客戶流失數據與電費風險管控方法與流程
2023-10-05 12:38:29
本發明涉及數據分析的技術領域，更具體地，涉及客戶流失數據與電費風險管控方法。
背景技術：
傳統的電費回收風險管控基於「電費風險源於欠費客戶」的理念，管控分為三個步驟：1、對於逾期不繳納電費的客戶進行多次催收，甚至實施停電；2、對多次惡意欠費客戶安裝預付費裝置；3、對已流失且欠費的客戶，主要依靠拍賣或業主方代為繳納電費，否則不予以二次報裝。
傳統的電費回收風險管控方法，利用供電客戶的當前欠費情況和歷史欠費次數進行分析，然後人工進行一一催費，耗費人力物力，往往使供電部門處於被動，且一旦發生客戶流失，客戶所欠電費往往是最難以回收的資金，使供電部門承受巨大的損失。傳統的方法後知後覺，未能在客戶存在流失風險前進行提前預知和管控。
技術實現要素：
本發明為克服上述現有技術所述的至少一種缺陷，提供客戶流失數據與電費風險管控方法，根據以往的供電客戶行為數據，挖掘能表徵供電客戶可能存在欠費流失的風險特徵，並對其流失概率進行預測，對於高風險客戶，可針對性進行差異化管控措施，達到風險關口前移，避免電費無法回收的損失。
本發明的技術方案是：客戶流失數據與電費風險管控方法，其中，包括以下步驟：
s1.分析用電增長情況與流失的關係；
s2.分析當期月電量與客戶流失的關係；
s3.分析近半年零電量次數與客戶流失的關係；
s4.分析電費波動情況與客戶流失的關係。
本發明中，通過提取2008年至2016年的惠州供電局26553個專變客戶用電及繳費數據等，分析供電客戶歷年來的用電、繳費等行為，以及欠費情況、是否安裝預付費等特徵，探究影響客戶流失風險的因素。對於傳統風險管控的因素，即欠費與流失的關係，以及是否安裝預付費與流失的關係，利用歷史數據進行相關性分析，數據表明，欠費客戶與流失客戶無強相關性，預付費客戶與流失客戶無強相關性。為進一步準確挖掘客戶企業的風險情況，對同一營業執照且多變壓器的客戶進行整合。整理後所有專變客戶企業總數為19841，生存的專變客戶企業總數為14944。為提出客戶流失的風險概率，定義客戶流失的時間窗口為半年，定義客戶觀察時間窗口為半年。在觀察時間窗口內，通過數據分析建模，確定影響流失風險的因素。
所述的步驟s1中，從歷史數據分析可以得出，用電增長趨勢與客戶的流失存在較大的相關關係，用電迅速下降的客戶流失風險非常大，上升客戶流失風險較小。
所述的步驟s2中，當期月電量的大小反映客戶的生產規模，分析發現當期月電量能較好的區分客戶的流失與否，近一期電量在0-2000範圍內的客戶流失風險大。
所述的步驟s3中，客戶在近半年的零電量次數，具有很好的區分度；從歷史數據分析可以看到，有零電量的客戶流失風險明顯大於無電量的流失風險。
所述的步驟s4中，變異係數反映客戶的用電的波動情況，歷史數據顯示，平穩用電的客戶流失的風險較小，頻繁波動的客戶流失風險大。
通過所述的4個步驟，通過這四種因素特徵對客戶進行刻畫，用決策樹模型對每個客戶進行流失風險理論計算，得出未來半年內客戶流失的概率預測。
與現有技術相比，有益效果是：通過歷史數據建模，同時利用多個時間窗口對模型的預測準確率進行驗證，驗證結果表明模型能夠穩健、準確地預測客戶的流失概率，以其中一次驗證數據為例，模型計算理論流失概率為10%以下的客戶，實際數據驗證流失率為2.39%，模型計算理論流失概率為10%至50%的客戶，實際數據驗證流失率為36.17%，模型計算理論流失概率為50%以上的客戶，實際數據驗證流失率為65.36%。該數據分析模型能在觀察窗口期間，根據近半年的的行為特徵，對未來半年的流失概率進行預測，對不同流失概率的客戶可以提前進行電費回收措施，實現電費風險的關口前移。建議對10%流失概率以上的客戶進行優先抄表、核算、和追繳；建議對50%流失概率以上的客戶進行當月多次抄表算費。可以主動控制住65%左右的電費風險，極大地減少客戶欠費後再進行追費、停電等風險和工作量，實現電費風險的可控在控。
附圖說明
圖1是本發明決策樹模型示意圖。
具體實施方式
附圖僅用於示例性說明，不能理解為對本專利的限制；為了更好說明本實施例，附圖某些部件會有省略、放大或縮小，並不代表實際產品的尺寸；對於本領域技術人員來說，附圖中某些公知結構及其說明可能省略是可以理解的。附圖中描述位置關係僅用於示例性說明，不能理解為對本專利的限制。
如圖1所示，客戶流失數據與電費風險管控方法，其中，包括以下步驟：
s1.分析用電增長情況與流失的關係；
s2.分析當期月電量與客戶流失的關係；
s3.分析近半年零電量次數與客戶流失的關係；
s4.分析電費波動情況與客戶流失的關係。
本發明中，通過提取2008年至2016年的惠州供電局26553個專變客戶用電及繳費數據等，分析供電客戶歷年來的用電、繳費等行為，以及欠費情況、是否安裝預付費等特徵，探究影響客戶流失風險的因素。對於傳統風險管控的因素，即欠費與流失的關係，以及是否安裝預付費與流失的關係，利用歷史數據進行相關性分析，數據表明，欠費客戶與流失客戶無強相關性，預付費客戶與流失客戶無強相關性。為進一步準確挖掘客戶企業的風險情況，對同一營業執照且多變壓器的客戶進行整合。整理後所有專變客戶企業總數為19841，生存的專變客戶企業總數為14944。為提出客戶流失的風險概率，定義客戶流失的時間窗口為半年，定義客戶觀察時間窗口為半年。在觀察時間窗口內，通過數據分析建模，確定影響流失風險的因素。
所述的步驟s1中，從歷史數據分析可以得出，用電增長趨勢與客戶的流失存在較大的相關關係，用電迅速下降的客戶流失風險非常大，上升客戶流失風險較小。
所述的步驟s2中，當期月電量的大小反映客戶的生產規模，分析發現當期月電量能較好的區分客戶的流失與否，近一期電量在0-2000範圍內的客戶流失風險大。
所述的步驟s3中，客戶在近半年的零電量次數，具有很好的區分度；從歷史數據分析可以看到，有零電量的客戶流失風險明顯大於無電量的流失風險。
所述的步驟s4中，變異係數反映客戶的用電的波動情況，歷史數據顯示，平穩用電的客戶流失的風險較小，頻繁波動的客戶流失風險大。
通過所述的4個步驟，通過這四種因素特徵對客戶進行刻畫，用決策樹模型對每個客戶進行流失風險理論計算，得出未來半年內客戶流失的概率預測。
如圖1中，決策樹模型屬於機器學習中的一個預測模型，代表的是對象屬性與對象值之間的一種映射關係。樹中每個節點表示某個對象，而每個分叉路徑則代表的某個可能的屬性值，而每個葉結點則對應從根節點到該葉結點所經歷的路徑所表示的對象的值。
在本項目中，根據客戶用電增長情況、當期月電量、近半年零點量次數和電費變異係數多個因素，確定決策樹分支，進而預測該客戶在未來半年內存在流失風險的概率。
顯然，本發明的上述實施例僅僅是為清楚地說明本發明所作的舉例，而並非是對本發明的實施方式的限定。對於所屬領域的普通技術人員來說，在上述說明的基礎上還可以做出其它不同形式的變化或變動。這裡無需也無法對所有的實施方式予以窮舉。凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明權利要求的保護範圍之內。