0 引言

目前, 大数据在电力营销领域的应用仍处于基础建设和起步阶段, 在实现数据的保值、增值领域有较大的发展空间^[1]。一方面, 目前已有的场景普遍缺乏实用性和示范性; 另一方面, 大数据应用的数据源存在缺失, 制约了大数据应用场景的搭建^[2]。本文搭建了电网企业客户服务大数据应用场景框架, 从个性化客户体验、智能化精益运营及多元化生态圈变现3个方面提出了具体的大数据应用场景。其中, 个性化客户服务从客户细分、客户行为倾向等维度分析, 有助于企业更加了解客户的特征; 智能化精益运营, 分析大数据与渠道、推广策略、产品的结合, 利用内部的运营数据提升运营效率, 降低后台运营成本; 多元化生态圈变现通过与居民、工商业客户、政府以及生态圈客户的合作, 为企业带来数据变现^[3]。

1 大数据应用场景框架

电网企业客户服务大数据应用场景框架见图 1所示, 主要包括个性化客户体验、智能化精益运营、多元化生态圈变现3个方面。

1.1 个性化客户体验

个性化客户体验分析主要是基于客户的信息, 进行客户细分、客户满意度和客户行为倾向分析, 有助于企业更好地了解客户。

1.1.1 客户细分

客户细分主要包括客户行为细分以及客户价值细分2个方面^[4]。

(1) 客户行为细分是指对客户的基础档案、行为信息进行细分和分群, 目的是与客户接触前即对客户的基本情况、可能办理业务进行初步预判, 更好地精准服务。以国内某区域电网为例, 该企业已搭建了客户画像体系, 具体包括预判客户过户可能性和客户信用评估模型。在进行客户行为细分时, 由于客户行为特征较多, 难以区分有效字段和无效字段, 通常采用主成分分析(PCA)方法(见图 2)对客户特征信息进行降维挖掘分析, 即将彼此相关的1组特征变量转化为彼此独立的1组新的特征变量, 并用其中较少的几个新特征综合反映原数据中重要信息的多元大数据挖掘方法。

(2) 客户价值细分是对客户当前以及未来可能产生的价值加以分析, 从而识别出高价值的客户, 做到差异化客户服务。

客户价值细分通常采用深度学习技术, 例如无监督聚类分析, 常用分析方法有K-Means算法、CLARANS算法。其中, K-Means算法也称为K-平均或K-均值, 其主要思想是首先将各个聚类子集内的所有数据样本均值作为该聚类的代表点, 然后把每个数据点划分到最近的类别中, 使得评价聚类性能的准则函数达到最优, 从而使同一个类中的对象相似度较高, 而不同类之间对象的相似度较低。某电网公司利用K-Means聚类算法进行客户价值细分结果见图 3。

1.1.2 客户满意度分析

(1) 通过收集各渠道客户满意度评价数据, 与业务数据、客户档案之间进行关联分析, 发现客户不满意的集中区域, 寻找业务办理的痛点。

(2) 通过文本挖掘, 识别关键文本中客户的交互音调、情感词汇等数据, 分析客户情感(见图 4)。找到客户不满意度的区域和个体后, 结合下一步最佳行动的行为矩阵, 为相关客户服务人员推荐最佳处理方案。

1.1.3 客户行为倾向分析

客户行为倾向分析主要包括渠道客户偏好分析、客户投诉倾向分析、客户流失倾向分析等^[5]。

(1) 渠道客户偏好分析是识别客户对各种渠道使用的喜好程度、客户与电网企业交互的活跃程度、客户关注偏好类别, 有针对性地引导客户进行渠道转移, 减少渠道服务成本。

(2) 客户投诉倾向分析指识别客户投诉特征及变化规律, 对营销业务、客户基础信息与客户投诉之间进行关联分析。结合客户服务历史及历史满意度评价情况, 对服务过程中因服务行为、供电质量等服务质量引起的投诉和满意度评价较低的信息进行分析, 找出关联关系, 图 1电网企业客户服务大数据应用场景框架识别服务质量敏感用户, 构建客户服务质量敏感度标签体系^[6]。

(3) 客户流失倾向分析是识别具有高流失倾向的客户, 并对相应集群进行用户特征分析。一般初始步骤是基于客户提供价值的客户细分模型, 以识别并保持高价值用户。

1.2 智能化精益运营 1.2.1 营业厅分析

营业厅分析主要包括营业厅的选址定位以及营业厅服务资源优化分析。

(1) 在对营业厅进行选址和定位时, 电网企业可对客户用电量、电费、业务办理频次等信息进行地理空间分析, 同时结合营销、外部人流量、人口密度等数据, 对营业厅优化布局及选址提供建议。

营业厅的选址和定位分析, 通常采用DBSCAN密度聚类、Voronoi图结合GIS (地理信息系统)的地理信息数据进行大数据分析。DBSCAN是比较有代表性的基于密度的聚类算法(见图 5), 与一般聚类方法不同, 它将簇定义为密度相连的点的最大集合, 能够把具有足够高密度的区域划分为簇, 因此常用于设施布局、人口密度分析等领域。

(2) 优化营业厅服务资源时, 电网企业可结合各地区营业厅归属等级、业务办理种类、业务受理数量等基础信息, 建立营业厅效能分析模型, 分析营业厅各类服务资源是否得到了有效利用, 为优化营业厅资源配备提供建议, 从而提升营业厅业务办理效率、资源利用率。

1.2.2 95598话务分析

95598话务分析主要包括互动式语音应答(IVR)优化分析、话务量预测分析、重复来话分析、95598来话内容分析以及座席管理相关分析^[7]。

IVR分析通过来话类型分布分析和用户路径诊断, 建立高效的IVR菜单配置, 对提升IVR设置可用性和成本至关重要。IVR分析通过对用户日志的深层次挖掘分析, 可以获取IVR的运行效能并找出IVR业务流程中的瓶颈, 以及获取用户对IVR使用的行为模式, 从而设计出好的IVR配置方案。

话务量预测分析是基于客户历史话务量、历史用电量数据、客户档案等信息, 对不同客户群的话务量进行精准预测。对于高话务量的群体, 可引流至自助渠道, 同时基于人群整体的话务量预测, 可以有效对客服人员进行排班, 更好地应对恶劣天气或紧急事故引起的话务量激增。

用户重复来话分析的主要目的是确定重复来话时段、重复来话原因、重复来话客户特征, 制订针对性的措施, 降低重复来话的服务成本。

95598来话内容分析包括话务实时语音分析和事后文本、词云分析。主要基于NLP自然语言处理技术, 深度挖掘客户来话原因, 辅助制订对应的提升举措。

座席异常绩效分析采用盒须图算法识别座席的异常绩效值(见图 6)。盒须图判断异常值的标准以四分位数和四分位距为基础, 四分位数具有一定的耐抗性, 所以异常值很难对盒须图的判别施加影响, 因此盒须图识别异常值的结果比较客观。通过预测模型, 主动对座席异常绩效进行管理, 有助于企业进行劳动力的计划安排和采取相关激励措施。

1.2.3 线上渠道分析

线上渠道分析主要包括网络诉求舆情影响分析以及电子渠道轨迹分析^[8]。

电网企业可以利用大数据进行网络诉求舆情影响分析。借助社交媒体渠道这一外部数据源, 综合监听关键社交媒体, 分析客户诉求在社交媒体的舆论倾向, 有助于快速把握有关电网企业的舆情发展趋势并制订针对性的解决方案。

大数据也是分析企业电子渠道服务轨迹的重要手段。电网企业可分析客户在不同渠道的使用路径和使用偏好, 各渠道办理业务的时间长度, 客户在不同渠道的交流文本记录, 对客户行为轨迹进行跟踪, 从而针对业务问题找到目标人群, 进行营销服务精准投放。

1.2.4 全渠道分析

全渠道分析主要包括跨渠道运营分析和营销业务质量分析^[9]。

跨渠道运营分析重点分析客户对渠道的偏好。基于客户对渠道偏好相关数据, 识别客户对各种渠道使用的喜好程度、交互的活跃程度、客户偏好的业务类别。同时对于各渠道运营数据进行分析, 有针对性地引导客户进行渠道转移, 减少渠道服务成本。

营销业务质量分析重点分析渠道对业务的承载优势。根据客户对服务渠道不同业务的意见建议, 结合客户回访结果, 运用大数据信息关键词聚类的方法, 识别各渠道最优办理业务类别。

1.2.5 宣传推广分析

宣传推广分析主要包括下一步最佳行动分析和电能替代用户推荐及预测。

下一步最佳行动分析分为针对客户和客服人员的分析。针对客户提供的"下一步最佳行动", 包括分析下一步最佳购买产品、最佳选择套餐等, 为企业寻找最佳销售机会。针对客服人员提供的"下一步最佳应答"是根据客户可能会提出的问题、可能会做出的行为, 给出客服人员应答参考, 提前做好应答准备。

电能替代用户推荐及预测, 是指通过对客户基础档案、电量电费、客户负荷计量点、用电行为等相关数据整合, 开展电能替代潜力分析、行业分析、现状分析, 建立电能替代潜力客户识别模型, 构建电能替代用户预测体系, 辅导制定访谈调研, 提供优先级用户名单, 开展电能替代用户的现场服务。

1.2.6 产品生命周期分析

产品生命周期分析是通过检索互联网相关数据库, 形成产品生命周期地图, 了解客户偏好的产品, 寻找新的销售机会。

1.2.7 智能电费核算

智能电费核算主要目的是识别计费过程中出现的差错, 降低人工核算成本, 保证电量、电费数据的准确性^[10]。智能电费核算分析包括电量数据异常值分析以及电费数据异常值分析。通常采用孤立森林(Isolation Forest)的大数据挖掘算法。该算法通过不断地用1个随机超平面来切割数据空间, 每切割1次可以生成2个子空间, 循环直到每个子空间里面只有1个数据点为止。这样, 正常观测值位于密度很高的簇需要被切很多次才会停止切割, 而离群点, 亦即密度很低的点很容易便切割至单一子空间中(见图 7)^[11]。法国电力研究院利用大数据挖掘算法对电量电费数据进行智能核算, 通过在系统的数据库(3500万用户)内搭建基准曲线, 挖掘出符合和异常于标准曲线的用户^[12]。

1.3 多元化生态圈变现 1.3.1 为居民及工商业用户提供多样化产品

为居民及工商业用户提供多样化产品, 主要包括脱敏数据出售、电力装修及预算、账单分析、能耗榜单并提供能源优化建议^[3]。

(1) 电网企业可出售脱敏数据。在当地法律法规允许范围内出售匿名计量数据套餐产品, 例如居民用电地图, 各大行业用电情况等, 利用数据产品创造价值。

(2) 电网企业可与房地产、物业管理企业合作, 提供完整的电力装修服务及预算测算, 如国内某区域电网开发出电魔方产品, 输入家庭人数、户型等基本信息, 能为客户提供专业又个性化的电力装修方案和预算。

(3) 电网企业可通过客户账单相关分析、发布能耗榜单、用户地理信息关联分析以及提供能源优化建议等方式, 帮助客户节能减耗, 同时提升企业的经济收益。

客户账单相关分析除了对客户账单本身数据进行分析, 还需要结合外部信息进行关联分析。美国Opower公司在向客户提供的个性化账单中不仅针对家中各类电器用电情况进行分类列示, 还提供了相近区域用户耗能横向比较。而Enervee公司在大数据分析的基础上, 发布权威行业用电能耗榜单, 鼓励消费者购买节能用电产品并开展精准营销。其网站构建核心电器评价引擎, 形成实时的产品排名并为消费者提供购买建议^[13]。

1.3.2 为政府部门提供辅助决策支持

电网企业可通过大数据分析, 为政府产业政策制定、数据可视化提供支持, 如整合内部、外部用电数据, 发布电力景气指数、绿色环保指数, 城市电力地图, 提供企业税收风险评估服务等, 为政府产业政策制定、电源项目规划和住宅发展规划、税务机构防范企业偷税漏税等提供辅助决策支持。

以西雅图市政厅为例, 在电网企业协助下, 政府可从各栋建筑及管理系统中读取数据, 开发软件用以优化能源使用与设备故障检测, 耗能过高时将向施工管理人员发出警报信号。

1.3.3 为生态圈客户提供数据合作

通过大数据分析, 电网企业可与市场化的企业开展生态圈合作, 以电力数据为基础, 提供多样化的分析产品, 具体包括与电动汽车厂商、智能家居厂商和金融集团合作^[14-15]。

在与电动汽车厂商合作时, 电网企业通过为其提供数据, 以支持实时充电提醒、用电量高峰数据提醒, 而电动汽车厂商则可以收集车主的充电习惯信息, 将客户行为数据反馈给电网企业, 有助于降低高峰时段的电网负荷。

与智能家居厂商合作时, 可共同开发智能家居产品(如智能电能表), 共同推出家庭能耗管理产品或服务。法国电力曾与亚马逊公司合作, 消费者通过亚马逊公司Echo声控设备, 可实时管理自己的账户, 如确认抄表单、查余额、查付款日期等。

与金融集团合作时, 可发挥电网企业在电力价值链中的核心地位, 提供一站式供应链金融服务平台。发挥电力数据企业经营情况晴雨表功能, 为金融机构提供信贷全流程风险评估服务; 为保险机构提供精细化保单定价服务或合作推出保险产品; 发挥电网企业在电力价值链中的核心地位, 提供一站式供应链金融服务平台。

2 结语

大数据分析和应用对于电网企业来说, 可以带来"用户" "企业" "平台生态圈"3方面的增值效应, 极致个性化的用户体验和服务, 建成智能精益企业, 实现生态圈平台效益。越来越多的电网企业意识到重塑生态圈, 是数据增值、实现数据变现的重要突破口。

本文通过电力营销大数据应用分析, 认为电网企业在实现数据保值、增值领域仍有较大的发展空间。无论从电网企业自身发展角度, 还是社会大数据发展角度, 电力大数据应用都具有重要意义。