隨著電力體制改革和售電側放開不斷推進,多買多賣的競爭格局和多層次電力市場體系將逐步形成,市場化售電環境構建過程中，售電公司除為客戶提供基礎能源供應外，將以差異化營銷服務和增值服務吸引客戶,搶占市場份額,同時更加注重客戶關系管理和維系，保持企業利潤。面對市場化競爭和客戶流失風險，電網企業應逐步轉變服務模式,改變同質化的服務現狀,利用大數據技術為不同屬性特征和需求特征的客戶提供相適應的服務策略。目前，電網公司針對電力客戶，尤其是具備參與電力市場化交易能力的電力大客戶，其服務目前存在以下問題:未能實現針對細分群體及其需求特征的差異化、精準服務策略供應;營銷人員基于客戶需求的服務策略探索多以定性為主，不便于形成統一標準，使得結果科學性、合理性存疑,為策略推送結果適用性和可操作性增加了困難。

本文應用客戶需求的服務策略研究結果，利用大數據技術構建了電力大客戶服務策略定量推薦模型,基于研究實踐形成了一套服務策略智能匹配的工作機制,為企業精準推送服務策略提供科學依據，對電網公司在售電市場化環境下滿足不同類型用電客戶需求,維護客戶關系，提升服務運作效率，增強售電側市場放開環境的應變能力和競爭實力期重要意義。

1客戶需求導向的服務策略清單引入

基于前期對電力大客戶進行需求調研,形成客戶細分及需求研究成果（需求清單），組織電力營銷人員依據對不同細分群體客戶（傳統電力大客戶、新型售電公司及園區客戶、分布式能源及微網客戶）需求滿足能力,結合客戶需求方向的營銷服務管理、業務運作現狀評估結果，圍繞服務策略梳理和提升工作開展以下業務:業擴報裝（大客戶經理）、電費、用電檢查、需求響應及節能服務、渠道、計量等。通過分析客戶需求和服務供給評估結果對單一業務從流程、執行規范和標準、服務手段和措施等方面梳理當前服務差距和不足，提出后續服務改進方向和關鍵對t,形成客戶服務策略清單（共45類），含策略編號、策略名稱、策略說明、策略級別等,為后續客戶服務策略模型構建工作提供數據支撐。

客戶需求導向的服務策略清單如表1所示

2電力大客戶服務策略推薦算法及思路

2.1服務策略推薦算法選擇

隨機森林是一種多功能的機器學習算法,能夠執行回歸和分類的任務，同時也是一種數據降維手段，用于處理缺失值、異常值以及擔當其他數據探索中的重要步驟，并取得了不錯的成效。另外,它還是一種集成學習的重要方法,是將幾個低效模型整合為一個高效模型的有效方法。在隨機森林中，生成很多決策樹，并不像在CART模型只生成唯一的樹。當基于某些屬性對一個新的對象進行分類判別時,隨機森林中的每一棵樹都會給出自己的分類選擇，并由此進行“投票”，森林整體的輸出結果將會是票數最多的分類選項目。而在回歸問題中，隨機森林的輸出將會是所有決策樹輸出的平均值。

隨機森林具有準確率高、魯棒性好、易于使用等優點，成為目前最為流行的機器學習算法之一四。本文將探索使用隨機森林算法實現服務策略推薦模型的構建以及服務策略的精準推送。

2.2服務策略推薦模型構建思路

基于電力大客戶的歷史屬性特征數據收集和需求分析結果,結合服務策略清單梳理成果，選取一定數量的訓練樣本和測試樣本用于模型構建和驗證（要求樣本具有完整客戶屬性特征、需求屬性特征和策略清單），并組織電力營銷專家對樣本客戶策略匹配情況進行審定，確定樣本客戶屬性特征與策略的匹配關系，形成模型訓練樣本數據庫（含客戶屬性標簽庫和策略清單庫）。

通過人工和算法結合的方式對樣本客戶屬性特征數據和策略清單數據進行清洗整理，基于訓練樣本基礎數據，采用隨機森林算法對每一類策略的客戶屬性特征進行機器學習，完成客戶屬性特征與策略匹配模型的構建,進而利用模型預測測試樣本服務策略推薦結果，并對推薦結果的準確率進行評估。服務策略推薦模型構建思路如下圖1所示

3基于隨機森林算法的服務策略推薦模型構建

3.1樣本客戶選取

本研究中以江蘇常州武進區電力大客戶作為研究對象，基于樣本客戶基礎數據完整、有效原則，通過整合需求研究和客戶價值評估階段結果，共抽取武進區有效樣本客戶223個,隨后對樣本客戶屬性特征數據、客戶需求數據、價值評價數據進行了初步清洗，以確保滿足推薦模型構建和服務策略精準推送的需要。

3.2服務策略審定

基于服務策略清單梳理結果及樣本客戶抽樣結果,結合樣本客戶屬性特征和需求情況，組織營銷業務專家對每位樣本客戶策略匹配情況進行審定,確定樣本客戶屬性特征與策略的匹配關系，形成客戶屬性-服務策略樣本數據庫（含客戶屬性標簽庫和策略清單庫）,用于客戶服務策略推薦模型訓練樣本數據庫和測試樣本數據庫構建工作。

3.3數據清洗

數據清洗工作主要從2個方面開展:樣本數據篩選（樣本客戶屬性特征篩選）和數據標準歸一化處理。

3.3.1樣本客戶屬性特征篩選

樣本客戶屬性特征篩選的主要目的是選擇對訓練數據具有分類能力的屬性特征，以提高機器學習的效率。如果利用一個屬性特征進行分類的結果與隨機分類的結果沒有較大差別，則稱這個特征不具備分類能力，理論上刪除此特征對決策樹學習的精度影響不大，同時可使模型泛化能力更強。隨機森林提供了2種特征選擇的方法:平均精確率（MDA）減少和平均不純度減少（MDI）。本研究中采用隨機森林平均精確率減少方法進行特征選擇。平均精確率減少特征選擇方法是指直接度量每個特征對模型精確率的影響，主要思路是打亂每個特征的特征值順序，度量順序變動對模型的精確率的影響，對于不重要的變量來說，打亂順序對模型的精確率影響不會太大，但是對于重要的變量來說，打亂順序就會降低模型的精確率。

3.4模型訓練

模型訓練步驟如下圖2所示，將標量樣本數據分為80%訓練樣本和20%測試樣本,通過對訓練集數據進行機器學習，有放回的多次隨機抽取訓練數據和特征數據建立隨機森林，計算測試樣本在隨機新組合，使得每一條客戶數據對應一個策略,以符合隨機森林函數的數據要求。此處是通過將沒有采取的策略用-1標記,通過np.where函數找到每一類策略中不為T的數據，也就是采取該策略的客戶，找到該客戶的特征值，從而將所有的訓練樣本數據重新組合成一個新的客戶特征-策略數組。

加載隨機森林函數包，將訓練數據導入進行訓練，通過有放回的隨機選擇節點上的N個樣本特征中的"個特征（n小于N），構建決策樹作為弱分類器，在這些隨機選擇的部分樣本特征中選擇一個最優的特征來做決策樹的左右子樹劃分，最終得到最強的分類器。

3.5服務策略推薦預測結果計算

通過構建好的隨機森林模型,可以預測測試樣本客戶在每一類策略上的可能性，通過函數對每一個策略的可能性進行判別，根據某客戶是否有可能屬于該類策略，判斷是否對客戶推送該策略。

通過隨機森林模型的構建和策略推送函數判斷,得到客戶策略的預測結果?；陔S機森林分析法可以得到每一個測試樣本客戶關于每一類策略是否推送的選擇結果，其中T表示推送該策略,“0”表示不推送該策略?？蛻舴詹呗酝扑徒Y果預測示意如表4所示。

4結束語

本文結合服務策略清單梳理結果，選用隨機森林推薦算法的大數據分析方法,通過選擇江蘇常州武進區大客戶樣本，訓練并構建了服務策略精準推薦模型，通過訓練樣本的服務策略匹配結果預測并實現了測試樣本服務策略精準推送。同時,基于隨機森林推薦算法的服務策略推薦模型，可以根據客戶需求的變化和服務策略內容的更新進行機器自主學習，實現服務策略推薦模型的優化和新型服務手段、措施的精準匹配，對于電力營銷業務專職創新大客戶服務管理模式、提升大客戶服務效率和精準服務水平具有現實指導意義。

本文構建的服務策略動態優化和調整的工作機制實現了服務策略的智能推送和精準匹配，有助于江蘇電力滿足不同類型的用電客戶個性化、差異化供電服務需求,彌補傳統電網公司服務空白或服務短板，實現服務供給和服務需求的平衡;有助于電網企業優化供電服務資源配置，推動服務升級和服務模式創新,提升內部管理和運作效率;同時對于售電側放開背景下電網企業應對日益突變的市場環境，吸引并發展高潛價值客戶,培育核心競爭能力，贏得市場先機具有深遠戰略意義。