基于数据挖掘的电力行业客户细分模型分析.docVIP

　　基于数据挖掘的电力行业客户细分模型分析 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本文由.L.收集整理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]。 　　2 电力客户细分中存在的问题 　　2.1 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。 　　2.2 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。 　　2.3 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： 　　（1） 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； 　　（2） 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； 　　（3） 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。 　　3 基于数据挖掘的电力客户细分模型构建 　　3.1 数据挖掘客户细分整体模型的设计 　　3.1.1 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。 　　3.1.2 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。 3.1.3 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MacQuen最先提出的[11]，目前在数据挖掘领域中应用越来越广泛。 　　3.1.4 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。 　　3.1.5 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。 　　lt;e：＼c14＼14年14期＼image＼0