[發(fā)明專利]基于RFM模型的電力客戶繳費渠道偏好分析預測方法

在審

• 申請?zhí)枺?/td>: 201710738709.5
• 申請日: 2017-08-25
• 公開（公告）號: CN107506924A
• 公開（公告）日: 2017-12-22
• 發(fā)明（設計）人: 耿俊成;張小斐;郭志民;萬迪明;袁少光;楊磊;李志星;劉楓琪
• 申請（專利權）人: 國網(wǎng)河南省電力公司電力科學研究院;河南恩湃高科集團有限公司;國家電網(wǎng)公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06K9/62;G06Q50/06
• 代理公司: 鄭州知己知識產(chǎn)權代理有限公司41132
• 代理人: 季發(fā)軍

技術領域

本發(fā)明屬于電力營銷服務領域，尤其是涉及一種基于RFM模型的電力客戶繳費渠道偏好分析預測方法。

背景技術

繳費渠道是電力客戶營銷服務的窗口，是電網(wǎng)企業(yè)面向市場的最前沿。有效的繳費服務渠道不僅能夠增強營銷能力，提高對市場的快速反應水平，而且有助于提高客戶的滿意度和忠誠度。在“互聯(lián)網(wǎng)+”背景下，近年來電網(wǎng)公司繳費渠道體系發(fā)生了劇烈變化。傳統(tǒng)的走收、坐收、銀行代扣等方式盡管仍占很大比例，但新興的網(wǎng)絡繳費渠道卻在急劇增長。手機APP，微信，支付寶，網(wǎng)上營業(yè)廳越來越受到客戶，尤其是年輕人的偏愛。通過客戶繳費記錄分析挖掘，準確識別客戶繳費行為偏好，合理評價各種繳費渠道價值，對提升電網(wǎng)公司的服務水平、提升電費回收率以及應對即將到來的市場激烈競爭具有重大意義。

專利公開號為CN 201510594719.7的發(fā)明專利，公開了基于大數(shù)據(jù)的電力系統(tǒng)繳費渠道評價方法，所述方法包括(1)、基于調查問卷獲取用戶屬性及用戶繳費行為數(shù)據(jù)，采用K-means聚類算法建立用戶繳費行為畫像：即確定若干類用戶屬性與若干類用戶繳費行為之間的對應關系；(2)、利用K最近鄰分類算法對電力系統(tǒng)繳費渠道評價因素進行最鄰近聚類，將對繳費渠道影響相似的評價因素聚為一類，聚合結果作為電力系統(tǒng)繳費渠道評價指標，各類評價指標形成繳費渠道評價指標體系；(3)采用模擬遺傳退火算法確定評價指標體系中各評價指標的權重，建立繳費渠道評價模型，獲得各繳費渠道的評價值，所述繳費渠道評價模型為先求出每項評價指標與權重的乘積，再求各乘積的和；(4)利用電力系統(tǒng)實際繳費數(shù)據(jù)，判斷繳費渠道評價模型是否適用于新的地區(qū)或新的時期，若適用，則繳費渠道評價模型繼續(xù)使用，否則采用模擬遺傳退火算法重新確定各評價指標的權重，確定適用于新的地區(qū)或新的時期的繳費渠道評價模型。該方法不足之處是：調查問卷數(shù)據(jù)通常與真實數(shù)據(jù)分布存在一定偏差；該方法無法直接反映某地區(qū)某一種繳費渠道的實際業(yè)務需求。

發(fā)明內容

有鑒于此，本發(fā)明的目的是針對現(xiàn)有技術的不足，提供一種基于RFM模型的電力客戶繳費渠道偏好分析預測方法，不僅可以準確識別每一位客戶繳費渠道偏好，又能夠直接反映某地區(qū)某一種繳費渠道的實際業(yè)務需求。

為達到上述目的，本發(fā)明采用以下技術方案：

一種基于RFM模型的電力客戶繳費渠道偏好分析預測方法，包括如下步驟：

步驟1、從營銷業(yè)務系統(tǒng)提取客戶繳費記錄，主要包括用戶編號、繳費金額、繳費渠道、繳費時間；

步驟2、設定分析日期，從客戶繳費記錄提取每個用戶每種繳費渠道的最近一次繳費的時間間隔R、該分析時段的繳費頻率F、該分析時段的平均繳費金額M，并將每個用戶每一種繳費渠道的R、F、M值轉換成評分值，即R_score、F_score和M_score；

步驟3、根據(jù)熵值法計算每一種繳費渠道的R_score、F_score、M_score權重系數(shù)，即w_R、w_F、w_M，最終確定每一種繳費渠道的RFM模型計算公式為RFM_score＝w_RR_score+w_FF_score+w_MM_score；

步驟4、根據(jù)所述RFM模型計算每個用戶每一種渠道的偏好評分，其中評分最高的渠道為該用戶下次繳費時概率最大的繳費渠道；計算某個地區(qū)某種繳費渠道的偏好總分，進而反映該地區(qū)該種渠道的實際需求。

進一步地，所述將每個用戶每一種繳費渠道的R、F、M值轉換成評分值，即R_score、F_score、M_score，具體計算公式如下：

其中，R_max為用戶集合中R的最大值，R_min為用戶集合中R的最小值，1≤R_score≤n，n為設定的最高評分值；

其中，F(xiàn)_max為用戶集合中F的最大值，F(xiàn)_min為用戶集合中F的最小值，1≤F_score≤n，n為設定的最高評分值；