一种优质客户识别方法

技术领域

本发明属于数据分析技术领域，更具体地说，是涉及一种优质客户识别方法。

背景技术

随着国家电力市场化改革的深入推进，售电侧市场逐步放开，售电市场的竞争逐渐加剧，其中优质客户将成为重要的竞争焦点。挖掘优质客户，实现精准化差异化的客户服务，提高客户服务满意度，成为一项重要的事业。当前在电力行业中，对于客户评级多根据电量电费判断，或者简单的层次分析法模型进行识别等，主要考虑的是客户的现有能力，但无法对目标客户的能力进行综合评价，导致优质客户的识别结果误差较大，从而影响电力企业的整体经济效益。

发明内容

本发明的目的在于提供一种优质客户识别方法，旨在解决无法对目标客户的能力进行综合评价，导致优质客户的识别结果误差较大的问题。

为实现上述目的，本发明采用的技术方案是：提供一种优质客户识别方法，包括：

步骤1：将数据统一格式化出现突出数据，需将所述突出数据进行平衡处理；

步骤2：利用从信用度、经济价值、发展潜力和客户稳定性四个主要的维度构建指标体系，根据机器学习将其融合在一起，从而建立客户价值的综合评价模型；

步骤3：构建识别指标的判断矩阵，使用方根法处理数据，通过机器学习，构建优质识别客户模型；

步骤4：按照客户价值评估结果降序排列，再利用所述优质客户模型进行识别。

优选地，步骤2中所述客户价值的综合评价模型的推导方法包括：

步骤201：初始信用积分为Z，客户在开户期间正常交易次数和违约次数决定信用评级，构建客户信用分数公式为：

其中，z为初始信用积分，η为计算系数，n表示客户的正常交易次数，x表示客户的违约交易次数；

步骤202：根据客户单次购买金额M和采购频率N，构建客户购买能力公式：

其中，R为客户i购买产品的利润率，S为企业为该客户i支付的溢价比率，TCO表示客户i所有权的总成本，X与Y分别为客户i的产品购买转换频率与加急修改订单频率；

步骤203：根据客户与企业的合作意向，建立与客户合作总期限的计算表达式：

其中，参量P

步骤204客户在今后时期有可能购买企业产品所带来的利润，构建客户潜在价值的评估公式为：

其中，PB

步骤205：综合上述客户评估指标，将所述信用度、经济价值、发展潜力和客户稳定性融合构建所述客户价值的综合评价模型：

其中，score 为客户信用分数，E(i) 为客户态度，VP

优选地，所述步骤203中，当客户关系处于初级阶段时P

优选地，所述步骤3中机器学习的指标包括客户外部环境状况、客户财政状况、客户需求状况以及客户成长性。

优选地，所述客户外部环境状况比权占比为15.86%；所述客户财政状况比权占比为22.13%；所述客户需求状况比权占比为31.74%；所述客户成长性比权占比为30.3%。

优选地，所述步骤4按照客户评估价值在前5%，再利用所述优质客户模型进行识别。

优选地，所述步骤1中数据平衡处理方法是根据抽样方式不同，通过调整类的权重值、调整节点的概率估值及调整决策阙值，使客户数据保持平衡。

本发明提供的一种优质客户识别方法的有益效果在于：与现有技术相比，本发明一种优质客户识别方法，包括：将数据进行格式统一处理，若数据出现不平衡现象，将数据进行平衡处理；从信用度、经济价值、发展潜力和客户稳定性四个主要的维度构建指标体系，在每个维度下建立相应的多个子维度指标，对分类器进行训练集成策略，从而获得强分类器，利用机器学习算法将其融合在一起，从而建立客户价值的综合评价模型；构建识别指标的判断矩阵，使用方根法处理数据，通过机器学习，构建优质识别客户模型的指标权重；按照客户价值评估结果按照降序排列，再利用优质客户模型进行识别，该方法可以有效的对目标客户的进行综合评价，快速准确的识别目标客户，投入营销成本低，客户回报成本高，从而提高了企业的整体经济效益。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的机器学习算法评估结构；

图2为本发明实施例提供的优质客户关系发展示意图；

图3为本发明实施例提供的部分识别指标及其权重计算结果；

图4为本发明实施例提供的一种优质客户识别方法的流程框图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请一并参阅图1及图4，现对本发明提供的一种优质客户识别方法进行说明。所述一种优质客户识别方法，包括：

S1：将数据统一格式化出现突出数据，需将所述突出数据进行平衡处理。

具体的是，相关客户在与企业进行交易时，需要填写相关的企业或个人信息，从而实现数据的采集，将数据进行格式统一处理，当发现统一格式后的一类数据样本远远大于另一个数据样本时，则该数据出现不平衡的现象。按抽样方式的不同分为过抽样和欠抽样，通过调整类的权重值、调整节点的概率估值及调整决策阙值，使客户数据保持平衡。

S2：利用从信用度、经济价值、发展潜力和客户稳定性四个主要的维度构建指标体系，根据机器学习将其融合在一起，从而建立客户价值的综合评价模型。

具体的是，利用从信用度、经济价值、发展潜力和客户稳定性四个主要的维度构建指标体系，通过机器学习算法评估结构，如图1所示，训练集训练各个分类器，将各个分类器融合建立客户价值的综合平价模型，客户价值的综合评价模型的推导方法包括：

本实施例中，S201初始信用积分为Z，客户在开户期间正常交易次数和违约次数决定信用评级，构建客户信用分数公式为：

其中，z为初始信用积分，η为计算系数，n表示客户的正常交易次数，x表示客户的违约交易次数。

具体的是，设置初始信用积分为90分，随着开户时间的增加，由于客户在开户期间不断进行交易，因此客户的信用评级结果也会发生变化，若客户的正常交易次数大于违约交易次数，则该客户的信用度就会上升，否则客户的信用度就会降低，当客户的信用度评分为[95，100]分，则对应客户的信用等级为Ⅰ级，若信用度评分在区间[80，95]分，则信用等级为Ⅱ级，其他评分归类到Ⅲ级。

本实施例中，S202根据客户单次购买金额M和采购频率N，构建客户购买能力公式：

其中，R为客户i购买产品的利润率，S为企业为该客户i支付的溢价比率，TCO表示客户i所有权的总成本，X与Y分别为客户i的产品购买转换频率与加急修改订单频率。

本实施例中，S203根据客户与企业的合作意向，建立与客户合作总期限的计算表达式：

其中，参量P

具体的是，参量P

本实施例中，S204客户在今后时期有可能购买企业产品所带来的利润，构建客户潜在价值的评估公式为：

其中，PB

本实施例中，S205综合上述客户评估指标，将所述信用度、经济价值、发展潜力和客户稳定性融合构建所述客户价值的综合评价模型：

其中，score 为客户信用分数，E(i) 为客户态度，VP

S3：构建识别指标的判断矩阵，使用方根法处理数据，通过机器学习，构建优质识别客户模型。

本实施例中，如图3所示，机器学习的指标包括客户外部环境状况、客户财政状况、客户需求状况以及客户成长性，客户外部环境状况比权占比为15.86%，客户财政状况比权占比为22.13%，客户需求状况比权占比为31.74%，客户成长性比权占比为30.3%。

S4：按照客户价值评估结果降序排列，再利用所述优质客户模型进行识别。

本实施例中，按照客户评估价值在前5%，再进行优质客户模型进行识别，减少了营销投入人的成本，加快了目标客户的识别，客户回报成本高，从而提高了企业的整体经济效益。

示例性的：对数据库进行优质客户识别，实验时间为2020年5月，取样待识别用户共计10人，其中6人为优质客户，4人为普通客户，应用机器学习算法，建立优质客户识别模型。

具体的实行步骤是，设置对照组和实验组，对照组为未应用优质客户识别方法，实验组为应用优质客户识别方法，分别统计应用优质客户识别方法前后，企业对客户提供的服务成本，以及客户对企业的回报金额得到如下实验结果：

实验数据对比表

通过对比，最终得出结论：实验组相较于对照组投入的营销成本低，同时在客户回报金额上实验组高于对照组。

由上述数据可见，应用该方法进行优质客户识别，可以有效的对目标客户的进行综合评价，快速准确的识别目标客户，提高了企业的整体经济效益。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。