摘要：通过“用户画像”研究用户特征，不但可以实现用户的分类和差异化管理，而且还可以进一步挖掘用户需求，指导用户优化用电习惯、信息获取渠道和缴费方式，从而节约成本提高企业的利润。本文提出了基于标签体系的电力用户画像模型，能够实现从业扩、计量、缴费、客服、节能等业务视角识别客户特征、提炼客户标签、构建客户标签库，并通过用户标签搭建出一个立体用户虚拟模型。经过实践证明，该方法在电力行业有效可行，实用可靠。
关键字：标签，标签体系，电力用户，画像，模型构建，应用场景
1引言
随着企业实现精准营销和个性化服务的需求的高涨，深入挖掘客户数据潜在的商业价值日益受重视，“客户画像”的概念也应运而生。各行各业的企业都推出了自己的用户画像分析系统或应用。其中，烟草行业提出了基于大数据的香烟用户画像和智能推荐应用[1]，电信行业提出了移动用户的用户画像构建方法[2]，媒体行业提出了结合大数据技术的新闻用户画像及推荐方法[3]。
在“以用户为中心”理论支持下，电网企业逐渐意识到用户的重要性，用户是电网企业的服务对象和生存基础，以产品和服务为中心的思维方式正逐渐转换到以用户为主导。通过“用户画像”研究用户特征，不但可以加深对用户的了解，实现用户的分类和差异化管理，而且还可以进一步挖掘用户需求，优化电价、开展促销，从而节约成本提高企业的利润，提升用户满意度。
2基于标签的电力用户画像模型构建
2.1标签体系
标签是根据用户属性和行为等建立的用户关键词，是人为规定的高度精炼的特征标识，是一种把数据形象化的方法[4-5]。标签的规则由人为制定，利用计算机可以将标签规则固化，方便做聚合分析和标签提取。标签体系是在标签实际应用中解决数据之间的关联关系，通过利用标签之间的关联关系作为桥梁，构建层次分明而又互有关联的层级体系。
电力用户的标签体系主要基于电网传统业务及创新业务场景，从业扩、计量、缴费、客服、节能、社会等业务视角识别客户特征、提炼客户标签、构建客户标签库。标签可以从两个视角来分类，一是从标签描述用户特征的维度去分类，二是从标签构建方法去分类。详见下图：
.png)
图1
(1)按标签描述用户特征的维度分类
基础标签：是用户客观表现出来的属性而非用户内含属性，如用户类别，用电类别，行业属性，停电次数，欠费次数等。
行为标签：是基于用户基础属性描述用户历史状态，表征了用户的行为，如渠道偏好，用电时段偏好，投诉偏好等。
预测标签：是基于基础属性及行为属性用于预测将来用户特征的属性，如信用等级，价值等级，信用风险等。
(2)按标签构建的方法分类
事实标签：通过对于原始数据库的数据进行统计分析而来的，比如用户投诉次数，是基于用户一段时间内实际投诉的行为做的统计。
计算标签：以事实标签为基础，通过构建事实标签与业务问题之间的计算模型，进行计算得到。比如，结合用户实际投诉次数、用户电费金额等，进行用户投诉倾向类型的识别，方便客服进行分类处理。
模型标签：在机器学习算法模型的基础上做预测，比如针对投诉倾向类型结构的变化，预测平台舆情风险指数。
2.2电力用户画像模型构建
本文所述用户画像模型是指分析人员在电力业务应用场景指引下，结合现有数据资源特征，采用相应的分析方法与算法技术，构建标签计算规则，将用户标签组合并搭建出一个立体用户虚拟模型，这个模型即是电力用户画像。
本文所用方法是将电力用户画像模型的构建分解为七个步骤，分别是：画像应用场景需求提出、画像应用场景标签筛选、新标签设计及开发、基于标签的画像模型搭建、画像应用场景发布、画像应用场景使用、场景完善及退运。具体来讲：
（1）画像应用场景需求提出。电力用户画像的具体应用场景包括售前的精准营销、售中的个性化推荐以及售后的客户服务满意度提升、增值服务提供等方面，其目的是为了帮助业务人员解决具体的业务问题，画像应用场景由业务人员根据实际工作需要提出。
（2）画像应用场景标签筛选。标签体系涵盖了电力业务的各个方面，业务人员首先在当前的标签体系中选择标签进行组合，如不能满足需求，则发起新标签的设计及开发工作。
（3）新标签设计及开发。新提出的标签开发应首先进行业务还原，明确计算规则，然后借助大数据平台提供的数据聚焦与综合分析预测技术，通过数据汇总、数据清洗、离线计算、流计算等方式完成数据的深加工，并将计算结果汇总至标签库。
（4）基于标签的画像模型搭建。不同维度的标签可以互相组合，并构建特定场景下的画像模型。以营销居民用户为例，可从括负荷特性、用电量大小、阶梯用电、缴费渠道、投诉与异常用电等进行分类，每类用户可以作为画像模型对象，分别从标签库中挑选标签构成该对象的标签体系，按该体系生成的标签共同构成了该对象的画像。
（5）画像应用场景发布。经试用无误的应用场景，由开发人员进行发布，并通知具体的业务部门试用。
（6）画像应用场景使用。业务人员根据发布的场景开展业务工作，其用途用途包括精准营销、用户统计、效果评估、对服务和产品私人定制、业务经营分析以及竞争分析等。
（7）场景完善及退运。当电力业务发生变化时，应用场景也应发生相应的改进，或者直接退出使用。
3用户画像场景应用
用户画像主要解决信息呈现及检索两个问题，其主要作用是对业务对象进行一种简洁、直观、全貌地展示，在提升用户体验、提升盈利能力、提高工作效率方面都可以找到应用场景。用户画像从应用方面来看主要包含5个方面：
（1）精准营销分析：根据历史用户行为特征，分析服务的潜在用户和用户的潜在需求，针对分析所得特定群体，利用短信、邮件和外呼等方式进行营销。
（2）用户特征统计分析：根据用户的属性、行为特征对用户进行分类后，统计不同特征下的用户数量、分布；分析不同用户群体的分布特征。
（3）用户推荐分析：以用户画像为基础构建推荐系统、搜索引擎、广告投放系统，提升服务精准度。
（4）产品分析：对产品进行用户画像，对产品进行受众分析，更透彻地理解用户使用产品的心理动机和行为习惯，完善产品运营，提升服务质量。
（5）行业报告&用户研究：通过行业、地域及大用户进行用户画像分析可以了解行业动态，比如人群缴费习惯、消费渠道偏好分析、不同地域差异分析。
.png)
图2
对于电网企业而言，电力客户用户画像则是根据用户基础信息和行为信息为数据源，深入结合业务需求，根据需求定义标签内容及规则，再根据规则计算标签结果。利用标签结果，结合业务具体需求，构建电力用户个体画像和群体画像。
其中，个体画像是对每一个用户根据标签规则打上对应的标签。之后，再根据具体的业务场景选择合适的标签，给业务人员展示业务相关的个体画像。群体画像是根据客户标签筛选客户群，再对这个用户群进行用户画像分析，得出用户群体的偏好及特征，以便采取对应的营销及服务措施。
4结束语
为了适应售电侧放开和移动互联网信息技术快速发展的新形势，开展服务创新，塑造安全、便捷、智能的电力服务品牌，“用户画像”等产生于互联网的新技术及理念已逐步引入电力行业并得到深入应用。通过“用户画像”研究用户特征，可以加深对用户的了解，实现用户的分类和差异化管理，提升用户满意度。构建用户画像模型的核心是基于标签进行建模，标签是业务和技术的最佳结合点，是现实与数据化的最佳实践。本文系统阐述了电力用户标签体系的框架结构及基于标签体系的用户画像模型构建方法。经过实践证明，该方法在电力行业有效可行，实用可靠，是对电力大数据建设方向的一次新的有益探索和尝试。
参考文献
[1]李冰，中国烟草总公司北京市公司，李冰等。大数据环境下基于K-means的用户画像与智能推荐的应用[J]。现代计算机（专业版），2016(16):11-15。
[2]黄文彬，徐山川，吴家辉等。移动用户画像构建研究[J]。现代情报，2016，36(10):54-61。
[3]席岩，张乃光，王磊等。结合大数据技术的用户画像推荐方法研究[J]。有线电视技术，2018，No.341(05):14-16。
[4]刘海,卢慧,阮金花,等.基于“用户画像”挖掘的精准营销细分模型研究[J].丝绸,2015,52(12):37-42.
LIU Hai, LU Hui, RUAN Jin-hua, et al. Research on precision marketing segmentation model based on mining“ persona”[J].Journal of Silk, 2015, 52(12): 37-42.
[5]余孟杰.产品研发中用户画像的数据模建[J].设计艺术研究,2014,4(6):60-64.
YU Meng-jie. Data modeling of user portrayal in the product development[J]. Design Research, 2014, 4(6): 60-64.
论文作者:杨天纯,李珗
论文发表刊物:《电力设备》2019年第20期
论文发表时间:2020/3/16
标签：用户论文; 画像论文; 标签论文; 场景论文; 业务论文; 模型论文; 电力论文; 《电力设备》2019年第20期论文;