经济行为缺失　　电力客户的属性体现在社会、经济及经济行为等方面，作为企业应该根据不同的客户属性，结合相应的因素，妥善分类客户群体目前，电力企业主要是将客户的社会属性和经济属性应用在客户分类的因素上，却甚少应用到客户经济行为因素上　　2.细分维度单一　　现阶段，电力企业对大客户的细分主要采用定性分类法，甚少会采用定量分类法，而将定性、定量分类法相结合的分类方法则是少之又少[4]定性分类法的应用导致无法全面了解客户情况，且划分不明确，难以区别出不同类型的客户等　　2.可操作性较差　　现阶段，电力客户细分可操作性较差，主要体现在：　　 客户细分方法落后，满足不了现代电力企业营销活动的需求；　　 细分结果不明确，无法为现代电力企业营销活动提供科学有效的数据支持；　　 无法真实反映出客户的经济行为，其操作部存在实际的意义。

　　基于数据挖掘的电力客户细分模型构建　　 数据挖掘客户细分整体模型的设计　　 细分模型设计思路　　数据挖掘客户细分模型设计的思路主要包括：结合不同的客户行为属性，不断优化客户细分指标体系；在客户价值评价上进行客户价值描述体系的构建；以客户行为细分为主的思路进行客户细分模型的构建　　细分原则　　电力企业在进行客户细分的过程中应遵循以下原则[10]：第一，可衡量性也就是企业在进行客户需要信息、数据的收集及调研中能进行合理的衡量，并明确各个细分市场的范围无论是市场的规模大小，还是需求量都要进行衡量第二，可进入性电力企业的资源条件及营销能力可体现在子市场中第三，可盈利性细分后客户购买力及子市场规模能满足企业盈利的最大化第四，反应差异　　在各个子市场对市场营销组合中因素变动的情况下，都正确及时作出差异性反应等细分方法　　在经济市场各个领域当中，大多都是采取K?means算法进行客户细分该算法是一种划分的，但并非分层的聚类方法，是由Mac·Quen最先提出的[11]，目前在数据挖掘领域中应用越来越广泛　　基于数据挖掘的总体模型设计　　功能、数据及方法三方面作为主要的数据挖掘电力客户细分功能结构模型。

其中功能部分不仅是模型设计的目标以及设计的结果，其功能部分主要包括：客户分析、客户分类、市场预测、定向服务、辅助营销等功能在长期的数据挖掘中，市场功能的不同在选择细分方法，会导致数据出现相当大的差异性数据模块是总体模型的基础，进行充分的数据准备及预处理，才能真正保证产生真实性、有效性而客户维度的选择及明确度量是保证取得满意客户细分结果的前提，而方法模块则是总体模型中的核心电力大客户细分功能结构模型，如图1所示　　基于K?means 算法的模型设计　　数据挖掘技术涉及的领域相当广泛，包括：计算机软件、统计学、数学、人工智能理论等，包含丰富的理论知识，采取各种科学技术因此，数据挖掘技术的成功应用具有重要的设计意义而数据挖掘模型则是该应用方法的研究成果通过研究K?means 算法的原理、特点，遵循相关的处理流程，客户细分模型框架，如图2所示　　　　图1 电力大客户细分功能结构模型图　　　　图挖掘模型框架　　从K?means 算法的工作过程中可以看出：先是从n个数据中任意选出k个数据对象作为初始的聚类点；其次是根据所剩下数据对象和这些聚类点之间的聚类，把它们相应分配到与其相似值最高的聚类中心；最后进行各个新聚类的聚类中心的计算，精确求出该聚类中数据对象的平均值，进行循环渐进的重复计算，直到计算出准确的准则函数。

K?means 算法可采取准则函数：　　[E=i=1kp∈cip-mi2]　　式中：E为数据库中全部数据对象平均误差的总和；p为空间的点；mi为簇Ci的平均值，而p与mi均属于多维的其准则的根本目标在于：强化生成的结构簇的紧密型；k作为K?means 算法参数，可将n个数据对象分成k 簇，不断增强簇内的相似度，从而降低簇间的相似度K?means 算法作为一种时效性的算法，可综合分析聚类问题，其算法具有显著的简单性、精确性、高效性，可集中处理大数据库等　　3.电力客户行为细分指标体系的设计　　在电力客户细分中，可以结合数据挖掘项目中的具体目标，综合分析客户细分维度，同时，遵循根据电力企业的业务指标体系标准，不断优化明确的项目指标，最后是合理选择变量，在宽表中体现出所有的全部变量分析数据，收集全面的数据后进行数据挖掘建立客户指标体系是保证数据挖掘顺利进行的基础　　 行为细分的维度设计　　维元素及度量组成了维护的主要内容，维元素对应的是分析角度，度量所的对象是分析结果中的明确指标指标的数据属于离散型，无法进行无限度的取值；同时，也出现连续型数据，可允许无限度的取值其中，细分变量主要是应用于客户细分的变量中，描述变量为对细分后客户对体征描述的变量。

　　行为细分指标体系构建　　在客户行为细分中，需要合理选择细分变量，才能提高细分结果的准确性，确保成功的细分项目在本研究中，主要通过应用电力客户经济行为维度与衍生变量指标，进行构建客户细分模型，客户行为细分指标体系，如表1所示t掌握具体的客户的行为细分指标后，可采取数据挖掘中的聚类分析技术进行电力客户的精细化细分，所得的细分结果，如图3所示　　3.电力客户精细化细分模型的构建　　通过分析研究成果，立足于客户行为细分体系的优化中，同时充分利用客户价值评估体系，不断构建电力客户精细化细分模型此模型的构建与应用，能有效实现客户行为细分和客户价值评估的有效结合，不仅能有效解决解决客户行为细分结果中出现的各种问题，同时，可以为客户价值评估提供正确完整的数据支持该模型的价值主要包括：紧密结合行为细分变量与价值评估变量，在最大程度上提高数据挖掘及价值评估工作的时效性，使工作人员在实际工作中可遵循相关的规章制度等电力客户精细化细分整体模型，　　结 语　　目前，在我国电力企业客户细分过程中还存在客户经济行为缺失、细分维度单一及可操作性较差等问题，因此，应该综合采取客户细化分类法进行客户细分基于数据挖掘的客户细分具有提高细分合理性、指导营销活动及可操作性强等优点，可以有效解决电力客户细分中存在的问题。

综上所述，基于数据挖掘的电力行业客户细分模型构建能为电力企业对不同类型的客户进行准确、合理的细分，能为电力企业的营销决策提供科学、可行的信息支持，对提高电力企业的经济效益及社会效益具有重要的意义课题份量和难易程度要恰当，博士生能在二年内作出结果，硕士生能在一年内作出结果，特别是对实验条件等要有恰当的估计。