基于改进协同过滤算法的电力营销渠道引流策略_翟千惠.pdf

Vol.25，No.4 July，2023POWER DSM|0引言随着电力体制改革持续推进，售电侧市场化竞争对电力营销服务理念、服务内容及其服务渠道都带来巨大变革和影响1。目前国家电网公司正向着服务多元化、精准化、数字化的目标不断探索和实践。因此，在传统售电产品和服务基础上，提供更加精准、多元化的线上服务内容，有效发挥渠道协同服务水平，对推动电力营销服务渠道数字化转型具有重要意义23。近年来，大数据、云计算等新兴技术在金融与通信45、航空旅客分类6、图像识别7等领域的应用已日益成熟，也逐渐应用于电力营销客户关系管理与行为分析领域。文献 8 根据用电客户的特征指标与时间之间的联系，利用混合神经网络方法进行电力客户细分。文献 9 通过积分商城实现价值共享、客户粘合和信息沟通查询，通过大数据分析实现精准服务。文献 10 从区域及行业经济数据、气候条件、电力价格等方面辨识与用户群体用电量相关联的因素，构建了基于随机森林算法的用电量大数据预测模型。文献 11 采用综合考虑类内紧凑性和类间分散性的聚类评价指标对聚类结果进行了评价，基于实测用电数据的聚类结果，对各类用户的用电模式及其参与需求侧响应的潜力进行了分析。文献 12 通过整合不同渠道的电力客户数据，基于改进协同过滤算法的电力营销渠道引流策略翟千惠1，李明2，蔡潇3，程雅梦1，俞阳1，朱萌1（1.国网江苏省电力有限公司 营销服务中心，南京210000；2.国网江苏省电力有限公司兴化市供电分公司，江苏 泰州225700；3.泰州三新供电服务有限公司，江苏 泰州225700）Power marketing channel diversion strategy based on improvedcollaborative filtering algorithmZHAI Qianhui1,LI Ming2,CAI Xiao3,CHENG Yameng1,YU Yang1,ZHU Meng1（1.Marketing Service Center,State Grid Jiangsu Electric Power Co.,Ltd.,Nanjing 210000,China；2.Xinghua Power Supply Branch Company,State Grid Jiangsu Electric Power Co.,Ltd.,Taizhou 225700,China；3.Taizhou Sanxin Power Supply Service Co.,Ltd.,Taizhou 225700,China）DOI:10.3969/j.issn.1009-1831.2023.04.017摘要：电力企业在数字化转型过程中，打造多渠道服务体系，充分利用“互联网+实体渠道”的方式，可以有效降低企业运营成本，为客户提供更加便捷、高效的服务。在上述背景下，提出了一种基于改进协同过滤算法的电力营销渠道引流策略，首先构造客户-属性数据矩阵，采用矩阵分解算法对原始客户属性矩阵中的缺失数据进行恢复，利用K-means算法对客户属性进行聚类。然后，利用客户混合类型属性相异性度量，通过基于用户的协同过滤推荐算法，寻找目标客户的K-最近邻矩阵，并制定出差异化的引流策略。最后以10万条缴费工单数据为例，分析了客户属性矩阵填充、不同度量方法与最近邻数目对引流准确率的影响，验证了所提算法的有效性和可行性。关键词：电力营销；数字化转型；改进协同过滤算法；K-means算法；K-最近邻矩阵Abstract：In the process of digital transformation,electricpower enterprises can effectively reduce their operating costs andprovide customers with more convenient and efficient services bybuilding a multi-channel service system and making full use of theInternet+physical channels.Under the above background,a powermarketing channel diversion strategy based on improved collaborativefilteringalgorithmisproposed.Firstly,thecustomerattributedata matrix is constructed,and the matrix decomposition algorithm isused to recover the missing data in the original customer attributematrix,andthe K-meansalgorithmisusedtoclusterthecustomerattributes.Then,using the customer mixed type attribute dissimilaritymeasure,through the user based collaborative filtering recommendation algorithm,the target customer s K-nearest neighbor matrix isfound,and the diversion strategy of travel alienation is formulated.Finally,taking 100 000 payment work order data as an example,theinfluence of customer attribute matrix filling,different measurementmethodsandthenumberofnearestneighborsonthedrainageaccuracy are analyzed,and the effectiveness and feasibility of the proposedalgorithmarefound.Key words：power market digital transformation；improvedcollaborative filtering algorithm；K-means algorithm；K-nearestneighbor matrix文章编号：1009-1831（2023）04-0105-05中图分类号：TM73；F426.61文献标志码：B收稿日期：2023-02-10；修回日期：2023-04-17基金项目：国网江苏省电力有限公司科技项目（J2020117）105|电力需求侧管理第25卷第4期2023年7月通过进行轨迹优化完善分析，针对不同电力客户的渠道偏好制定有针对性的引流策略。文献 13 通过对电力用户行为的研究，分析出电子渠道发展障碍及生命周期，提出提升渠道效能、有效渗透率及用户黏性的策略。基于用户的协同过滤算法（user-based collaborative filtering，UBCF）只需对客户属性值进行处理，无需处理复杂的非结构化数据对象，被广泛应用于各种评分推荐系统1415。但是传统的协同过滤推荐算法由于初始数据集存在数据稀疏性问题，该算法虽然能够准确地对用户相似度进行度量，但是随着用户属性数据规模日益增多，建立相似用户数据矩阵的复杂度会大大增加16。本文提出一种基于改进协同过滤算法的电力营销渠道引流策略。首先构造客户-属性数据矩阵，采用矩阵分解算法对原始客户属性矩阵中的缺失数据进行恢复，利用K-means算法对客户属性进行聚类，有效地减小协同过滤算法的工作量。之后，利用客户混合类型属性的相异性度量，通过基于用户的协同过滤推荐算法，寻找目标客户的K-最近邻矩阵，并制定出差异化的电力营销渠道引流策略。最后，采用引流准确率（即召回率）来评价提出的引流策略的实施效果，验证了所提算法的有效性和可行性。1电力营销渠道引流策略整体框架（1）构造客户-属性数据矩阵通过全渠道工单，获取居民客户缴费信息数据，构建np维用户-属性数据矩阵。（2）根据项目属性进行聚类针对K-最近邻分类算法难以处理海量数据的特点，利用K-means算法对客户-属性数据矩阵进行聚类，聚类之后整个客户-属性数据矩阵被划分为K个子矩阵。利用矩阵分解算法分别对每个子矩阵缺失的数据进行恢复17，得到K个较为稠密的子矩阵。（3）相异性度量完成基于客户混合类型属性的归一化处理，实现客户-属性的相异性度量。（4）寻找K-最近邻居矩阵根据相异性大小，寻找训练集中与目标用户相异性最低（即相似性最高）的前K个用户作为最近邻矩阵，得到测试集中每个目标客户引流至线上渠道的概率，并降序排列。（5）引流效果评价根据预测引流结果，准确定位目标客户的渠道偏好，面向不同客户类型制定差异化的引流策略，对目标客户实施精准营销，并针对实地试验的结果对引流成效进行评价。2改进协同过滤算法2.1混合类型属性的相异性度量假设n个客户被p个属性（又称维或特征）刻画，则客户xi的特征可描述为xi=()xi1,xi2,xij,xip（1）式中：xij为客户xi的第j个属性的值。客户属性数据矩阵X可表示为|x11x12.x1p xn1xn2.xnp（2）电力客户缴费渠道属性体系如表1所示。表1电力客户缴费渠道属性体系Table 1Power customer payment channel attribute system属性客户1客户2客户3客户4客户5渠道网上国网微信支付宝柜台电e宝性别男女年龄 地区乡村城市缴费频次1次/1月1次/2月1次/3月1次/4月1次/5月出账周期单月双月由表1可以看出，客户属性可能由数值、序数、标称、二元等不同类型组成，故本文采样混合类型属性的相异性矩阵分析方法。对于包含p个混合类型属性的n个客户，体现其两两之间邻近度的相异性矩阵可表示为|00 0d(2,1)0 0d(n,1)d(n,2)0（3）式中：客户xi与客户xj之间的相异性d(i,j)定义为d(i,j)=f=1p(f)ijd(f)ijf=1p(f)ij（4）式中：d(f)ij为属性f对客户xi与客户xj之间相异性的贡献权重18。若xif或xjf缺失（即客户xi与客户xj没有属性f的度量值）或xif=xjf=0，并且f是非对称的二元属性时，(f)ij=0；否则，(f)ij=1。2.2K-means聚类与矩阵填充电力营销渠道推广数据显示，具备相同缴费渠道偏好的客户在一定程度上表现出相异的的显性翟千惠，等 基于改进协同过滤算法的电力营销渠道引流策略106Vol.25，No.4 July，2023POWER DSM|或隐性特征，故对于测试集中的客户，无需在训练集中逐一进行相异性度量19。先采用聚类算法将整个客户属性数据矩阵中属性相异性较高的项目分别划分到K个子集，对于测试集中的客户，只需计算其与K个聚类中心的相异度，过滤掉不重要的信息，避免了无关项造成的误差，同时可以有效地减小协同过滤算法的计算量。K-means算法的优点是效率高、简单、可扩展性好，并且在处理较大数据集时效果也非常明显。通过K-means聚类后，使得客户-属性相异性较低的客户被划分到同一个聚类中，同一聚类中客户的相异性尽可能低，不同聚类之间客户的相异性尽可能高，即C1C2CiCjCk=X（5）CiCj=（1i,jK）（6）使用误差的平方和（sum of the squared error，SSE）作为度量聚类质量的标准测度函数，即SSE=i=1KxCi|x-mi2（7）式中：K为聚类的数目；mi为第i个聚类Ci的中心点。由于系统原因，数据矩阵会有数据缺失，这里采用矩阵分解算法对缺失数据进行恢复。首先将矩阵分解成两个不含空缺项