宋才華+王永才+藍源娟+鄭錦卿

摘 要： 社會經(jīng)濟的不斷發(fā)展推動了電力行業(yè)的快速發(fā)展。隨著客戶細分理論與方法的發(fā)展，其已廣泛應用于我國電力、電信、銀行及零售業(yè)等行業(yè)的營銷實踐中。由于客戶行為能有效、直接地反映出消費者的需求，在經(jīng)濟市場中的應用更為廣泛，是市場細分中的最佳起點。主要以客戶細分的概述為出發(fā)點，對電力客戶細分現(xiàn)狀、基于數(shù)據(jù)挖掘的客戶細分及模型構建進行探討。

關鍵詞： 電力行業(yè)； 數(shù)據(jù)挖掘； 客戶細分； 模型構建

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2014）14?0021?03

Analysis of data mining based customer classification model for electric power industry

SONG Cai?hua， WANG Yong?cai， LAN Yuan?juan， ZHENG Jin?qing

（Information Center， Foshan Power Supply Bureau， Foshan 528000， China）

Abstract： The continuous development of social economy promote the rapid development of electric power industry. The theory and method of customer classification has been widely used in Chinese markets of electric power， telecommunications， bank and retail industries. Proceeding from the overview of customer classification， the status quo and model construction of customer classification based on data mining are discussed.

Keywords： power industry； data mining； customer classification； model construction

隨著我國供電企業(yè)在經(jīng)濟市場中的競爭越來越大，供電企業(yè)不斷提高市場競爭意識，加強對客戶資源及企業(yè)效益的重視程度。目前，電力企業(yè)工作的重點已逐漸轉(zhuǎn)移到電力市場營銷工作中來，其營銷工作效率對電力企業(yè)的經(jīng)濟、社會效益及發(fā)展造成極大的影響[1]。在市場經(jīng)濟環(huán)境下，電力企業(yè)的營銷工作重心要放在如何滿足客戶的要求上。另外，電力企業(yè)在客戶研究方面缺乏深度，目前，部分供電企業(yè)逐漸認識到大客戶的管理工作的重要性，但由于缺乏有效的理論支持，導致電力企業(yè)對大客戶管理工作的落實效果并不明顯[2]。因此，識別與細分大客戶的實際需求，根據(jù)其需求推出相應的營銷策略，能有效提高企業(yè)的經(jīng)濟效益。

1 客戶細分的概述

客戶細分的前提是根據(jù)企業(yè)收集與整理的客戶信息，結合其需求特點、信譽狀況及購買行為等方面的不同，將某種產(chǎn)品的客戶分到多個客戶群當中。因此，不同的細分客戶群體具有不同的特征，其客戶需求也各不相同?？蛻艏毞至⒆阌诙喾N不同客戶特點基礎上，根據(jù)不同的企業(yè)客戶對產(chǎn)品的需求，才能進行細分。同時，隨著經(jīng)濟市場改革的日趨成熟，客戶對產(chǎn)品的特點也是隨之改變的，而客戶細分也會隨著其發(fā)生改變。因此，企業(yè)要密切關注客戶的實際情況，以采取及時、有效的細分對策。在客戶細分實際的應用中，體現(xiàn)的是一個聚集的過程，即企業(yè)根據(jù)客戶的需求，將相同需求特點的客戶歸為一個群體[3]。

2 電力客戶細分中存在的問題

2.1 經(jīng)濟行為缺失

電力客戶的屬性體現(xiàn)在社會、經(jīng)濟及經(jīng)濟行為等方面，作為企業(yè)應該根據(jù)不同的客戶屬性，結合相應的因素，妥善分類客戶群體。目前，電力企業(yè)主要是將客戶的社會屬性和經(jīng)濟屬性應用在客戶分類的因素上，卻甚少應用到客戶經(jīng)濟行為因素上。

2.2 細分維度單一

現(xiàn)階段，電力企業(yè)對大客戶的細分主要采用定性分類法，甚少會采用定量分類法，而將定性、定量分類法相結合的分類方法則是少之又少[4]。定性分類法的應用導致無法全面了解客戶情況，且劃分不明確，難以區(qū)別出不同類型的客戶等。

2.3 可操作性較差

現(xiàn)階段，電力客戶細分可操作性較差，主要體現(xiàn)在：

（1） 客戶細分方法落后，滿足不了現(xiàn)代電力企業(yè)營銷活動的需求；

（2） 細分結果不明確，無法為現(xiàn)代電力企業(yè)營銷活動提供科學有效的數(shù)據(jù)支持；

（3） 無法真實反映出客戶的經(jīng)濟行為，其操作部存在實際的意義。

3 基于數(shù)據(jù)挖掘的電力客戶細分模型構建

3.1 數(shù)據(jù)挖掘客戶細分整體模型的設計

3.1.1 細分模型設計思路

數(shù)據(jù)挖掘客戶細分模型設計的思路主要包括：結合不同的客戶行為屬性，不斷優(yōu)化客戶細分指標體系；在客戶價值評價上進行客戶價值描述體系的構建；以客戶行為細分為主的思路進行客戶細分模型的構建。

3.1.2 細分原則

電力企業(yè)在進行客戶細分的過程中應遵循以下原則[10]：第一，可衡量性。也就是企業(yè)在進行客戶需要信息、數(shù)據(jù)的收集及調(diào)研中能進行合理的衡量，并明確各個細分市場的范圍無論是市場的規(guī)模大小，還是需求量都要進行衡量。第二，可進入性。電力企業(yè)的資源條件及營銷能力可體現(xiàn)在子市場中。第三，可盈利性。細分后客戶購買力及子市場規(guī)模能滿足企業(yè)盈利的最大化。第四，反應差異。

在各個子市場對市場營銷組合中因素變動的情況下，都正確及時作出差異性反應等。

3.1.3 細分方法

在經(jīng)濟市場各個領域當中，大多都是采取K?means算法進行客戶細分。該算法是一種劃分的，但并非分層的聚類方法，是由Mac·Quen最先提出的[11]，目前在數(shù)據(jù)挖掘領域中應用越來越廣泛。

3.1.4 基于數(shù)據(jù)挖掘的總體模型設計

功能、數(shù)據(jù)及方法三方面作為主要的數(shù)據(jù)挖掘電力客戶細分功能結構模型。其中功能部分不僅是模型設計的目標以及設計的結果，其功能部分主要包括：客戶分析、客戶分類、市場預測、定向服務、輔助營銷等功能。在長期的數(shù)據(jù)挖掘中，市場功能的不同在選擇細分方法，會導致數(shù)據(jù)出現(xiàn)相當大的差異性。數(shù)據(jù)模塊是總體模型的基礎，進行充分的數(shù)據(jù)準備及預處理，才能真正保證產(chǎn)生真實性、有效性。而客戶維度的選擇及明確度量是保證取得滿意客戶細分結果的前提，而方法模塊則是總體模型中的核心。電力大客戶細分功能結構模型，如圖1所示。

3.1.5 基于K?means 算法的模型設計

數(shù)據(jù)挖掘技術涉及的領域相當廣泛，包括：計算機軟件、統(tǒng)計學、數(shù)學、人工智能理論等，包含豐富的理論知識，采取各種科學技術。因此，數(shù)據(jù)挖掘技術的成功應用具有重要的設計意義。而數(shù)據(jù)挖掘模型則是該應用方法的研究成果。通過研究K?means 算法的原理、特點，遵循相關的處理流程，客戶細分模型框架，如圖2所示。

圖1 電力大客戶細分功能結構模型圖

圖2 挖掘模型框架

從K?means 算法的工作過程中可以看出：先是從n個數(shù)據(jù)中任意選出k個數(shù)據(jù)對象作為初始的聚類點；其次是根據(jù)所剩下數(shù)據(jù)對象和這些聚類點之間的聚類，把它們相應分配到與其相似值最高的聚類中心；最后進行各個新聚類的聚類中心的計算，精確求出該聚類中數(shù)據(jù)對象的平均值，進行循環(huán)漸進的重復計算，直到計算出準確的準則函數(shù)。K?means 算法可采取準則函數(shù)：

[E=i=1kp∈cip-mi2]

式中：E為數(shù)據(jù)庫中全部數(shù)據(jù)對象平均誤差的總和；p為空間的點；mi為簇Ci的平均值，而p與mi均屬于多維的。其準則的根本目標在于：強化生成的結構簇的緊密型；k作為K?means 算法參數(shù)，可將n個數(shù)據(jù)對象分成k 簇，不斷增強簇內(nèi)的相似度，從而降低簇間的相似度。K?means 算法作為一種時效性的算法，可綜合分析聚類問題，其算法具有顯著的簡單性、精確性、高效性，可集中處理大數(shù)據(jù)庫等。

3.2 電力客戶行為細分指標體系的設計

在電力客戶細分中，可以結合數(shù)據(jù)挖掘項目中的具體目標，綜合分析客戶細分維度，同時，遵循根據(jù)電力企業(yè)的業(yè)務指標體系標準，不斷優(yōu)化明確的項目指標，最后是合理選擇變量，在寬表中體現(xiàn)出所有的全部變量分析數(shù)據(jù)，收集全面的數(shù)據(jù)后進行數(shù)據(jù)挖掘。建立客戶指標體系是保證數(shù)據(jù)挖掘順利進行的基礎。

3.2.1 行為細分的維度設計

維元素及度量組成了維護的主要內(nèi)容，維元素對應的是分析角度，度量所的對象是分析結果中的明確指標。指標的數(shù)據(jù)屬于離散型，無法進行無限度的取值；同時，也出現(xiàn)連續(xù)型數(shù)據(jù)，可允許無限度的取值。其中，細分變量主要是應用于客戶細分的變量中，描述變量為對細分后客戶對體征描述的變量。

3.2.2 行為細分指標體系構建

在客戶行為細分中，需要合理選擇細分變量，才能提高細分結果的準確性，確保成功的細分項目。在本研究中，主要通過應用電力客戶經(jīng)濟行為維度與衍生變量指標，進行構建客戶細分模型，客戶行為細分指標體系，如表1所示。t掌握具體的客戶的行為細分指標后，可采取數(shù)據(jù)挖掘中的聚類分析技術進行電力客戶的精細化細分，所得的細分結果，如圖3所示。

3.3 電力客戶精細化細分模型的構建

通過分析研究成果，立足于客戶行為細分體系的優(yōu)化中，同時充分利用客戶價值評估體系，不斷構建電力客戶精細化細分模型。此模型的構建與應用，能有效實現(xiàn)客戶行為細分和客戶價值評估的有效結合，不僅能有效解決解決客戶行為細分結果中出現(xiàn)的各種問題，同時，可以為客戶價值評估提供正確完整的數(shù)據(jù)支持。該模型的價值主要包括：緊密結合行為細分變量與價值評估變量，在最大程度上提高數(shù)據(jù)挖掘及價值評估工作的時效性，使工作人員在實際工作中可遵循相關的規(guī)章制度等。電力客戶精細化細分整體模型，如圖4所示。

表1 客戶行為細分指標體系

圖3 電力客戶行為細分圖

圖4 電力客戶精細化細分整體模型圖

4 結 語

目前，在我國電力企業(yè)客戶細分過程中還存在客戶經(jīng)濟行為缺失、細分維度單一及可操作性較差等問題，因此，應該綜合采取客戶細化分類法進行客戶細分?；跀?shù)據(jù)挖掘的客戶細分具有提高細分合理性、指導營銷活動及可操作性強等優(yōu)點，可以有效解決電力客戶細分中存在的問題。綜上所述，基于數(shù)據(jù)挖掘的電力行業(yè)客戶細分模型構建能為電力企業(yè)對不同類型的客戶進行準確、合理的細分，能為電力企業(yè)的營銷決策提供科學、可行的信息支持，對提高電力企業(yè)的經(jīng)濟效益及社會效益具有重要的意義。

參考文獻

[1] 方安儒，葉強，魯奇，等.基于數(shù)據(jù)挖掘的客戶細分框架模型[J].計算機工程，2009（19）：251?253.

[2] 蔡依暉.基于數(shù)據(jù)挖掘的電力行業(yè)客戶細分建模淺探[J].科技與企業(yè)，2013（22）：106.

[3] 王扶東，馬玉芳.基于數(shù)據(jù)挖掘的客戶細分方法的研究[J].計算機工程與應用，2011（4）：215?218.

[4] 馬岳猛.基于聚類結果解釋方法的客戶群特征研究[D].哈爾濱：哈爾濱工業(yè)大學，2011.

[5] 張立美.基于數(shù)據(jù)挖掘的電信客戶細分模型的研究與應用[D].成都：電子科技大學，2010.

[6] 劉滿芝，周梅華，呂雪晴.基于因子分析與聚類分析復合模型的市場細分研究：以移動通信行業(yè)為例[J].管理案例研究與評論，2009（2）：136?141.

[7] 張向宏，唐冉.基于K?means算法的電子政務用戶細分模型研究[J].商場現(xiàn)代化，2009（5）：372?374.

[8] 宋加山，李勇，季峰.基于數(shù)據(jù)挖掘技術的電力行業(yè)客戶關系管理[J].現(xiàn)代商業(yè)，2010（12）：58?59.

[9] 張曉濱，高峰，黃慧.基于客戶細分的客戶流失預測研究[J].計算機工程與設計，2009（24）：5755?5758.

[10] 孫寧.基于數(shù)據(jù)挖掘的客戶關系管理問題的研究[J].科技和產(chǎn)業(yè)，2011（6）：59?61.

[11] 孟繁敏.淺談基于數(shù)據(jù)挖掘的客戶關系管理[J].中國管理信息化，2012（9）：90?92.

[12] 李世超，麥范金，王臻.基于數(shù)據(jù)挖掘技術的客戶細分研究[J].電腦知識與技術，2009（2）：277?279.

3.1.3 細分方法

在經(jīng)濟市場各個領域當中，大多都是采取K?means算法進行客戶細分。該算法是一種劃分的，但并非分層的聚類方法，是由Mac·Quen最先提出的[11]，目前在數(shù)據(jù)挖掘領域中應用越來越廣泛。

3.1.4 基于數(shù)據(jù)挖掘的總體模型設計

功能、數(shù)據(jù)及方法三方面作為主要的數(shù)據(jù)挖掘電力客戶細分功能結構模型。其中功能部分不僅是模型設計的目標以及設計的結果，其功能部分主要包括：客戶分析、客戶分類、市場預測、定向服務、輔助營銷等功能。在長期的數(shù)據(jù)挖掘中，市場功能的不同在選擇細分方法，會導致數(shù)據(jù)出現(xiàn)相當大的差異性。數(shù)據(jù)模塊是總體模型的基礎，進行充分的數(shù)據(jù)準備及預處理，才能真正保證產(chǎn)生真實性、有效性。而客戶維度的選擇及明確度量是保證取得滿意客戶細分結果的前提，而方法模塊則是總體模型中的核心。電力大客戶細分功能結構模型，如圖1所示。

3.1.5 基于K?means 算法的模型設計

數(shù)據(jù)挖掘技術涉及的領域相當廣泛，包括：計算機軟件、統(tǒng)計學、數(shù)學、人工智能理論等，包含豐富的理論知識，采取各種科學技術。因此，數(shù)據(jù)挖掘技術的成功應用具有重要的設計意義。而數(shù)據(jù)挖掘模型則是該應用方法的研究成果。通過研究K?means 算法的原理、特點，遵循相關的處理流程，客戶細分模型框架，如圖2所示。

圖1 電力大客戶細分功能結構模型圖

圖2 挖掘模型框架

從K?means 算法的工作過程中可以看出：先是從n個數(shù)據(jù)中任意選出k個數(shù)據(jù)對象作為初始的聚類點；其次是根據(jù)所剩下數(shù)據(jù)對象和這些聚類點之間的聚類，把它們相應分配到與其相似值最高的聚類中心；最后進行各個新聚類的聚類中心的計算，精確求出該聚類中數(shù)據(jù)對象的平均值，進行循環(huán)漸進的重復計算，直到計算出準確的準則函數(shù)。K?means 算法可采取準則函數(shù)：

[E=i=1kp∈cip-mi2]

式中：E為數(shù)據(jù)庫中全部數(shù)據(jù)對象平均誤差的總和；p為空間的點；mi為簇Ci的平均值，而p與mi均屬于多維的。其準則的根本目標在于：強化生成的結構簇的緊密型；k作為K?means 算法參數(shù)，可將n個數(shù)據(jù)對象分成k 簇，不斷增強簇內(nèi)的相似度，從而降低簇間的相似度。K?means 算法作為一種時效性的算法，可綜合分析聚類問題，其算法具有顯著的簡單性、精確性、高效性，可集中處理大數(shù)據(jù)庫等。

3.2 電力客戶行為細分指標體系的設計

在電力客戶細分中，可以結合數(shù)據(jù)挖掘項目中的具體目標，綜合分析客戶細分維度，同時，遵循根據(jù)電力企業(yè)的業(yè)務指標體系標準，不斷優(yōu)化明確的項目指標，最后是合理選擇變量，在寬表中體現(xiàn)出所有的全部變量分析數(shù)據(jù)，收集全面的數(shù)據(jù)后進行數(shù)據(jù)挖掘。建立客戶指標體系是保證數(shù)據(jù)挖掘順利進行的基礎。

3.2.1 行為細分的維度設計

維元素及度量組成了維護的主要內(nèi)容，維元素對應的是分析角度，度量所的對象是分析結果中的明確指標。指標的數(shù)據(jù)屬于離散型，無法進行無限度的取值；同時，也出現(xiàn)連續(xù)型數(shù)據(jù)，可允許無限度的取值。其中，細分變量主要是應用于客戶細分的變量中，描述變量為對細分后客戶對體征描述的變量。

3.2.2 行為細分指標體系構建

在客戶行為細分中，需要合理選擇細分變量，才能提高細分結果的準確性，確保成功的細分項目。在本研究中，主要通過應用電力客戶經(jīng)濟行為維度與衍生變量指標，進行構建客戶細分模型，客戶行為細分指標體系，如表1所示。t掌握具體的客戶的行為細分指標后，可采取數(shù)據(jù)挖掘中的聚類分析技術進行電力客戶的精細化細分，所得的細分結果，如圖3所示。

3.3 電力客戶精細化細分模型的構建

通過分析研究成果，立足于客戶行為細分體系的優(yōu)化中，同時充分利用客戶價值評估體系，不斷構建電力客戶精細化細分模型。此模型的構建與應用，能有效實現(xiàn)客戶行為細分和客戶價值評估的有效結合，不僅能有效解決解決客戶行為細分結果中出現(xiàn)的各種問題，同時，可以為客戶價值評估提供正確完整的數(shù)據(jù)支持。該模型的價值主要包括：緊密結合行為細分變量與價值評估變量，在最大程度上提高數(shù)據(jù)挖掘及價值評估工作的時效性，使工作人員在實際工作中可遵循相關的規(guī)章制度等。電力客戶精細化細分整體模型，如圖4所示。

表1 客戶行為細分指標體系

圖3 電力客戶行為細分圖

圖4 電力客戶精細化細分整體模型圖

4 結 語

目前，在我國電力企業(yè)客戶細分過程中還存在客戶經(jīng)濟行為缺失、細分維度單一及可操作性較差等問題，因此，應該綜合采取客戶細化分類法進行客戶細分?；跀?shù)據(jù)挖掘的客戶細分具有提高細分合理性、指導營銷活動及可操作性強等優(yōu)點，可以有效解決電力客戶細分中存在的問題。綜上所述，基于數(shù)據(jù)挖掘的電力行業(yè)客戶細分模型構建能為電力企業(yè)對不同類型的客戶進行準確、合理的細分，能為電力企業(yè)的營銷決策提供科學、可行的信息支持，對提高電力企業(yè)的經(jīng)濟效益及社會效益具有重要的意義。

參考文獻

[1] 方安儒，葉強，魯奇，等.基于數(shù)據(jù)挖掘的客戶細分框架模型[J].計算機工程，2009（19）：251?253.

[2] 蔡依暉.基于數(shù)據(jù)挖掘的電力行業(yè)客戶細分建模淺探[J].科技與企業(yè)，2013（22）：106.

[3] 王扶東，馬玉芳.基于數(shù)據(jù)挖掘的客戶細分方法的研究[J].計算機工程與應用，2011（4）：215?218.

[4] 馬岳猛.基于聚類結果解釋方法的客戶群特征研究[D].哈爾濱：哈爾濱工業(yè)大學，2011.

[5] 張立美.基于數(shù)據(jù)挖掘的電信客戶細分模型的研究與應用[D].成都：電子科技大學，2010.

[6] 劉滿芝，周梅華，呂雪晴.基于因子分析與聚類分析復合模型的市場細分研究：以移動通信行業(yè)為例[J].管理案例研究與評論，2009（2）：136?141.

[7] 張向宏，唐冉.基于K?means算法的電子政務用戶細分模型研究[J].商場現(xiàn)代化，2009（5）：372?374.

[8] 宋加山，李勇，季峰.基于數(shù)據(jù)挖掘技術的電力行業(yè)客戶關系管理[J].現(xiàn)代商業(yè)，2010（12）：58?59.

[9] 張曉濱，高峰，黃慧.基于客戶細分的客戶流失預測研究[J].計算機工程與設計，2009（24）：5755?5758.

[10] 孫寧.基于數(shù)據(jù)挖掘的客戶關系管理問題的研究[J].科技和產(chǎn)業(yè)，2011（6）：59?61.

[11] 孟繁敏.淺談基于數(shù)據(jù)挖掘的客戶關系管理[J].中國管理信息化，2012（9）：90?92.

[12] 李世超，麥范金，王臻.基于數(shù)據(jù)挖掘技術的客戶細分研究[J].電腦知識與技術，2009（2）：277?279.

3.1.3 細分方法

在經(jīng)濟市場各個領域當中，大多都是采取K?means算法進行客戶細分。該算法是一種劃分的，但并非分層的聚類方法，是由Mac·Quen最先提出的[11]，目前在數(shù)據(jù)挖掘領域中應用越來越廣泛。

3.1.4 基于數(shù)據(jù)挖掘的總體模型設計

功能、數(shù)據(jù)及方法三方面作為主要的數(shù)據(jù)挖掘電力客戶細分功能結構模型。其中功能部分不僅是模型設計的目標以及設計的結果，其功能部分主要包括：客戶分析、客戶分類、市場預測、定向服務、輔助營銷等功能。在長期的數(shù)據(jù)挖掘中，市場功能的不同在選擇細分方法，會導致數(shù)據(jù)出現(xiàn)相當大的差異性。數(shù)據(jù)模塊是總體模型的基礎，進行充分的數(shù)據(jù)準備及預處理，才能真正保證產(chǎn)生真實性、有效性。而客戶維度的選擇及明確度量是保證取得滿意客戶細分結果的前提，而方法模塊則是總體模型中的核心。電力大客戶細分功能結構模型，如圖1所示。

3.1.5 基于K?means 算法的模型設計

數(shù)據(jù)挖掘技術涉及的領域相當廣泛，包括：計算機軟件、統(tǒng)計學、數(shù)學、人工智能理論等，包含豐富的理論知識，采取各種科學技術。因此，數(shù)據(jù)挖掘技術的成功應用具有重要的設計意義。而數(shù)據(jù)挖掘模型則是該應用方法的研究成果。通過研究K?means 算法的原理、特點，遵循相關的處理流程，客戶細分模型框架，如圖2所示。

圖1 電力大客戶細分功能結構模型圖

圖2 挖掘模型框架

從K?means 算法的工作過程中可以看出：先是從n個數(shù)據(jù)中任意選出k個數(shù)據(jù)對象作為初始的聚類點；其次是根據(jù)所剩下數(shù)據(jù)對象和這些聚類點之間的聚類，把它們相應分配到與其相似值最高的聚類中心；最后進行各個新聚類的聚類中心的計算，精確求出該聚類中數(shù)據(jù)對象的平均值，進行循環(huán)漸進的重復計算，直到計算出準確的準則函數(shù)。K?means 算法可采取準則函數(shù)：

[E=i=1kp∈cip-mi2]

式中：E為數(shù)據(jù)庫中全部數(shù)據(jù)對象平均誤差的總和；p為空間的點；mi為簇Ci的平均值，而p與mi均屬于多維的。其準則的根本目標在于：強化生成的結構簇的緊密型；k作為K?means 算法參數(shù)，可將n個數(shù)據(jù)對象分成k 簇，不斷增強簇內(nèi)的相似度，從而降低簇間的相似度。K?means 算法作為一種時效性的算法，可綜合分析聚類問題，其算法具有顯著的簡單性、精確性、高效性，可集中處理大數(shù)據(jù)庫等。

3.2 電力客戶行為細分指標體系的設計

在電力客戶細分中，可以結合數(shù)據(jù)挖掘項目中的具體目標，綜合分析客戶細分維度，同時，遵循根據(jù)電力企業(yè)的業(yè)務指標體系標準，不斷優(yōu)化明確的項目指標，最后是合理選擇變量，在寬表中體現(xiàn)出所有的全部變量分析數(shù)據(jù)，收集全面的數(shù)據(jù)后進行數(shù)據(jù)挖掘。建立客戶指標體系是保證數(shù)據(jù)挖掘順利進行的基礎。

3.2.1 行為細分的維度設計

維元素及度量組成了維護的主要內(nèi)容，維元素對應的是分析角度，度量所的對象是分析結果中的明確指標。指標的數(shù)據(jù)屬于離散型，無法進行無限度的取值；同時，也出現(xiàn)連續(xù)型數(shù)據(jù)，可允許無限度的取值。其中，細分變量主要是應用于客戶細分的變量中，描述變量為對細分后客戶對體征描述的變量。

3.2.2 行為細分指標體系構建

在客戶行為細分中，需要合理選擇細分變量，才能提高細分結果的準確性，確保成功的細分項目。在本研究中，主要通過應用電力客戶經(jīng)濟行為維度與衍生變量指標，進行構建客戶細分模型，客戶行為細分指標體系，如表1所示。t掌握具體的客戶的行為細分指標后，可采取數(shù)據(jù)挖掘中的聚類分析技術進行電力客戶的精細化細分，所得的細分結果，如圖3所示。

3.3 電力客戶精細化細分模型的構建

通過分析研究成果，立足于客戶行為細分體系的優(yōu)化中，同時充分利用客戶價值評估體系，不斷構建電力客戶精細化細分模型。此模型的構建與應用，能有效實現(xiàn)客戶行為細分和客戶價值評估的有效結合，不僅能有效解決解決客戶行為細分結果中出現(xiàn)的各種問題，同時，可以為客戶價值評估提供正確完整的數(shù)據(jù)支持。該模型的價值主要包括：緊密結合行為細分變量與價值評估變量，在最大程度上提高數(shù)據(jù)挖掘及價值評估工作的時效性，使工作人員在實際工作中可遵循相關的規(guī)章制度等。電力客戶精細化細分整體模型，如圖4所示。

表1 客戶行為細分指標體系

圖3 電力客戶行為細分圖

圖4 電力客戶精細化細分整體模型圖

4 結 語

目前，在我國電力企業(yè)客戶細分過程中還存在客戶經(jīng)濟行為缺失、細分維度單一及可操作性較差等問題，因此，應該綜合采取客戶細化分類法進行客戶細分?；跀?shù)據(jù)挖掘的客戶細分具有提高細分合理性、指導營銷活動及可操作性強等優(yōu)點，可以有效解決電力客戶細分中存在的問題。綜上所述，基于數(shù)據(jù)挖掘的電力行業(yè)客戶細分模型構建能為電力企業(yè)對不同類型的客戶進行準確、合理的細分，能為電力企業(yè)的營銷決策提供科學、可行的信息支持，對提高電力企業(yè)的經(jīng)濟效益及社會效益具有重要的意義。

參考文獻

[1] 方安儒，葉強，魯奇，等.基于數(shù)據(jù)挖掘的客戶細分框架模型[J].計算機工程，2009（19）：251?253.

[2] 蔡依暉.基于數(shù)據(jù)挖掘的電力行業(yè)客戶細分建模淺探[J].科技與企業(yè)，2013（22）：106.

[3] 王扶東，馬玉芳.基于數(shù)據(jù)挖掘的客戶細分方法的研究[J].計算機工程與應用，2011（4）：215?218.

[4] 馬岳猛.基于聚類結果解釋方法的客戶群特征研究[D].哈爾濱：哈爾濱工業(yè)大學，2011.

[5] 張立美.基于數(shù)據(jù)挖掘的電信客戶細分模型的研究與應用[D].成都：電子科技大學，2010.

[6] 劉滿芝，周梅華，呂雪晴.基于因子分析與聚類分析復合模型的市場細分研究：以移動通信行業(yè)為例[J].管理案例研究與評論，2009（2）：136?141.

[7] 張向宏，唐冉.基于K?means算法的電子政務用戶細分模型研究[J].商場現(xiàn)代化，2009（5）：372?374.

[8] 宋加山，李勇，季峰.基于數(shù)據(jù)挖掘技術的電力行業(yè)客戶關系管理[J].現(xiàn)代商業(yè)，2010（12）：58?59.

[9] 張曉濱，高峰，黃慧.基于客戶細分的客戶流失預測研究[J].計算機工程與設計，2009（24）：5755?5758.

[10] 孫寧.基于數(shù)據(jù)挖掘的客戶關系管理問題的研究[J].科技和產(chǎn)業(yè)，2011（6）：59?61.

[11] 孟繁敏.淺談基于數(shù)據(jù)挖掘的客戶關系管理[J].中國管理信息化，2012（9）：90?92.

[12] 李世超，麥范金，王臻.基于數(shù)據(jù)挖掘技術的客戶細分研究[J].電腦知識與技術，2009（2）：277?279.