[发明专利]一种电力客户群体的用电问题挖掘方法及装置

说明书

本发明公开了一种电力客户群体的用电问题挖掘方法及装置，该方法首先针对电力客户服务工单设计了一种特定的冗余处理方法进行特征选择，以此形成训练集。在此基础上，在传统K‑Means聚类方法中引入了“孤立点”和“语义特征”的概念，把“孤立点”和“语义特征”作为关键因素加入到K‑Means聚类的计算过程中。之后通过肘部法则选择最佳聚类数，构建聚类分析模型对电力客户服务工单进行处理，以发掘潜在具有相似用电问题特征的电力客户群体。

技术领域

本发明涉及一种电力客户群体的用电问题挖掘方法及装置，属于数据处理、信息分类技术领域。

背景技术

在激烈的市场竞争中，客户服务己经成为企业在市场上面临的重要问题之一，许多公司在近年迅速发展的趋势下，己意识到客户服务的重要性：让客户满意，把满足客户需求作为一切工作展开的目标和中心。目前，企业的客服中心在客户服务和产品咨询上起着重要的作用，但是企业需要为此承担相应的成本开销；而且，传统的人工服务方式不仅在客户服务质量上存在不足，还增加了企业的运营成本。

针对传统人工服务方式服务质量层次低以及运营成本高昂等问题，虽然传统的基于统计的方法应用广泛，但这类方法存在着对前提条件要求过于严格或结果不够精确等诸多不足。近年来，为了弥补传统方法的不足，人们逐渐将注意力转移到机器学习技术上来。但是，目前将聚类分析技术应用到客户服务问题分析上的研究仍不多见。

发明内容

本发明的目的在于提供一种电力客户群体的用电问题挖掘方法及装置，利用历史服务数据，分析反馈问题客户的关键特征，通过聚类分析技术对客户进行类比，挖掘出具有类似特征的客户群体，对客户可能存在的问题早发现、早解决、早预防，避免更多的客户产生类似诉求，以实现主动服务，从而可以提供更好的客户服务体验。

为达到上述目的，本发明采用的技术方案如下：

本发明实施例一方面涉及一种电力客户群体的用电问题挖掘方法，包括：

对电力客户服务工单的记录进行属性特征选择；

对所选择的属性特征进行数值化编码；

对进行数值化编码后的属性特征进行排除孤立点处理；

采用自适应特征权重的K-Means聚类方法对孤立点处理后的属性特征进行聚类，同一聚类中数据点即为具有相同用电问题的电力客户群体；

将聚类中的属性特征与数值化编码规则对照，得到具体的用电问题。

进一步的，所述对电力客户服务工单的记录进行属性特征选择，包括：

将所有电力客户服务工单中记录的属性构成一个记录结构，并定义记录结构中的最小语义单位为语义原子；

通过语义划分记录结构得到若干个属性块；所述属性块是记录结构中语义相同的属性的集合；

针对每个属性块，初始化一个空集B′；

从属性块B中找出一个属性e添加到集合B′，属性e需满足集合{x|x∈H_e且}内元素最多，其中，H_e是属性e中包含的所有语义原子的集合，H_B′是B′中包含的所有语义原子的集合；

判断集合B′是否语义覆盖属性块B，若刚好语义覆盖，则输出集合B′，反之，则重新查找属性e；最终输出的集合B′即为所选择的代表属性块B的属性特征。

进一步的，所述对所选择的属性特征进行数值化编码，包括：

总结所述属性特征维度；所述属性特征包括供电单位、地市、区县、客户地址、工单类型、业务类型一级、业务类型二级和业务类型三级八个维度；

对各个维度的属性特性分别进行数值化编码，包括：