基于欠费风险评估和用户画像的供热收费智能推荐方法

技术领域

本发明属于智慧供热技术领域，具体涉及一种基于欠费风险评估和用户画像的供热收费智能推荐方法。

背景技术

智慧供热是供热技术与信息技术的深度融合，是集热源生产输出、供热信息采集、热网监控、热网水力分析、室温采集于一体的现代供热一体化方案。供热企业的重要职责是通过智慧供热来满足热用户的用热需求和提高用热满意度。

然而，供暖费用的催收也作为供热企业的一项主要工作之一，具有面向热用户数量多、热用户缴费行为和缴费信息差异大等特征，传统的供热费用催收方式主要采取人工电话催收和短信催收方式，供热企业的催缴费用专员无法根据热用户的差异优化催费策略，只能被动地执行传统催费流程，而且催缴供热费用时容易造成沟通不畅，引起热用户反感，存在投诉风险，催费效率较低。因此，如何针对不同热用户制定更加差异化、精细化和智能化的催收策略，全面提升供暖费用催收效率，提高热用户满意度是目前急需解决的问题。

基于上述技术问题，需要设计一种新的基于欠费风险评估和用户画像的供热收费智能推荐方法。

发明内容

本发明所要解决的技术问题是，克服现有技术的不足，提供一种基于欠费风险评估和用户画像的供热收费智能推荐方法，助力供热企业催缴费用更具差异化、精准化和智能化，提升供热费用催收效率，使得催收供热费用更加人性化，用户满意度更高。

为了解决上述技术问题，本发明的技术方案是：

本发明提供了一种基于欠费风险评估和用户画像的供热收费智能推荐方法，所述供热收费智能推荐方法包括：

数据获取：获取供热系统管辖用户的属性数据和供热费用数据；

用户欠费风险评估：采用改进的层次分析法，以供暖用户欠费风险为目标层，以供热费用数据为准则层，以用户为方案层，依据方案层中各用户在准则层中的各个指标变化对供暖费回收影响程度来设置准则层中各指标权重系数，建立各供暖用户欠费风险综合评估模型；

欠费用户画像建立：依据不同欠费用户的历史催缴数据和用户基本数据，进行数据预处理、欠费用户静态属性标签、动态催缴行为标签提取和聚类后，建立欠费用户画像；

供热收费智能推荐：依据各供暖用户欠费风险综合评估模型进行供暖用户类型划分，获知供热用户催缴优先级，并结合欠费用户画像获知的欠费用户催缴优选规则制定供热收费智能推荐方案；所述供暖用户类型包括及时缴费用户、偶尔欠费用户、多次欠费用户和频繁欠费用户；所述催缴优选规则包括不同类型欠费用户的优选催缴时间、催缴频次和催缴方式。

进一步，所述供热系统管辖用户包括入网的换热站对象、工商业用户对象、小区楼盘对象和居民用户对象；

所述供热系统管辖用户的属性数据，包括：换热站、工商业用户、小区楼盘、居民用户的入网面积、名称、地址、楼栋号、用户编码、用户类型、所属供热公司和所属换热站数据；

所述供热系统管辖用户的供热费用数据，包括：应收金额、欠费金额、欠费率、欠费时长和缴费时间。

进一步，所述采用改进的层次分析法，以供暖用户欠费风险为目标层，以供热费用数据为准则层，以用户为方案层，依据方案层中各用户在准则层中的各个指标变化对供暖费回收影响程度来设置准则层中各指标权重系数，建立各供暖用户欠费风险综合评估模型，包括：

建立各供暖用户欠费风险综合评估体系，包括目标层、准则层和方案层；所述目标层为供暖用户欠费风险；所述准则层依据所述供热费用数据进行设置；所述方案层为各供热系统管辖用户；

依据直觉模糊集理论创建直觉模糊判断矩阵；

依据所述直觉模糊判断矩阵确定直觉模糊一致性判断矩阵，并进行一致性检验，若符合一致性，则根据熵权法和层次分析法计算各指标的组合权重系数；否则，按照修正算法对所述直觉模糊判断矩阵进行修正；

对各供热系统管辖用户在准则层中的各个指标进行评分，并结合各指标的组合权重系数进行综合评分，建立各供暖用户欠费风险综合评估模型。

进一步，所述依据直觉模糊集理论创建直觉模糊判断矩阵，包括：

根据直觉模糊集理论将定性数据进行转化生成直觉模糊数，构建直觉模糊判断矩阵R＝(r

(μ

进一步，所述依据所述直觉模糊判断矩阵确定直觉模糊一致性判断矩阵

若j＝i+1或者j＝i，则

进一步，所述进行一致性检验，包括：

计算直觉模糊判断和直觉模糊一致性判断矩阵之间的距离测度

进一步，所述根据熵权法和层次分析法计算各指标的组合权重系数，包括：

计算各指标的直觉模糊熵

计算各指标的权重系数

构建判断矩阵

根据判断矩阵A计算最大特征值λ

计算一致性比率

计算各指标权重

计算各指标的组合权重系数

进一步，所述依据不同欠费用户的历史催缴数据和用户基本数据，进行数据预处理、欠费用户静态属性标签、动态催缴行为标签提取和聚类后，建立欠费用户画像，包括：

获取不同欠费用户的多维度数据，包括用户名称、用户类型、用户年龄、用户喜好的消息通知渠道、以及换热站用户对象所管辖区域的供热面积、供热户数、缴费方式、缴费时间、催缴频次、催缴后用户的响应数据、历史派单信息和投诉信息；

对多维度数据进行标准化处理、异常值处理、降维处理、补全空值及去掉重复值的清洗操作后，生成预处理后的欠费用户数据；

基于预处理后的欠费用户数据进行特征提取，建立欠费用户画像的标签体系，包括欠费用户静态属性标签和动态催缴行为标签；将欠费用户A

将不同欠费用户的多维度数据映射至欠费用户静态属性标签和动态催缴行为标签中，并将用户的基本特征和催缴行为特征组合在一起，形成欠费用户个体画像，包括换热机组欠费用户个体画像、工商业欠费用户个体画像、小区楼盘欠费用户个体画像和居民欠费用户个体画像；

基于欠费用户个体画像，采用改进的聚类算法对欠费用户的标签进行聚集，根据各用户间的相似度和聚类中心，形成欠费群体用户画像。

进一步，所述采用改进的聚类算法对欠费用户的标签进行聚集，包括：

获取各个欠费用户集数据，并选取预设数量的欠费用户作为样本欠费用户集A；

计算样本欠费用户集A中各欠费用户画像间的相似度，表示为：

分别为欠费用户A

将样本欠费用户集A划分为B个子集，以每个子集内欠费用户画像相似度中值作为欠费用户的自我相似度，定义为：

对每个子集内欠费用户进行AP聚类，获得各部分用户的聚类中心集E

将每个子集内欠费用户的聚类中心集组成新的欠费用户集E

初始化新的欠费用户集E

对新的欠费用户集E

基于聚类结果计算聚类质量指标，表示为：

Z

引入更新步长s

判断稳定聚类数是否满足预置数，若满足，则迭代结束，比较不同聚类数下对应的聚类质量指标，最终确定最佳聚类数；否则，重新进行AP聚类。

进一步，所述依据各供暖用户欠费风险综合评估模型进行供暖用户类型划分，获知供热用户催缴优先级，并结合欠费用户画像获知的欠费用户催缴优选规则制定供热收费智能推荐方案，包括：

依据各供暖用户欠费风险综合评估模型，获知供暖用户欠费风险程度，并基于供暖用户欠费风险程度将供暖用户进行划分，包括及时缴费用户、偶尔欠费用户、多次欠费用户和频繁欠费用户；其中，欠费风险程度越高，用户欠费越频繁；

依据欠费用户画像获知各欠费用户的催缴优选规则，包括优选催缴时间、催缴频次和催缴方式；所述催缴方式包括短信催缴方式、微信催缴方式、邮件催缴方式、电话催缴方式和上门催缴方式；

依据划分的供暖用户类型和催缴优选规则制定供热收费智能推荐方案：依据欠费风险程度制定欠费用户的催缴优先顺序，欠费风险程度越高，催缴顺序越优先，同时依据欠费用户画像制定对应欠费用户类型优选的催缴时间、催缴频次和催缴方式。

本发明的有益效果是：

本发明通过数据获取：获取供热系统管辖用户的属性数据和供热费用数据；用户欠费风险评估：采用改进的层次分析法，以供暖用户欠费风险为目标层，以供热费用数据为准则层，以用户为方案层，依据方案层中各用户在准则层中的各个指标变化对供暖费回收影响程度来设置准则层中各指标权重系数，建立各供暖用户欠费风险综合评估模型；欠费用户画像建立：依据不同欠费用户的历史催缴数据和用户基本数据，进行数据预处理、欠费用户静态属性标签、动态催缴行为标签提取和聚类后，建立欠费用户画像；供热收费智能推荐：依据各供暖用户欠费风险综合评估模型进行供暖用户类型划分，获知供热用户催缴优先级，并结合欠费用户画像获知的欠费用户催缴优选规则制定供热收费智能推荐方案；能够采用改进的层次分析法首先建立各供暖用户欠费风险评估模型，制定催缴用户的优先级，然后建立欠费用户画像，表明各个欠费用户的静态属性和动态催缴行为，进而制定催缴规则，最终依据供热用户催缴优先级和相应的催缴规则制定供热收费智能推荐方案，便于供热企业对欠费用户进行精细化的催缴回收，助力供热企业催缴费用更具差异化、精准化和智能化，提升供热费用催收效率，使得催收供热费用更加人性化，用户满意度更高。

其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明一种基于欠费风险评估和用户画像的供热收费智能推荐方法流程示意图；

图2为本发明各供暖用户欠费风险综合评估体系结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

图1是本发明所涉及的一种基于欠费风险评估和用户画像的供热收费智能推荐方法流程示意图。

图2是本发明所涉及的各供暖用户欠费风险综合评估体系结构示意图。

如图1、2所示，本实施例1提供了一种基于欠费风险评估和用户画像的供热收费智能推荐方法，所述供热收费智能推荐方法包括：

数据获取：获取供热系统管辖用户的属性数据和供热费用数据；

用户欠费风险评估：采用改进的层次分析法，以供暖用户欠费风险为目标层，以供热费用数据为准则层，以用户为方案层，依据方案层中各用户在准则层中的各个指标变化对供暖费回收影响程度来设置准则层中各指标权重系数，建立各供暖用户欠费风险综合评估模型；

欠费用户画像建立：依据不同欠费用户的历史催缴数据和用户基本数据，进行数据预处理、欠费用户静态属性标签、动态催缴行为标签提取和聚类后，建立欠费用户画像；

供热收费智能推荐：依据各供暖用户欠费风险综合评估模型进行供暖用户类型划分，获知供热用户催缴优先级，并结合欠费用户画像获知的欠费用户催缴优选规则制定供热收费智能推荐方案；所述供暖用户类型包括及时缴费用户、偶尔欠费用户、多次欠费用户和频繁欠费用户；所述催缴优选规则包括不同类型欠费用户的优选催缴时间、催缴频次和催缴方式。

在本实施例中，所述供热系统管辖用户包括入网的换热站对象、工商业用户对象、小区楼盘对象和居民用户对象；

所述供热系统管辖用户的属性数据，包括：换热站、工商业用户、小区楼盘、居民用户的入网面积、名称、地址、楼栋号、用户编码、用户类型、所属供热公司和所属换热站数据；

所述供热系统管辖用户的供热费用数据，包括：应收金额、欠费金额、欠费率、欠费时长和缴费时间。

在本实施例中，所述采用改进的层次分析法，以供暖用户欠费风险为目标层，以供热费用数据为准则层，以用户为方案层，依据方案层中各用户在准则层中的各个指标变化对供暖费回收影响程度来设置准则层中各指标权重系数，建立各供暖用户欠费风险综合评估模型，包括：

建立各供暖用户欠费风险综合评估体系，包括目标层、准则层和方案层；所述目标层为供暖用户欠费风险；所述准则层依据所述供热费用数据进行设置；所述方案层为各供热系统管辖用户；

依据直觉模糊集理论创建直觉模糊判断矩阵；

依据所述直觉模糊判断矩阵确定直觉模糊一致性判断矩阵，并进行一致性检验，若符合一致性，则根据熵权法和层次分析法计算各指标的组合权重系数；否则，按照修正算法对所述直觉模糊判断矩阵进行修正；

对各供热系统管辖用户在准则层中的各个指标进行评分，并结合各指标的组合权重系数进行综合评分，建立各供暖用户欠费风险综合评估模型。

在本实施例中，所述依据直觉模糊集理论创建直觉模糊判断矩阵，包括：

根据直觉模糊集理论将定性数据进行转化生成直觉模糊数，构建直觉模糊判断矩阵R＝(r

(μ

在本实施例中，所述依据所述直觉模糊判断矩阵确定直觉模糊一致性判断矩阵

若j＝i+1或者j＝i，则

在本实施例中，所述进行一致性检验，包括：

计算直觉模糊判断和直觉模糊一致性判断矩阵之间的距离测度

在本实施例中，所述根据熵权法和层次分析法计算各指标的组合权重系数，包括：

计算各指标的直觉模糊熵

计算各指标的权重系数

构建判断矩阵

根据判断矩阵A计算最大特征值λ

计算一致性比率

计算各指标权重

计算各指标的组合权重系数

需要说明的是，直觉模糊集的概念是对传统模糊理论的拓展，传统模糊集在确定指标权重时仅考虑不同指标的模部信息，忽视了指标重要度信息背后的灰性。直觉模糊层次分析法在确定技术接口悬挂威胁评价指标与类属等级的关联时，不仅克服了类属划分不明确的模糊性，而且考虑了信息不充裕背后的灰色性及因知识经验不足带来的犹豫度。通过引入犹豫度和一致性检验判断、组合权重系数计算，能够有效降低权重确定过程中的模糊性、随机性和差异性，提升了权重赋值的科学性。

在本实施例中，所述依据不同欠费用户的历史催缴数据和用户基本数据，进行数据预处理、欠费用户静态属性标签、动态催缴行为标签提取和聚类后，建立欠费用户画像，包括：

获取不同欠费用户的多维度数据，包括用户名称、用户类型、用户年龄、用户喜好的消息通知渠道、以及换热站用户对象所管辖区域的供热面积、供热户数、缴费方式、缴费时间、催缴频次、催缴后用户的响应数据、历史派单信息和投诉信息；

对多维度数据进行标准化处理、异常值处理、降维处理、补全空值及去掉重复值的清洗操作后，生成预处理后的欠费用户数据；

基于预处理后的欠费用户数据进行特征提取，建立欠费用户画像的标签体系，包括欠费用户静态属性标签和动态催缴行为标签；将欠费用户A

将不同欠费用户的多维度数据映射至欠费用户静态属性标签和动态催缴行为标签中，并将用户的基本特征和催缴行为特征组合在一起，形成欠费用户个体画像，包括换热机组欠费用户个体画像、工商业欠费用户个体画像、小区楼盘欠费用户个体画像和居民欠费用户个体画像；

基于欠费用户个体画像，采用改进的聚类算法对欠费用户的标签进行聚集，根据各用户间的相似度和聚类中心，形成欠费群体用户画像。

在实际的应用中，建立基于欠费用户画像，能够对供暖费用催缴和回收提供更加精准化分析与指导，帮助供热企业精准对用户制定费用催缴回收方案，提高费用催缴回收的效率和满意度。通常有的居民用户发生偶尔供暖费用欠缴时，经过短信或者其他方式告知后，会立即缴费，或者在通知欠缴后的短时间内快速缴纳欠费，而有的居民用户经常发生供暖费用欠缴的情况，而且欠费金额较多，经过多次催缴后才会结清欠费，也有用户经过催缴后仍未按照约定时间结清欠费；不同类型的客户乐于接受的催缴方式不一样，有的喜好电话直接通知，有的客户对打电话催缴方式反感，愿意接受微信方式告知，且附加告知欠费金额、缴纳时间规定和相关的费用计算明细。另外，对于各个换热站来说，也可以理解为用户对象，各个换热站所管辖的区域不同、所供小区不同、供热面积不一样、供热质量之间也会存在差异、用户的欠费率、欠费金额也都有所差异。因此，不管是对换热站、小区、工商企业还是居民住户，都可以建立欠费个体画像和欠费群体画像，欠费个体画像表明的是个体的欠费信息和催缴行为，而具有相同欠费信息和催缴行为的个体，可以聚类为欠费群体用户画像，可以对同一类的欠费群体采用相同的催缴方案。

在本实施例中，所述采用改进的聚类算法对欠费用户的标签进行聚集，包括：

获取各个欠费用户集数据，并选取预设数量的欠费用户作为样本欠费用户集A；

计算样本欠费用户集A中各欠费用户画像间的相似度，表示为：

分别为欠费用户A

将样本欠费用户集A划分为B个子集，以每个子集内欠费用户画像相似度中值作为欠费用户的自我相似度，定义为：

对每个子集内欠费用户进行AP聚类，获得各部分用户的聚类中心集E

将每个子集内欠费用户的聚类中心集组成新的欠费用户集E

初始化新的欠费用户集E

对新的欠费用户集E

基于聚类结果计算聚类质量指标，表示为：

Z

引入更新步长s

判断稳定聚类数是否满足预置数，若满足，则迭代结束，比较不同聚类数下对应的聚类质量指标，最终确定最佳聚类数；否则，重新进行AP聚类。

需要说明的是，由于供热企业欠费用户数量较大，为降低计算量，需要将用户画像相似的用户进行聚类，AP聚类具有准确度高、无须预先设定聚类数等优点，但是AP聚类结果受欠费用户数量和设定的自我相似度的影响较大，因此，采用欠费用户画像标签和改进的聚类欠费样本用户集划分方法，实现用户间的精准判别。改进的聚类一方面包括对欠费样本用户集进行局部分区聚类，减小欠费用户数量规模对聚类准确度和效率的影响，将欠费样本用户集A划分为相互不会重叠的B个子集，另外，当欠费用户数量规模超过预设值时，AP聚类的效率会迅速下降，因此，必须对各个子集的欠费用户数进行限制，基于划分结果，对各个子集中的欠费用户进行AP聚类；另一方面包括由于欠费用户的聚类数与自我相似度相关，为进一步提高聚类结果的准确度，降低设置的自我相似度对聚类结果的影响，自我相似度越大，聚类数越多，因此不断动态调整去迭代更新自我相似度。最终，通过欠费用户画像标签和改进的聚类样本欠费用户集划分方法，辨别欠费用户基本属性和催缴行为特性相似的用户。

在本实施例中，所述依据各供暖用户欠费风险综合评估模型进行供暖用户类型划分，获知供热用户催缴优先级，并结合欠费用户画像获知的欠费用户催缴优选规则制定供热收费智能推荐方案，包括：

依据各供暖用户欠费风险综合评估模型，获知供暖用户欠费风险程度，并基于供暖用户欠费风险程度将供暖用户进行划分，包括及时缴费用户、偶尔欠费用户、多次欠费用户和频繁欠费用户；其中，欠费风险程度越高，用户欠费越频繁；

依据欠费用户画像获知各欠费用户的催缴优选规则，包括优选催缴时间、催缴频次和催缴方式；所述催缴方式包括短信催缴方式、微信催缴方式、邮件催缴方式、电话催缴方式和上门催缴方式；

依据划分的供暖用户类型和催缴优选规则制定供热收费智能推荐方案：依据欠费风险程度制定欠费用户的催缴优先顺序，欠费风险程度越高，催缴顺序越优先，同时依据欠费用户画像制定对应欠费用户类型优选的催缴时间、催缴频次和催缴方式。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。