摘要:在电网客户服务中心内部，业务系统应用数据正以前所未有的速度增长，因此通过对电力营销数据进行有效的整合挖掘，利用大数据分析应用获得提升用电客户服务能力的方法并加以实施，开展客户分群管理、座席综合能力量化、用户访问行为、电网建设和市场营销等应用，创新数据服务模式，优化客户体验，提升智能抽检和精准营销能力，为电网公司投资和规划建设提供决策支撑，促进电网公司在客户服务领域构建新的业务模式、营销模式和服务模式。
关键词:电网客户服务；大数据；营销
一、大数据分析对电力客户服务工作的必要性
随着信息化发展，客服中心已经搭建了95598业务支持系统、95598智能互动网站、信息调控系统、运营管理系统、桌面监控系统等一系列业务应用和客户服务系统，每天系统生成大量语音、客户用电业务数据、营销数据等，如何将大量业务数据整合起来，并深入挖掘，进行分类分析和应用，从而获得提升用电客户服务水平的方法和结论，并制定切实可行的客户服务改进方案，是当下供电企业营销人员所必须思考的。
二、大数据及其特征
大数据的主要特征在于“4V”，即具有数据体量大、数据类型繁多、价值密度低和处理时效性要求高。大数据不同与过去传统的数据，其产生方式、存储载体、访问方式、表现形式、来源特点等都同传统数据不同。大数据更接近于某个群体行为数据，它是全面的数据、准确的数据、有价值的数据。企业合理收集消费者行为数据，大数据进行分析，能够更快的了解消费者的生活方式与消费状态，同时也有助于企业更快的研发出更加贴合消费者心理的营销策略。此外，客户数据的海量性和多样性能够帮助企业更好的寻找发展的新方向。大数据分析技术的出现对于企业，尤其是电力营销战略的制定具有极其重要的促进作用。
三、客户服务中心大数据分析应用方案
本文基于客服中心大数据，通过项目规划、数据预处理、数据分析、数据应用，建立了科学有效的客服中心大数据分析模型。客户服务中心大数据应用研究的技术体系包括数据准备、数据分析、数据应用以及可视化展现4个部分：
（1）数据准备。大数据应用的初始数据来源是客户服务中心信息系统群。其包括结构化数据、非结构化数据、实时数据、档案类数据等各类数据以及电话服务记录、95598服务记录、多媒体服务记录、语音记录、客户档案信息、部门人员信息、公共信息等初始数据。
数据采集方法有Apache Flueme、ETL数据抽取、数据复制、企业服务总线等，可以根据实际业务采取所需的数据采集方法采集所要分析的数据集。对于数据存储，可以使用根据存储读写效率、存储成本、存储管理的不同，运用不同的大数据存储方法，如分布式关系数据库、分布式文件存储系统、分布式内存数据库、分布式非关系型数据库等。一般来说，大数据存储具有低成本、高实时性、高扩展型等特点。
（2）数据分析。大数据分析是运用大数据分布式计算方式，结合分析模型对初始数据进行数据分析。其主要基于人工智能，机器学习，模式学习，统计学等。
上述方案基于初始数据开展数据质量治理、元数据管理、数据应用服务推送、数据结构重组、扩展数据维度、轻度统计汇总、语音语义解析、语速语调究解析等数据处理作业，实现基于聚类分析、回归分析与等模型算法的模型构建应用
（3）数据应用。数据应用包括客户服务管理分析、内部运营管理分析、市场营销和电子商务建设水平分析、电网建设情况分析四大应用体系，在公司总部决策支撑、省公司服务协同、客服中心运营提升、增值业务发展四个方向上的泛在化大数据服务支撑。
四、典型应用研究
4.1停电影响分析
停电不仅是公司内部生产管理的事件，还是影响千家万户日常工作和生活的重要事件。
期刊文章分类查询,尽在期刊图书馆作为“一口对外”的客户服务中心，除了根据停电信息对客户开展停电查询服务外，还应大力开展停电对客户服务影响的分析，并根据客户业务诉求提供主动干预和服务。同时，客户服务中心还应有针对性地对未来停电进行主动分析和预测，找到服务改进的方向，进一步提升精益化管理水平和服务水平。停电大数据分析应用分为2个层面。
在管理层，针对停电发布、变更等生成或修改的停电信息，管理人员根据发布的停电信息，一方面根据停电信息分析停电对客服中心话务和业务带来的影响;另一方面根据停电信息的频繁程度等分析电网质量情况。在座席侧，根据停电的用户范围，针对停电敏感的客户以及客户对停电的反应和停电后的业务诉求情况，预测分析停电信息发布后的客户行为，根据客户诉求开展主动服务，对客户行为进行干预，有效降低停电客户的来电数量。
通过分析停电历史数据，关联分析在停电状态下的用户业务行为，包括停电区域内的用户故障报修、投诉、意见、咨询等业务情况，利用聚类、概率统计等分析方法，建立用户停电敏感分析模型，从用户分类分群的角度，为停电客户的主动服务提供数据支撑。
4.2客户关注热点及客户分群
为了保障客户的满意度，除及时解决客户需求外，还可以主动了解客户关注热点，从客户最关注的方面进行服务和管理。关注热词指数是指根据客户服务中心每天产生的大量数据，进行高频词分析提取，汇总高频词出现率，形成客户当前关注热词指数排行榜。
客户分群是指根据客户关注点及请求频率等客户特征，按照偏好标签库和交互频次设置，自动识别客户的偏好标签和交互频次类型，形成一定用户量的客户分群，为该群体提供更多个性化的交互服务和营销服务。
偏好标签是指按照客户个人关注热点，依据偏好标签库设置，自动识别客户偏好标签，如电费敏感型客户、投诉热衷型客户、事件敏感型客户、业务关注型客户、微信关注型客户、APP关注型客户、潜在电动汽车客户等。交互频次是指按照客户在各渠道的交互习惯进行分群管理，如按一定时间内与客户的交互频次进行分群，分析各类客户的群体特性，提供精准服务。
4.3人工话务量预测
通过对历史信息进行自我学习，分析影响人工话务需求量的特征信息，分析各类特征或特征组合与人工话务需求量之间的关联规律。基于上述特征影响规律，对当前及未来的特征信息进行过滤及规律匹配，预测出人工话务需求量曲线以及各特征对话务需求的影响量。
1)特征过滤。对现状信息、可预知的未来特征信息(如明日是节假日、天气预报等)，依据关键影响因素池进行过滤，剔除非关键影响因素。
2)匹配预测。将现状信息、可预知的未来特征信息中的关键影响因素数据与影响规律库进行匹配比对，预测出各特征因素影响的人工话务需求量，并经过综合汇总得出人工话务需求量预测值。
4.4客户满意度分析
用于推测事物的可能结果。分析挖掘出影响客户满意度的强关联事件，如高温天气、台风，就可以完善事前管理，更合理地部署干预，尽可能降低影响范围和影响程度，降低客户的不满意度。分析挖掘出影响员工满意度的事件，就可以检讨管理问题，加强与员工的沟通，及时纠偏，防止绩效下滑，从而提升客服能力。
三、结语
综上分析可知，本文基于电网客户服务中心海量业务数据和语音数据，通过语音识别、情绪侦测、模拟仿真、分布式存储和计算等技术，开展客户分群管理、座席综合能力量化、用户访问行为、电网建设和市场营销等分析，为电网公司规划建设提供了决策支撑，也为电网公司在客户服务领域构建新的业务模式、营销模式和服务模式起到促进作用。
参考文献:
[1]宋亚奇,周国亮,朱永利.智能电网大数据处理技术现状与挑战[J].电网技术,2013,37(4):927-934.
[2]李伟,张爽,康建东,等.基于hadoop的电网大数据处理探究[J].电子测试,2014(1):74-77.
[3]闫龙川,李雅西,李斌臣,等.电力大数据面临的机遇与挑战[J].电力信息化,2013,11(4):1-4.
论文作者:朱青
论文发表刊物:《电力设备》2018年第14期
论文发表时间:2018/9/18
标签：数据论文; 客户论文; 电网论文; 业务论文; 大数论文; 话务论文; 信息论文; 《电力设备》2018年第14期论文;