基于RFM模型的电力客户缴费渠道偏好分析预测方法技术

本发明专利技术属于电力营销服务领域，公开了一种基于RFM模型的电力客户缴费渠道偏好分析预测方法，首先，从营销业务系统提取客户缴费记录；然后，设定分析日期，从客户缴费记录提取每个用户每种缴费渠道的最近一次缴费的时间间隔R、该分析时段的缴费频率F、该分析时段的平均缴费金额M；之后，将每个用户每一种缴费渠道的R、F、M值做标准化处理；随后，根据熵值法计算每一种缴费渠道的R、F、M权重系数，最终确定每一种缴费渠道的RFM模型计算公式；最后，根据所述RFM模型计算每个用户每一种渠道的偏好评分。本发明专利技术不仅可以准确识别每一位客户缴费渠道偏好，而且能够直接反映某地区某一种缴费渠道的实际业务需求。

【技术实现步骤摘要】
基于RFM模型的电力客户缴费渠道偏好分析预测方法
本专利技术属于电力营销服务领域，尤其是涉及一种基于RFM模型的电力客户缴费渠道偏好分析预测方法。
技术介绍
缴费渠道是电力客户营销服务的窗口，是电网企业面向市场的最前沿。有效的缴费服务渠道不仅能够增强营销能力，提高对市场的快速反应水平，而且有助于提高客户的满意度和忠诚度。在“互联网+”背景下，近年来电网公司缴费渠道体系发生了剧烈变化。传统的走收、坐收、银行代扣等方式尽管仍占很大比例，但新兴的网络缴费渠道却在急剧增长。手机APP，微信，支付宝，网上营业厅越来越受到客户，尤其是年轻人的偏爱。通过客户缴费记录分析挖掘，准确识别客户缴费行为偏好，合理评价各种缴费渠道价值，对提升电网公司的服务水平、提升电费回收率以及应对即将到来的市场激烈竞争具有重大意义。专利公开号为CN105260815A的专利技术专利，公开了基于大数据的电力系统缴费渠道评价方法，所述方法包括(1)、基于调查问卷获取用户属性及用户缴费行为数据，采用K-means聚类算法建立用户缴费行为画像：即确定若干类用户属性与若干类用户缴费行为之间的对应关系；(2)、利用K最近邻分类算法对电力系统缴费渠道评价因素进行最邻近聚类，将对缴费渠道影响相似的评价因素聚为一类，聚合结果作为电力系统缴费渠道评价指标，各类评价指标形成缴费渠道评价指标体系；(3)采用模拟遗传退火算法确定评价指标体系中各评价指标的权重，建立缴费渠道评价模型，获得各缴费渠道的评价值，所述缴费渠道评价模型为先求出每项评价指标与权重的乘积，再求各乘积的和；(4)利用电力系统实际缴费数据，判断缴费渠道评价模型是否适用于新的地区或新的时期，若适用，则缴费渠道评价模型继续使用，否则采用模拟遗传退火算法重新确定各评价指标的权重，确定适用于新的地区或新的时期的缴费渠道评价模型。该方法不足之处是：调查问卷数据通常与真实数据分布存在一定偏差；该方法无法直接反映某地区某一种缴费渠道的实际业务需求。专利公开号为CN105005944A的专利技术专利，公开了一种基于大数据回归分析算法扩展最佳缴费渠道的方法和系统，包括步骤：从大数据分布式数据库中读取已经存储的用电单位特征数据；在Map函数中进行回归分析计算，得到多个不同用户以数值形式存在的缴费位置和缴费方式；将计算结果在Reduce函数下进行数值合并归一计算；计算出离差平方和Q值，将离差平方和Q值与给定阈值进行对比，判断离差平方和Q值是否满足小于给定阈值；若离差平方和Q值小于给定阈值，则结束。该专利技术使用大数据平台的改进的回归分析算法并发分析海量用户缴费数据，分析效率更高，更加准确的统计出用户缴纳电费的行为习惯，实现电力企业扩展缴费渠道的最佳投资分析。该方法的不足之处是：电力客户缴费渠道偏好分析结果与真实数据分布存在一定偏差，且该无法直接呈现每一种缴费渠道综合价值。
技术实现思路
有鉴于此，本专利技术的目的是针对现有技术的不足，提供一种基于RFM模型的电力客户缴费渠道偏好分析预测方法，不仅可以准确识别每一位客户缴费渠道偏好，又能够直接反映某地区某一种缴费渠道的实际业务需求。RFM模型是客户关系管理领域中的一种定量分析模型，主要用来衡量用户价值和忠诚度。RFM模型首先由hughes(1994)提出，包括三个变量，最近购买时间(R),购买频率(F)，购买金额(M)。最近购买时间(R)表示顾客最近一次的购买时间和分析时间点间隔的天数。如果该值较小，表明顾客在短期内刚有过购买行为，可以认为顾客重复购买的可能性较大，这类顾客的价值可能比较高。购买频率(F)表示计算期内顾客购买产品或服务的次数。一般来说，顾客购买频率越高，这类顾客越忠诚，顾客价值越大。购买金额(M)表示计算期内顾客的购买总金额。一般来说，顾客购买金额越高，顾客越忠诚，顾客价值越大。基于业务理解，本专利技术给出“缴费渠道偏好”定义为：客户更喜欢或习惯于在对某一类或某几类渠道缴纳电费，以及办理业扩、保修、查询等行为。根据以上RFM模型理论架构，本专利技术将RFM模型应用于客户缴费渠道偏好分析，R、F、M三个指标的具体含义如下：(1)使用各渠道的最近一次缴费日期(Recency，R)即客户最近一次使用本渠道缴费的时间周期，为最近一次使用本渠道缴费日期距离设定分析日期阈值的时间距离，R值越高即越接近最后时间的客户，其重复使用本渠道缴费的可能性越高。(2)使用各渠道一段时期内的缴费频率(Frequency，F)即客户一段时期内使用本渠道缴费的次数，使用本渠道缴费的频率越高就代表客户越偏好此渠道。(3)使用各渠道一段时期内的平均缴费金额(Monetary，M)即客户在各渠道一段时期内的平均缴费金额，缴费金额越高，表示客户价值越高，也逆向表明高价值客户更偏好哪种渠道进行缴费。在运用RFM模型计算客户最终得分时，R、F，M各个指标的权重是不一样的。学者Stone通过研究顾客信用卡相关资料发现，RFM模型三个变量中,购买频率(F)权重最高，最近购买时间(R)次之，购买金额(M)权重最小。在随后的研究中，Wu和Lin(2005)认为R和F的值越大，顾客再次购买的可能性越大，即应增加R和F的权重。Chuang和Shen(2008)认为购买金额的权重最大，而最近购买时间的权重最小。如何合理确定R、F，M各个指标的权重，成为RFM模型实用化过程中的关键。对于权重系数的确定通常有两种方法，即专家评判法和统计评价法。专家评判法是指对分析对象的各个因素，按照其重要程度，由专家依照经验主观确定权重系数。这类方法带有很强的主观色彩，精确度较差。专家咨询法、层次分析法、网络层次分析是最常用的专家评判法。统计评价法是指经过对实际样本集合进行整理、计算、分析，从而得到权重系数。这类方法避免了人为因素的影响，比较符合实际的数据分布。熵值法是一种常用的统计评价法，而且计算相对简单。熵是系统无序程度的度量，可以用来度量已知数据所包含的有效信息量和权重。通过“熵”的计算确定权重，就是根据各项指标的差异程度，确定各指标的权重。为达到上述目的，本专利技术采用以下技术方案：一种基于RFM模型的电力客户缴费渠道偏好分析预测方法，包括如下步骤：步骤1、从营销业务系统提取客户缴费记录，主要包括用户编号、缴费金额、缴费渠道、缴费时间；步骤2、设定分析日期，从客户缴费记录提取每个用户每种缴费渠道的最近一次缴费的时间间隔、该分析时段的缴费频率、该分析时段的平均缴费金额，即R、F、M，并做标准化处理，具体公式如下：其中，xj为第i个用户第j项指标值，xmax为样本集合中第j项指标最大值，xmin为样本集合中第j项指标最小值，xij为第i个用户第j项指标标准化处理后的值；步骤3、根据熵值法计算每一种缴费渠道的R、F、M权重系数，即wR、wF、wM，最终确定每一种缴费渠道的RFM模型计算公式为RFM＝wRR+wFF+wMM；步骤4、根据所述RFM模型计算每个用户每一种渠道的偏好评分，其中评分最高的渠道为该用户下次缴费时概率最大的缴费渠道；计算某个地区某种缴费渠道的偏好总分，进而反映该地区该种渠道的实际需求。所述采用熵值法计算每一种缴费渠道的R、F、M权重系数，其具体步骤如下：S1、计算比重矩阵。根据步骤2标准化处理结果计算第j项指标下第i个用户的比重yi本文档来自技高网...

【技术保护点】
基于RFM模型的电力客户缴费渠道偏好分析预测方法，其特征在于：包括如下步骤：步骤1、从营销业务系统提取客户缴费记录，主要包括用户编号、缴费金额、缴费渠道、缴费时间；步骤2、设定分析日期，从客户缴费记录提取每个用户每种缴费渠道的最近一次缴费的时间间隔、该分析时段的缴费频率、该分析时段的平均缴费金额，即R、F、M，并做标准化处理，具体公式如下：

【技术特征摘要】
1.基于RFM模型的电力客户缴费渠道偏好分析预测方法，其特征在于：包括如下步骤：步骤1、从营销业务系统提取客户缴费记录，主要包括用户编号、缴费金额、缴费渠道、缴费时间；步骤2、设定分析日期，从客户缴费记录提取每个用户每种缴费渠道的最近一次缴费的时间间隔、该分析时段的缴费频率、该分析时段的平均缴费金额，即R、F、M，并做标准化处理，具体公式如下：其中，xj为第i个用户第j项指标值，xmax为样本集合中第j项指标最大值，xmin为样本集合中第j项指标最小值，xij为第i个用户第j项指标标准化处理后的值；步骤3、采用熵值法计算每一种缴费渠道的R、F、M权重系数，即wR、wF、wM，最终确定每一种缴费渠道的RFM模型计算公式为RFM＝wRR+wFF+wMM；步骤4、根据所述RFM模型计算每个用户每一种渠道的偏好评分，其中评分最高的渠...

【专利技术属性】
技术研发人员：耿俊成，张小斐，郭志民，袁少光，吴博，万迪明，杨磊，平燕娜，刘枫琪，王敏，
申请(专利权)人：国网河南省电力公司电力科学研究院，河南恩湃高科集团有限公司，国家电网公司，
类型：发明
国别省市：河南,41