一种基于风险等级的电费回收风险防控方法

摘要

本发明公开了一种基于风险等级的电费回收风险防控方法，包括:根据预设规则确定用户的风险等级，其中，风险等级包括高风险等级、中风险等级以及低风险等级；对低风险等级的用户进行电量监测。基于客户用电直接行为与关联行为等数据构建电费风险评估模型及应用功能，利用业务人员调研、基层访谈、规则归纳等方法，开展客户信用分析、用电趋势分析、行业前景信息评价、突发事件评估等工作，同时采用数据挖掘算法，计算输出事实风险客户与潜在风险客户。

说明书

技术领域

本发明涉及供电系统领域，具体涉及一种基于风险等级的电费回收风险防控方法。

背景技术

电费回收业务是供电企业营销的重点业务。先用电后付费的业务模式，为电费回收造成的诸多潜在风险，直接影响到企业的经济效益。随着市场经济发展，客户用电需求日益增大，电费回收风险防控工作面临更大挑战。

电力企业采取的加强电费回收措施如：加大宣传力度提高用电缴费意识；完善和推广缴费方式，缴费渠道；成立专门的电费催缴班组；建立科学的内部收费管理机制，分配人员对重点企业重点关注等手段。这些方法在很大程度上改善了企业电费回收情况，但以上工作主要从管理层面上入手，效果好坏依赖于企业自身管理力度，电力从业人员的工作经验等因素。

客户的电费回收风险识别主要依赖业务人员的经验判断，这既无法避免主观因素的影响，又缺乏以数据为基础的客观性、标准化的评价分析工具和手段；电费催费班组人员有限，面对大量的待催费客户没有科学统一的客户区分安排和工作计划，仍然以个人经验为主导，影响工作效率。这一模式严重影响了电费回收工作的进一步提升和优化。

发明内容

本发明的目的在于提供一种敏捷小卫星星敏感器受地气光干扰的规避方法，能够实现对多种目标指向任务下星敏感器稳定的姿态测量，用于姿态控制。

为了达到上述目的，本发明采用的技术方案如下：

一种基于风险等级的电费回收风险防控方法，包括:

S1、根据预设规则确定用户的风险等级，其中，风险等级包括高风险等级、中风险等级以及低风险等级；

S2、对低风险等级的用户进行电量监测。

进一步地，所述预设规则具体为：通过电费模型确定用户的风险等级，其中，电费模型预测值在0.6以上为高风险等级，电费模型预测值在0.4～0.6 范围内为中风险等级，电费模型预测值在0.25～0.4范围内为低风险等级。

进一步地，所述电量监测具体包括：

S201、判断用户的用电类型是否为连续突增型，若是，进行步骤S202，其中，所述用电类型包括电量突增型、电量连续突增型、电量突减型、电量连续突减型；

S202、向该连续突增型的用户推荐增值业务。

进一步地，所述电量监控具体还包括：

S203、判断用户的用电类型是否为突增型，若是，进行步骤S204；

S204、向该突增型的用户推荐增值业务。

进一步地，所述电量突增型具体为本月电量比上月电量增50％且单月用电量需大于50度，所述电量连续突增型为近三个月电量环比增幅大于等于 30％且单月用电量需大于50度，所述电量突减型为本月电量比上月电量减少 50％且单月用电量需大于50度，所述电量连续突减型为近三个月电量环比降幅大于等于30％。

进一步地，所述步骤S1之前还包括：根据划分规则对所有客户进行划分，划分至白名单的用户优先进行步骤S1、步骤S2。

进一步地，还包括：

S3、根据缴费特征对高风险等级的用户进行催费处理。

进一步地，所述步骤S3具体包括：

S301、确定高风险等级的用户的缴费偏好，并确定各缴费偏好的使用频率；

S302、根据缴费频率所对应的缴费渠道对该用户进行催费。

进一步地，所述步骤S3具体还包括：

S303、根据另一缴费频率所对应的缴费渠道对该用户进行催费，其中，该缴费频率低于上一缴费频率；

S304、重复步骤S303至进行了所有渠道的催费步骤。

进一步地，所述风险等级还包括已欠费停电，其中，系统会记录该已欠费停电的用户的信息，工作人员根据该信息作出相应的指示。

与现有技术相比，本发明至少具有以下优点之一：

利用大数据挖掘分析建模，基于客户用电直接行为与关联行为等数据构建电费风险评估模型及应用功能，利用业务人员调研、基层访谈、规则归纳等方法，开展客户信用分析、用电趋势分析、行业前景信息评价、突发事件评估等工作，同时采用数据挖掘算法，计算输出事实风险客户与潜在风险客户，并分别给予“高风险”、“中风险”、“低风险”三级电费风险识别标签。

附图说明

图1为本发明一实施例中基于风险等级的电费回收风险防控方法的框图；

图2为本发明一实施例中电量监测方法的框图；

图3是本发明一实施例中对客户划分及划分后的处理方法的框图。

具体实施方式

以下结合附图1～3和具体实施方式对本发明作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者现场设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者现场设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者现场设备中还存在另外的相同要素。

请参阅图1～3所示，本实施例提供的一种基于风险等级的电费回收风险防控方法，包括:

S1、根据预设规则确定用户的风险等级，其中，风险等级包括高风险等级、中风险等级以及低风险等级；

S2、对低风险等级的用户进行电量监测。

本实施例中，所述预设规则具体为：通过电费模型确定用户的风险等级，其中，电费模型预测值在0.6以上为高风险等级，电费模型预测值在0.4～0.6 范围内为中风险等级，电费模型预测值在0.25～0.4范围内为低风险等级。

本实施例中，所述电量监测具体包括：

S201、判断用户的用电类型是否为连续突增型，若是，进行步骤S202，其中，所述用电类型包括电量突增型、电量连续突增型、电量突减型、电量连续突减型；

S202、向该连续突增型的用户推荐增值业务。

本实施例中，所述电量监控具体还包括：

S203、判断用户的用电类型是否为突增型，若是，进行步骤S204；

S204、向该突增型的用户推荐增值业务。

本实施例中，所述电量突增型具体为本月电量比上月电量增50％且单月用电量需大于50度，所述电量连续突增型为近三个月电量环比增幅大于等于 30％且单月用电量需大于50度，所述电量突减型为本月电量比上月电量减少 50％且单月用电量需大于50度，所述电量连续突减型为近三个月电量环比降幅大于等于30％。

本实施例中，所述步骤S1之前还包括：根据划分规则对所有客户进行划分，划分至白名单的用户优先进行步骤S1、步骤S2。

本实施例中，还包括：

S3、根据缴费特征对高风险等级的用户进行催费处理。

本实施例中，所述步骤S3具体包括：

S301、确定高风险等级的用户的缴费偏好，并确定各缴费偏好的使用频率；

S302、根据缴费频率所对应的缴费渠道对该用户进行催费。

本实施例中，所述步骤S3具体还包括：

S303、根据另一缴费频率所对应的缴费渠道对该用户进行催费，其中，该缴费频率低于上一缴费频率；

S304、重复步骤S303至进行了所有渠道的催费步骤。

本实施例中，所述风险等级还包括已欠费停电，其中，系统会记录该已欠费停电的用户的信息，工作人员根据该信息作出相应的指示。

电费风险防控体系的建设，需要经过数据挖掘分析、策略设计、业务系统功能开发、业务流程优化等过程。1)利用大数据挖掘分析建模。基于客户用电直接行为与关联行为等数据构建电费风险评估模型及应用功能，利用业务人员调研、基层访谈、规则归纳等方法，开展客户信用分析、用电趋势分析、行业前景信息评价、突发事件评估等工作，同时采用数据挖掘算法，计算输出事实风险客户与潜在风险客户，并分别给予“高风险”、“中风险”、“低风险”三级电费风险识别标签；2)开发实用化功能应用模块。以营销业务应用系统为载体，结合主题标签和业务策略，开发实用化功能应用模块，通过岗位推送等方式实现标签、策略与业务的无缝融合，支撑开展电费风险防控闭环管理及差异化欠缴催收措施。

电费回收风险防控模型主要是根据用户历史的缴费行为特征及其他信息评估未来发生电费回收风险的倾向。通过业务调研、基层访谈、规则归纳等途径，深入理解电费回收的营销机制与业务情况，最终确立考察用户电费回收风险的特征维度主要有五个方面：

用户属性：包括用户的行业、区域、用电类型、电压等级、容量等属性；

交费行为：包括用户的缴费渠道及变化、回款时长及变化、现金比例等指标；

逾期行为：包括用户的逾期频率、逾期时长、违约金及调整等指标；

用电行为：包括用电量及变化、同比、环比等指标；

交互行为：包括电费相关的业务变更如改类、过户等。

在经过数据准备、数据检验和数据处理等过程后，建设电费回收风险防控模型。通过IV值进行指标筛选，减少指标冗余，提高模型训练的精确度。

选择逻辑回归进行建模预测，同时通过随机森林、SVM、决策树、boosting 等算法进行交叉对比，以确保模型选取最优。结果显示，逻辑回归相对其他算法而言，简单高效，并行处理速度较快，且输出结果易于解释。模型预测效果的评估以样本中风险样本预测结果的精确率和覆盖率为主要参考。

预测模型以近期历史数据为入参，输出用户电费逾期风险预测的风险程度和风险等级。同时结合模型建设过程中生成的基础标签和间衍生标签如客户类型、渠道偏好、逾期行为、电费金额水平等，形成不同用户群，为差异化催费策略实施提供数据支撑。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。