数据挖掘在电力营销中的运用分析

一、营销业务分析中可利用的数据挖掘技术方法

数据挖掘技术中的时间序列模型分析预测常规算法：时间序列分析是概率统计学科中应用性较强的一个分支，在金融经济、气象水文、信号处理、机械振动等众多领域有着广泛的应用。时间序列模型最主要的特征就是承认观测值之间的依赖关系和相关性，它是一种动态模型，能够应用于动态预测。时间序列预测法就是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。

其内容包括：收集与整理某社会现象的历史资料;对这些资料进行检查鉴别，排成数列;分析时间数列，从中寻找社会现象随时间变化而变化的规律，得出一定的模式;以此模式去预测社会现象将来的情况。数据挖掘技术中的聚类算法：目前，电力营销领域通常采用聚类技术来进行客户细分。可根据不同的数据情况和分析需要，选择不同聚类算法来进行客户细分。此外，还可利用客户忠诚度驱动关系模型，回归分析，客户忠诚矩阵分析，以及忠诚客户安全指数分析等数据挖掘模型和手段，进行更深层次、多方位的客户细分。

数据挖掘技术中的关联分析和决策树分析方法：用关联分析和决策树分析方法，可分析各种因素所构成的市场环境与电量变化之间的规律。利用关联规则分析主要是分析某一市场环境与各种售电量水平之间的关联程度，进而确定不同市场环境中影响售电量变化的主要因素和次要因素。决策树主要是分析某一市场环境内部各个因素之间对电量水平变化的层次关系，并归纳对该市场内对售电水平进行分类的规则并根据规则对售电水平进行预测分类。

二、对具体开展营销业务分析工作的建议

营销业务分析切入点方面：建议从用电量需求预测为营销分析切入点，因为此部分涉及的营销数据相对独立。可以从试点开始，再全面推广。用电量需求预测可直接指导目前急需解决的需求侧管理和有序用电问题和将营销终端与输电、配点相结合方面问题。营销业务分析切入点对客户细分、客户信用等级评估、电费回收和欠费风险控制、防窃电等方面均有影响。软硬件设备及IT技术方面：营销数据量庞大，对数据源的抽取、转换、载入阶段所需耗费的工作量大，时间长。

整个数据挖掘过程需充分考虑存储、服务器等设备容量和处理能力，并选择适用于海量数据挖掘软件。在搭建数据仓库过程中，为提高运算速度，系统分析能力，可充分考虑采取以下计算技术：内存计算，可将查询计算速度提高一个量级;库内计算，目前TereData在此项技术方面较有优势;网格计算，即分布式计算技术。跨行业，寻求外部合作方面：在构建模型时，应充分参考借鉴银行、电信等行业相关客户管理、客户信用等级评价和风险等级评价等相关业务模型;参考水、天然气行业费用回收方法。还可与其他行业营销团队，例如国际知名的数据咨询团队进行合作，以吸取先进技术，迅速推进分析挖掘工作。

三、总结

综上所述，数据挖掘技术可深入渗透到电力营销领域各方面，对科学指导电网发展，制定电力营销策略，防范电费回收风险，合理制定电价，提升电网服务品质，并为最终实现切实提高电力企业运营管理水平的目标发挥巨大作用。

作者：李皎           单位：国网信息通信有限公司