本發(fā)明屬于電力數(shù)據(jù)的分析處理技術(shù)領(lǐng)域，尤其涉及一種電力識別模型的構(gòu)建方法及系統(tǒng)。

背景技術(shù)：

隨著生活方式和行為習(xí)慣的變化，人們對供電服務(wù)的要求越來越傾向于便捷專業(yè)、智能互動、量身定制等方面，這對供電服務(wù)的客戶需求感知能力、及時響應(yīng)能力以及服務(wù)提供能力提出了更高的要求。為了提升供電服務(wù)的以上各方面能力，進(jìn)而降低用電客戶的投訴幾率、提高用電客戶的滿意度，識別出電力行業(yè)中潛在的具有投訴傾向的客戶、對客戶訴求提前預(yù)知變得十分必要。

目前，電力行業(yè)對于潛在投訴傾向客戶的識別多為基于業(yè)務(wù)經(jīng)驗進(jìn)行的群體識別，該識別方式通過主觀判斷來認(rèn)知客戶，對業(yè)務(wù)數(shù)據(jù)的應(yīng)用率低，過于依賴分析者的主觀情緒感受，易受分析者的個人分析傾向左右，不夠客觀；且該識別方式直觀性差、精準(zhǔn)度低、用時長，無法應(yīng)對不斷發(fā)展延伸的電力業(yè)務(wù)如95598業(yè)務(wù)帶來的人工話務(wù)強(qiáng)度增大、精準(zhǔn)服務(wù)能力低下、對客戶認(rèn)知有待提升等情況。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種電力識別模型的構(gòu)建方法及系統(tǒng)，旨在克服現(xiàn)有的潛在投訴傾向客戶識別方式存在的上述問題，使得基于構(gòu)建的模型能夠更為直觀、準(zhǔn)確、快速地識別出電力行業(yè)中的潛在投訴傾向客戶。

為此，本發(fā)明公開如下技術(shù)方案：

一種電力識別模型的構(gòu)建方法，包括：

獲得構(gòu)建電力識別模型所需基于的歷史業(yè)務(wù)數(shù)據(jù)，所述歷史業(yè)務(wù)數(shù)據(jù)包括多個電力客戶所對應(yīng)的各個電力業(yè)務(wù)指標(biāo)的指標(biāo)數(shù)據(jù)；

基于所述歷史業(yè)務(wù)數(shù)據(jù)確定各個預(yù)定的電力客戶類型所對應(yīng)的客戶特征；其中，所述電力客戶類型至少包括潛在投訴傾向客戶類型；

確定構(gòu)建所述電力識別模型所需的各個模型因子，所述模型因子基于各個電力業(yè)務(wù)指標(biāo)確定；

結(jié)合各個模型因子所對應(yīng)的電力業(yè)務(wù)指標(biāo)的歷史業(yè)務(wù)數(shù)據(jù)，分析各個模型因子對于識別結(jié)果的影響作用，并基于各個模型因子對于識別結(jié)果的影響作用，獲得各個模型因子的綜合權(quán)重，得到包括各個模型因子及模型因子權(quán)重的電力識別模型，以使得后續(xù)基于所述電力識別模型來識別電力客戶的類型；其中，所述識別結(jié)果包括識別出具有相應(yīng)客戶特征的相應(yīng)電力客戶類型。

上述方法，優(yōu)選的，模型因子對識別結(jié)果的影響包括模型因子對識別結(jié)果的重要性及所提供的信息量大??；則所述結(jié)合各個模型因子所對應(yīng)的電力業(yè)務(wù)指標(biāo)的歷史業(yè)務(wù)數(shù)據(jù)，分析各個模型因子對于識別結(jié)果的影響作用，并基于各個模型因子對于識別結(jié)果的影響作用，獲得各個模型因子的綜合權(quán)重，包括：

獲得各模型因子的熵權(quán)值，并利用配合熵權(quán)法的相關(guān)分析進(jìn)行模型因子篩選；其中，模型因子的熵權(quán)值越大，表示模型因子對于識別結(jié)果所提供的信息量越大；

利用主成分分析法，獲得篩選后所剩余的各模型因子的因子載荷，并基于所述各模型因子的因子載荷，再次進(jìn)行模型因子篩選，其中，模型因子的因子載荷的絕對值越大，模型因子對識別結(jié)果的重要性越高；

利用主成分分析法，提取二次篩選后所剩余的各模型因子所對應(yīng)的主成分因子，實現(xiàn)模型維度降低，并基于主成分因子載荷權(quán)重還原，得到各主成分因子所對應(yīng)的原始的模型因子的指標(biāo)權(quán)重；

結(jié)合各模型因子的指標(biāo)權(quán)重及熵權(quán)值，確定各模型因子的綜合權(quán)重。

上述方法，優(yōu)選的，所述獲得各模型因子的熵權(quán)值，并利用配合熵權(quán)法的相關(guān)分析進(jìn)行模型因子篩選，包括：

對各模型因子對應(yīng)的指標(biāo)進(jìn)行歸一化處理；

對歸一化處理的指標(biāo)結(jié)果進(jìn)行極端值平移及再歸一化處理；

基于極端值平移及再歸一化處理的指標(biāo)結(jié)果，計算各模型因子的熵權(quán)值；

利用配合熵權(quán)法的相關(guān)分析對模型因子的信息量及冗余與否進(jìn)行判斷，并基于判斷結(jié)果進(jìn)行模型因子篩選。

上述方法，優(yōu)選的，在所述獲得構(gòu)建所述電力識別模型所需基于的歷史業(yè)務(wù)數(shù)據(jù)之后，還包括：

對所述歷史業(yè)務(wù)數(shù)據(jù)進(jìn)行冗余信息剔除。

上述方法，優(yōu)選的，還包括：

利用所述電力識別模型識別電力客戶的類型；

其中，所述利用所述電力識別模型識別電力客戶的類型，包括：

基于所述電力識別模型中各模型因子的綜合權(quán)重，對電力客戶對應(yīng)于各模型因子的指標(biāo)實際值進(jìn)行加權(quán)合成，得到電力客戶的評分；

基于電力客戶的評分，識別電力客戶的類型；所述電力客戶的類型包括高投訴傾向類型、中投訴傾向類型、低投訴傾向類型及無投訴傾向類型。

一種電力識別模型的構(gòu)建系統(tǒng)，包括：

獲取單元，用于獲得構(gòu)建電力識別模型所需基于的歷史業(yè)務(wù)數(shù)據(jù)，所述歷史業(yè)務(wù)數(shù)據(jù)包括多個電力客戶所對應(yīng)的各個電力業(yè)務(wù)指標(biāo)的指標(biāo)數(shù)據(jù)；

第一確定單元，用于基于所述歷史業(yè)務(wù)數(shù)據(jù)確定各個預(yù)定的電力客戶類型所對應(yīng)的客戶特征；其中，所述電力客戶類型至少包括潛在投訴傾向客戶類型；

第二確定單元，用于確定構(gòu)成所述電力識別模型的各個模型因子，所述模型因子基于各個電力業(yè)務(wù)指標(biāo)確定；

模型構(gòu)建單元，用于結(jié)合各個模型因子所對應(yīng)的電力業(yè)務(wù)指標(biāo)的歷史業(yè)務(wù)數(shù)據(jù)，分析各個模型因子對于識別結(jié)果的影響作用，并基于各個模型因子對于識別結(jié)果的影響作用，獲得各個模型因子的綜合權(quán)重，得到包括各個模型因子及模型因子權(quán)重的電力識別模型，以使得能夠基于所述電力識別模型來識別電力客戶的類型；其中，所述識別結(jié)果包括識別出具有相應(yīng)客戶特征的相應(yīng)電力客戶類型。

上述系統(tǒng)，優(yōu)選的，所述模型因子對識別結(jié)果的影響包括模型因子對識別結(jié)果的重要性及所提供的信息量大??；則所述模型構(gòu)建單元，進(jìn)一步用于：

獲得各模型因子的熵權(quán)值，并利用配合熵權(quán)法的相關(guān)分析進(jìn)行模型因子篩選；其中，模型因子的熵權(quán)值越大，表示模型因子對于識別結(jié)果所提供的信息量越大；利用主成分分析法，獲得篩選后所剩余的各模型因子的因子載荷，并基于所述各模型因子的因子載荷，再次進(jìn)行模型因子篩選，其中，模型因子的因子載荷的絕對值越大，模型因子對識別結(jié)果的重要性越高；利用主成分分析法，提取二次篩選后所剩余的各模型因子所對應(yīng)的主成分因子，實現(xiàn)模型維度降低，并基于主成分因子載荷權(quán)重還原，得到各主成分因子所對應(yīng)的原始的模型因子的指標(biāo)權(quán)重；結(jié)合各模型因子的指標(biāo)權(quán)重及熵權(quán)值，確定各模型因子的綜合權(quán)重。

上述系統(tǒng)，優(yōu)選的，所述模型構(gòu)建單元，獲得各模型因子的熵權(quán)值，并利用配合熵權(quán)法的相關(guān)分析進(jìn)行模型因子篩選，進(jìn)一步包括：

對各模型因子對應(yīng)的指標(biāo)進(jìn)行歸一化處理；對歸一化處理的指標(biāo)結(jié)果進(jìn)行極端值平移及再歸一化處理；基于極端值平移及再歸一化處理的指標(biāo)結(jié)果，計算各模型因子的熵權(quán)值；利用配合熵權(quán)法的相關(guān)分析對模型因子的信息量及冗余與否進(jìn)行判斷，并基于判斷結(jié)果進(jìn)行模型因子篩選。

上述系統(tǒng)，優(yōu)選的，還包括：

冗余信息剔除單元，用于對所述歷史業(yè)務(wù)數(shù)據(jù)進(jìn)行冗余信息剔除。

上述系統(tǒng)，優(yōu)選的，還包括：

識別單元，用于利用所述電力識別模型識別電力客戶的類型；

其中，所述識別單元利用所述電力識別模型識別電力客戶的類型，進(jìn)一步包括：基于所述電力識別模型中各模型因子的綜合權(quán)重，對電力客戶對應(yīng)于各模型因子的指標(biāo)實際值進(jìn)行加權(quán)合成，得到電力客戶的評分；基于電力客戶的評分，識別電力客戶的類型；所述電力客戶的類型包括高投訴傾向類型、中投訴傾向類型、低投訴傾向類型及無投訴傾向類型。

由以上方案可知，本申請?zhí)峁┑碾娏ψR別模型的構(gòu)建方法及系統(tǒng)，在基于電力歷史業(yè)務(wù)數(shù)據(jù)確定出各個預(yù)定的電力客戶類型(至少包括潛在投訴傾向客戶類型)所對應(yīng)的客戶特征，以及確定出構(gòu)建電力識別模型所需的各個模型因子的基礎(chǔ)上，通過分析各模型因子對客戶類型識別結(jié)果的影響作用，并基于影響作用分析結(jié)果，獲得各模型因子的綜合權(quán)重，最終得到包括各個模型因子及模型因子權(quán)重的電力識別模型，后續(xù)可利用該模型識別電力客戶的類型，進(jìn)而識別出電力行業(yè)中的潛在投訴傾向客戶?？梢?，應(yīng)用本申請方案，可實現(xiàn)利用構(gòu)建的電力識別模型來更為直觀、準(zhǔn)確、快速地識別電力行業(yè)中的潛在投訴傾向客戶，從而可有效解決通過主觀判斷來認(rèn)知客戶的方式存在的各種問題。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1是本發(fā)明實施例一提供的電力識別模型的構(gòu)建方法流程圖；

圖2是本發(fā)明實施例二提供的獲得各個模型因子的綜合權(quán)重的流程圖；

圖3是本發(fā)明實施例二提供的模型因子相關(guān)矩陣示意圖；

圖4是本發(fā)明實施例三提供的電力識別模型的構(gòu)建方法流程圖；

圖5是本發(fā)明實施例四提供的電力識別模型的構(gòu)建方法流程圖；

圖6-圖8是本發(fā)明實施例五提供的電力識別模型的構(gòu)建系統(tǒng)的結(jié)構(gòu)示意圖。

具體實施方式

為了引用和清楚起見，下文中使用的技術(shù)名詞、簡寫或縮寫總結(jié)解釋如下：

熵權(quán)法(entropy)：信息是系統(tǒng)有序程度的一個度量，熵是系統(tǒng)無序程度的一個度量；如果指標(biāo)的信息熵越小，該指標(biāo)提供的信息量越大，在綜合評價中所起作用理當(dāng)越大，權(quán)重就應(yīng)該越高。

主成分分析法(principalcomponentanalysis，pca)：主成分分析也稱主分量分析，旨在利用降維的思想，把多指標(biāo)轉(zhuǎn)化為少數(shù)幾個綜合指標(biāo)(即主成分)，其中每個主成分都能夠反映原始變量的大部分信息，且所含信息互不重復(fù)。這種方法在引進(jìn)多方面變量的同時將復(fù)雜因素歸結(jié)為幾個主成分，使問題簡單化，同時得到的結(jié)果更加科學(xué)有效的數(shù)據(jù)信息。在實際問題研究中，為了全面、系統(tǒng)地分析問題，我們必須考慮眾多影響因素。這些涉及的因素一般稱為指標(biāo)，在多元統(tǒng)計分析中也稱為變量。因為每個變量都在不同程度上反映了所研究問題的某些信息，并且指標(biāo)之間彼此有一定的相關(guān)性，因而所得的統(tǒng)計數(shù)據(jù)反映的信息在一定程度上有重疊?；谥鞒煞址治龅闹笜?biāo)篩選原理：1)因子載荷的原理，通過對剩余多個指標(biāo)進(jìn)行主成分分析，得到每個指標(biāo)的因子載荷。因子載荷的絕對值小于等于1，而絕對值越是趨向于1，指標(biāo)對評價結(jié)果越重要；2)基于主成分分析的指標(biāo)篩選原理，因子載荷反映指標(biāo)對評價結(jié)果的影響程度，因子載荷絕對值越大表示指標(biāo)對評價結(jié)果越重要，越應(yīng)該保留；反之，越應(yīng)該刪除。通過對相關(guān)性分析篩選后的指標(biāo)進(jìn)行主成分分析，得到每個指標(biāo)的因子載荷，從而刪除因子載荷小的指標(biāo)，保證篩選出重要的指標(biāo)。

因子載荷：因子載荷a(ij)的統(tǒng)計意義就是第i個變量與第j個公共因子的相關(guān)系數(shù)即表示x(i)依賴f(j)的份量(比重)。統(tǒng)計學(xué)術(shù)語稱作權(quán)，心理學(xué)家將它叫做載荷，即表示第i個變量在第j個公共因子上的負(fù)荷，它反映了第i個變量在第j個公共因子上的相對重要性。

相關(guān)分析(correlationanalysis)：相關(guān)性分析是指對兩個或多個具備相關(guān)性的變量元素進(jìn)行分析，從而衡量兩個變量因素的相關(guān)密切程度。相關(guān)性的元素之間需要存在一定的聯(lián)系或者概率才可以進(jìn)行相關(guān)性分析?；谙嚓P(guān)性分析的指標(biāo)篩選原理：兩個指標(biāo)之間的相關(guān)系數(shù)，反映了兩個指標(biāo)之間的相關(guān)性。相關(guān)系數(shù)越大，兩個指標(biāo)反映的信息相關(guān)性就越高。而為了使評價指標(biāo)體系簡潔有效，就需要避免指標(biāo)反映信息重復(fù)。通過計算同一準(zhǔn)則層中各個評價指標(biāo)之間的相關(guān)系數(shù)，刪除相關(guān)系數(shù)較大的指標(biāo)，避免了評價指標(biāo)所反映的信息重復(fù)。通過相關(guān)性分析，簡化了指標(biāo)體系，保證了指標(biāo)體系的簡潔有效。

信息冗余：在信息論中，信息冗余是傳輸消息所用數(shù)據(jù)位的數(shù)目與消息中所包含的實際信息的數(shù)據(jù)位的數(shù)目的差值。數(shù)據(jù)壓縮是一種用來消除不需要的冗余的方法，校驗和是在經(jīng)過有限信道容量的噪聲信道中通信，為了進(jìn)行錯誤校正而增加冗余的方法。

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

實施例一

本發(fā)明實施例一提供一種電力識別模型的構(gòu)建方法，以使得基于構(gòu)建的模型能夠更為直觀、準(zhǔn)確、快速地識別出電力行業(yè)中的潛在投訴傾向客戶，參考圖1示出的電力識別模型的構(gòu)建方法流程圖，該方法可以包括以下步驟：

步驟101、獲得構(gòu)建電力識別模型所需基于的歷史業(yè)務(wù)數(shù)據(jù)，所述歷史業(yè)務(wù)數(shù)據(jù)包括多個電力客戶所對應(yīng)的各個電力業(yè)務(wù)指標(biāo)的指標(biāo)數(shù)據(jù)。

所述歷史業(yè)務(wù)數(shù)據(jù)包括電力行業(yè)中多個電力客戶所對應(yīng)的各個電力業(yè)務(wù)指標(biāo)的指標(biāo)數(shù)據(jù)，其中，具體可以包括多個電力客戶所對應(yīng)的歷史業(yè)務(wù)辦理及客戶呼叫等方面的指標(biāo)數(shù)據(jù)。

具體地，本實施例利用電力行業(yè)中某企業(yè)自2012年至2016年積累的1億余條95598通話明細(xì)記錄、9690余萬條工單受理數(shù)據(jù)、2億余條工單處理流轉(zhuǎn)數(shù)據(jù)，以及催辦督辦數(shù)據(jù)、投訴處理數(shù)據(jù)、通訊記錄數(shù)據(jù)、ivr(interactivevoiceresponse，互動式語音應(yīng)答)動作數(shù)據(jù)等，作為構(gòu)建電力識別模型所需的基礎(chǔ)數(shù)據(jù)，從而為電力識別模型的構(gòu)建提供了數(shù)據(jù)支持。

步驟102、基于所述歷史業(yè)務(wù)數(shù)據(jù)確定各個預(yù)定的電力客戶類型所對應(yīng)的客戶特征；其中，所述電力客戶類型至少包括潛在投訴傾向客戶類型。

本申請的目的旨在實現(xiàn)基于構(gòu)建的模型能夠更為直觀、準(zhǔn)確、快速地識別出電力行業(yè)中的潛在投訴傾向客戶，基于此，所述電力客戶類型應(yīng)至少包括潛在投訴傾向客戶類型，更具體地，所述客戶類型可以包括高投訴傾向、中投訴傾向、低投訴傾向及無投訴傾向等類型。相對應(yīng)的，所述電力客戶類型所對應(yīng)的客戶特征應(yīng)至少包括潛在投訴傾向客戶類型的客戶特征，如包括高投訴傾向、中投訴傾向、低投訴傾向及無投訴傾向等類型客戶的客戶特征等。

本實施例具體結(jié)合客戶投訴、催辦、督辦的工單特點(diǎn)、客戶呼叫行為特點(diǎn)、工單關(guān)鍵字等信息，分析容易多次撥打、重復(fù)撥打，更甚者升級為投訴或者催辦業(yè)務(wù)的客戶特征，在此基礎(chǔ)上得到各個程度的投訴傾向客戶的客戶特征。

步驟103、確定構(gòu)建所述電力識別模型所需的各個模型因子，所述模型因子基于各個電力業(yè)務(wù)指標(biāo)確定。

本實施例將海量的電力行業(yè)歷史業(yè)務(wù)數(shù)據(jù)(歷史業(yè)務(wù)辦理及客戶呼叫等方面的指標(biāo)數(shù)據(jù))進(jìn)行多維度綜合關(guān)聯(lián)，結(jié)合業(yè)務(wù)經(jīng)驗構(gòu)建豐富的模型因子，其中，可通過工單編號關(guān)聯(lián)工單受理、工單處理數(shù)據(jù)、催辦督辦數(shù)據(jù)，并獲取用戶來電號碼、業(yè)務(wù)類型、業(yè)務(wù)受理內(nèi)容等信息；通過工單id(identity，身份標(biāo)識號碼)主鍵關(guān)聯(lián)通訊記錄數(shù)據(jù)、ivr動作數(shù)據(jù)；通過通話主鍵(callid)關(guān)聯(lián)通話明細(xì)表及通信明細(xì)表，通過來電號碼關(guān)聯(lián)客戶撥打時間、撥打ivr入口、服務(wù)申請起始及終止時間等信息，最終形成多維度立體分析體系，為模型構(gòu)建提供了豐富的指標(biāo)及因子維度。

具體地，本實施例根據(jù)行業(yè)分析，構(gòu)建了包含143項模型因子的多因子分析體系，后經(jīng)過配合熵權(quán)法的相關(guān)分析法，對模型因子進(jìn)行修剪，最終得到了包含92項模型因子的因子體系。該因子體系中包含的構(gòu)建電力識別模型所需基于的92項模型因子具體參考以下的表1所示：

表1

步驟104、結(jié)合各個模型因子所對應(yīng)的電力業(yè)務(wù)指標(biāo)的歷史業(yè)務(wù)數(shù)據(jù)，分析各個模型因子對于識別結(jié)果的影響作用，并基于各個模型因子對于識別結(jié)果的影響作用，獲得各個模型因子的綜合權(quán)重，得到包括各個模型因子及模型因子權(quán)重的電力識別模型，以使得后續(xù)基于所述電力識別模型來識別電力客戶的類型；其中，所述識別結(jié)果包括識別出具有相應(yīng)客戶特征的相應(yīng)電力客戶類型。

其中，模型因子對識別結(jié)果的影響包括模型因子對識別結(jié)果的重要性及所提供的信息量大小。

本實施例結(jié)合各個模型因子所對應(yīng)的電力業(yè)務(wù)指標(biāo)的歷史業(yè)務(wù)數(shù)據(jù)，應(yīng)用熵權(quán)法配合相關(guān)分析，以及使用主成分分析，獲得各個模型因子對于客戶類型識別結(jié)果的影響作用，并基于各個模型因子對于識別結(jié)果的影響作用，獲得各個模型因子的綜合權(quán)重，最終得到包含各模型因子及各模型因子權(quán)重的電力識別模型，從而為后續(xù)進(jìn)行電力客戶類型識別，進(jìn)而識別出電力行業(yè)中的潛在投訴傾向客戶提供了模型支持。該部分內(nèi)容將在接下來的實施例中進(jìn)行詳細(xì)闡述。

由以上方案可知，本申請?zhí)峁┑碾娏ψR別模型的構(gòu)建方法，在基于電力歷史業(yè)務(wù)數(shù)據(jù)確定出各個預(yù)定的電力客戶類型(至少包括潛在投訴傾向客戶類型)所對應(yīng)的客戶特征，以及確定出構(gòu)建電力識別模型所需的各個模型因子的基礎(chǔ)上，通過分析各模型因子對客戶類型識別結(jié)果的影響作用，并基于影響作用分析結(jié)果，獲得各模型因子的綜合權(quán)重，最終得到包括各個模型因子及模型因子權(quán)重的電力識別模型，后續(xù)可利用該模型識別電力客戶的類型，進(jìn)而識別出電力行業(yè)中的潛在投訴傾向客戶。可見，應(yīng)用本申請方案，可實現(xiàn)利用構(gòu)建的電力識別模型來更為直觀、準(zhǔn)確、快速地識別電力行業(yè)中的潛在投訴傾向客戶，從而可有效解決通過主觀判斷來認(rèn)知客戶的方式存在的各種問題。

實施例二

本實施例中，參考圖2，所述步驟104中結(jié)合各個模型因子所對應(yīng)的電力業(yè)務(wù)指標(biāo)的歷史業(yè)務(wù)數(shù)據(jù)，分析各個模型因子對于識別結(jié)果的影響作用，并基于各個模型因子對于識別結(jié)果的影響作用，獲得各個模型因子的綜合權(quán)重，可以通過以下的處理過程實現(xiàn)：

步驟201、獲得各模型因子的熵權(quán)值，并利用配合熵權(quán)法的相關(guān)分析進(jìn)行模型因子篩選；其中，模型因子的熵權(quán)值越大，表示模型因子對于識別結(jié)果所提供的信息量越大。

其中，本步驟201首先對各模型因子對應(yīng)的指標(biāo)進(jìn)行歸一化處理，并具體將各模型因子對應(yīng)的指標(biāo)歸一化處理為正向指標(biāo)或負(fù)向指標(biāo)。

所述正向指標(biāo)表示指標(biāo)值越大對于評價越好，歸一化計算公式如下：

相對應(yīng)地，負(fù)向指標(biāo)表示指標(biāo)值越小對于評價越好，歸一化計算公式如下：

以上式(1)、式(2)中，aij為因子矩陣中i行j列因子值，min(aij)為因子最小值，max(aij)為因子最大值，rij為因子矩陣中i行j列因子歸一化后的因子值。

之后，對歸一化處理的指標(biāo)結(jié)果進(jìn)行極端值平移及再歸一化處理。

其中，具體采用以下式(3)的平移公式實現(xiàn)極端值平移：

rij'＝c+rij*d(3)

該式中，c、d為平移的參數(shù)，且其中，為因子均值，rij'為極端值平移后的因子值。

采用以下的式(4)進(jìn)行數(shù)據(jù)再歸一化：

其中，rij”表示再歸一化后的因子值。

在上述數(shù)據(jù)再歸一化處理的基礎(chǔ)上，本步驟繼續(xù)進(jìn)行模型因子的熵值計算以及熵值計算基礎(chǔ)上的熵權(quán)值計算。

具體而言，采用以下式(5)計算模型因子的熵值：

hi＝-k∑rij”inrij”(5)

其中,k為常數(shù)，k＝1/ln(m)，m為樣本量，保證hi取值在0-1之間。

并進(jìn)一步依據(jù)計算出的熵值hi，采用以下式(6)的權(quán)重計算公式，計算模型因子的熵權(quán)值：

在以上處理的基礎(chǔ)上，本步驟利用配合熵權(quán)法的相關(guān)分析進(jìn)行模型因子篩選。

其中，通過對因子體系中的模型因子進(jìn)行相關(guān)分析，獲得143*143的因子相關(guān)分析矩陣(因子矩陣)，基于變量與變量間的相關(guān)顯著程度、相關(guān)系數(shù)大小，參照大小，對變量的信息量及冗余與否進(jìn)行判斷，從而對多維度因子體系進(jìn)行修剪，在保留主要信息量的前提下(量化為涵蓋97.5％的信息量標(biāo)準(zhǔn))修剪盡可能多的因子，因子相關(guān)矩陣具體可參考圖3所示。

步驟202、利用主成分分析法，獲得篩選后所剩余的各模型因子的因子載荷，并基于所述各模型因子的因子載荷，再次進(jìn)行模型因子篩選，其中，模型因子的因子載荷的絕對值越大，模型因子對識別結(jié)果的重要性越高。

本步驟通過對剩余的各個模型因子進(jìn)行主成分分析，得到每個模型因子的因子載荷。因子載荷的絕對值小于等于1，而絕對值越是趨向于1，即因子載荷的絕對值越大，模型因子對識別結(jié)果越重要。

由于因子載荷反映模型因子對識別結(jié)果的影響程度，因子載荷絕對值越大表示模型因子對識別結(jié)果越重要，越應(yīng)該保留；反之，越應(yīng)該刪除。基于此，本步驟通過對相關(guān)性分析篩選后剩余的模型因子進(jìn)行主成分分析，得到每個模型的因子載荷，進(jìn)而刪除因子載荷小的模型因子，實現(xiàn)模型因子的二次篩選，保證通過篩選得到重要的因子。

步驟203、利用主成分分析法，提取二次篩選后所剩余的各模型因子所對應(yīng)的主成分因子，實現(xiàn)模型維度降低，并基于主成分因子載荷權(quán)重還原，得到各主成分因子所對應(yīng)的原始模型因子的指標(biāo)權(quán)重。

在以上步驟的基礎(chǔ)上，本步驟使用主成分分析法，先基于協(xié)方差矩陣構(gòu)建線性無關(guān)特征向量，提取模型因子的主成分因子，實現(xiàn)模型維度降低，模型精度提升，通過主成分分析降維使得模型最終實現(xiàn)構(gòu)建4個主成分提取全部因子97.5％以上信息。

之后，本步驟繼續(xù)通過主成分因子載荷權(quán)重還原，得到各主成分因子所對應(yīng)的原始模型因子的指標(biāo)權(quán)重。其中，具體基于獲得的主成分的權(quán)重，使用r工具，通過特征向量和特征值進(jìn)行矩陣運(yùn)算，還原各主成分因子所對應(yīng)的原始模型因子的指標(biāo)權(quán)重。

步驟204、結(jié)合各模型因子的指標(biāo)權(quán)重及熵權(quán)值，確定各模型因子的綜合權(quán)重。

最終，結(jié)合各模型因子的熵權(quán)值及指標(biāo)權(quán)重，合成模型因子的綜合權(quán)重，從而得到包含有多個模型因子及各模型因子所對應(yīng)的綜合權(quán)重的電力識別模型。該電力識別模型的構(gòu)建基于豐富的指標(biāo)及因子維度體系，且通過考慮各模型因子對于電力客戶類型識別結(jié)果的重要性及信息量大小，來確定各模型因子的綜合權(quán)重，從而利用該模型能夠有效識別電力行業(yè)中電力客戶的類型，能夠識別出電力行業(yè)中的潛在投訴傾向客戶，且模型的識別精度較高。

實施例三

本實施例三中，參考圖4示出的電力識別模型的構(gòu)建方法流程圖，所述電力識別模型的構(gòu)建方法還可以包括以下步驟：

步驟105、利用所述電力識別模型識別電力客戶的類型。

其中，在存在識別出電力行業(yè)中的潛在投訴傾向客戶的需求時，可利用本申請構(gòu)建的電力識別模型對電力行業(yè)客戶的客戶類型進(jìn)行識別，進(jìn)而基于客戶類型識別出電力行業(yè)中的潛在投訴傾向客戶。

具體而言，在利用上述電力識別模型識別電力客戶的類型時，可使用該模型中各模型因子的綜合權(quán)重，對電力客戶對應(yīng)于各模型因子的指標(biāo)實際值進(jìn)行加權(quán)合成(加權(quán)求和)，并將加權(quán)合成所得的加權(quán)和值作為對電力客戶的評分，在此基礎(chǔ)上，可依據(jù)電力客戶對應(yīng)的評分分值，識別電力客戶的類型。示例性地，在對電力客戶進(jìn)行評分的基礎(chǔ)上，可對各電力客戶按評分分值降序排列，并可根據(jù)業(yè)務(wù)規(guī)則確定得分大于零的目標(biāo)客戶中，得分排序在前14％的客戶為高投訴傾向客戶，得分排序在前14％-42％的客戶為中投訴傾向客戶，得分42％-70％標(biāo)記低投訴傾向客戶，其他客戶為無投訴傾向客戶，從而實現(xiàn)了對電力行業(yè)中的潛在投訴傾向客戶進(jìn)行識別。

在識別客戶類型的同時，還可為各類型客戶標(biāo)記相應(yīng)標(biāo)簽，例如分別對高投訴傾向客戶、中投訴傾向客戶、低投訴傾向客戶及無投訴傾向客戶，相應(yīng)地標(biāo)記高傾向、中傾向、低傾向及無傾向的四種不同程度潛在投訴傾向標(biāo)簽等，以幫助客服人員快速、精準(zhǔn)地識別具有潛在投訴傾向的客戶，并將相關(guān)名單提交給省(市)公司，幫助省(市)公司對不同投訴傾向客戶制定不同的服務(wù)策略，從而實現(xiàn)優(yōu)化潛在投訴傾向客戶供電服務(wù)，進(jìn)而提升客戶服務(wù)滿意度，降低客戶投訴率的目的。

實施例四

本實施例三中，參考圖5示出的電力識別模型的構(gòu)建方法流程圖，所述方法還可以包括以下步驟：

步驟101’、對所述歷史業(yè)務(wù)數(shù)據(jù)進(jìn)行冗余信息剔除。

在獲得構(gòu)建所述電力識別模型所需基于的歷史業(yè)務(wù)數(shù)據(jù)后，可對所獲得的歷史業(yè)務(wù)數(shù)據(jù)進(jìn)行冗余信息剔除處理，以精減掉其中的冗余信息。

具體地，可首先根據(jù)關(guān)鍵字、數(shù)據(jù)缺失情況、數(shù)據(jù)異常情況等對數(shù)據(jù)進(jìn)行初步冗余剔除，之后再通過相關(guān)分析，對指標(biāo)與投訴現(xiàn)象產(chǎn)生的相關(guān)顯著性、相關(guān)系數(shù)情況進(jìn)行進(jìn)一步探索，完成冗余信息的二次剔除。

其中，關(guān)鍵字篩選主要基于源自于日常業(yè)務(wù)辦理及工單信息中歸納總結(jié)的具有強(qiáng)電力行業(yè)背景的關(guān)鍵詞詞庫，通過基于關(guān)鍵字的冗余處理可有效實現(xiàn)非目標(biāo)信息的剔除。

本實施例通過對獲得的歷史業(yè)務(wù)數(shù)據(jù)進(jìn)冗余信息剔除處理，可有效精減歷史業(yè)務(wù)數(shù)據(jù)的數(shù)據(jù)量并提升構(gòu)建模型所基于的業(yè)務(wù)數(shù)據(jù)的可用性。

實施例五

本實施例五提供一種電力識別模型的構(gòu)建系統(tǒng)，參考圖6示出的電力識別模型的構(gòu)建系統(tǒng)的結(jié)構(gòu)示意圖，該系統(tǒng)可以包括：

獲取單元601，用于獲得構(gòu)建所述電力識別模型所需的歷史業(yè)務(wù)數(shù)據(jù)，所述歷史業(yè)務(wù)數(shù)據(jù)包括多個電力客戶所對應(yīng)的各個電力業(yè)務(wù)指標(biāo)的指標(biāo)數(shù)據(jù)；第一確定單元602，用于基于所述歷史業(yè)務(wù)數(shù)據(jù)確定各個預(yù)定的電力客戶類型所對應(yīng)的客戶特征；其中，所述電力客戶類型至少包括潛在投訴傾向客戶類型；第二確定單元603，用于確定構(gòu)成所述電力識別模型的各個模型因子，所述模型因子基于各個電力業(yè)務(wù)指標(biāo)確定；模型構(gòu)建單元604，用于結(jié)合各個模型因子所對應(yīng)的電力業(yè)務(wù)指標(biāo)的歷史業(yè)務(wù)數(shù)據(jù)，分析各個模型因子對于識別結(jié)果的影響作用，并基于各個模型因子對于識別結(jié)果的影響作用，獲得各個模型因子的綜合權(quán)重，得到包括各個模型因子及模型因子權(quán)重的電力識別模型，以使得能夠基于所述電力識別模型來識別電力客戶的類型；其中，所述識別結(jié)果包括識別出具有相應(yīng)客戶特征的相應(yīng)電力客戶類型。

在本發(fā)明實施例的一實施方式中，所述所述模型構(gòu)建單元，進(jìn)一步用于：

獲得各模型因子的熵權(quán)值，并利用配合熵權(quán)法的相關(guān)分析進(jìn)行模型因子篩選；其中，模型因子的熵權(quán)值越大，表示模型因子對于識別結(jié)果所提供的信息量越大；利用主成分分析法，獲得篩選后所剩余的各模型因子的因子載荷，并基于所述各模型因子的因子載荷，再次進(jìn)行模型因子篩選，其中，模型因子的因子載荷的絕對值越大，模型因子對識別結(jié)果的重要性越高；利用主成分分析法，提取二次篩選后所剩余的各模型因子所對應(yīng)的主成分因子，實現(xiàn)模型維度降低，并基于主成分因子載荷權(quán)重還原，得到各主成分因子所對應(yīng)的原始模型因子的指標(biāo)權(quán)重；結(jié)合各模型因子的指標(biāo)權(quán)重及熵權(quán)值，確定各模型因子的綜合權(quán)重。

在本發(fā)明實施例的一實施方式中，所述模型構(gòu)建單元，獲得各模型因子的熵權(quán)值，并利用配合熵權(quán)法的相關(guān)分析進(jìn)行模型因子篩選，進(jìn)一步包括：

對各模型因子對應(yīng)的指標(biāo)進(jìn)行歸一化處理；對歸一化處理的指標(biāo)結(jié)果進(jìn)行極端值平移及再歸一化處理；基于極端值平移及再歸一化處理的指標(biāo)結(jié)果，計算各模型因子的熵權(quán)值；利用配合熵權(quán)法的相關(guān)分析對模型因子的信息量及冗余與否進(jìn)行判斷，并基于判斷結(jié)果進(jìn)行模型因子篩選。

在本發(fā)明實施例的一實施方式中，如圖7所示，所述系統(tǒng)還包括：

冗余信息剔除單元601’，用于對所述歷史業(yè)務(wù)數(shù)據(jù)進(jìn)行冗余信息剔除。

在本發(fā)明實施例的一實施方式中，如圖8所示，所述系統(tǒng)還包括：

識別單元605，用于利用所述電力識別模型識別電力客戶的類型；

其中，所述識別單元利用所述電力識別模型識別電力客戶的類型，進(jìn)一步包括：基于所述電力識別模型中各模型因子的綜合權(quán)重，對電力客戶對應(yīng)于各模型因子的指標(biāo)實際值進(jìn)行加權(quán)合成，得到電力客戶的評分；基于電力客戶的評分，識別電力客戶的類型；所述電力客戶的類型包括高投訴傾向類型、中投訴傾向類型及低投訴傾向類型。

此處，需要說明的是，本實施例涉及的電力識別模型的構(gòu)建系統(tǒng)的描述，與上文方法的描述是類似的，且同方法的有益效果描述，對于本發(fā)明的電力識別模型的構(gòu)建系統(tǒng)在本實施例中未披露的技術(shù)細(xì)節(jié)，請參照本發(fā)明方法實施例的說明，本實施對此不再作贅述。

綜上所述，本發(fā)明方案具有以下優(yōu)勢：

本發(fā)明將相關(guān)分析、熵權(quán)法、主成分分析相結(jié)合，逐步實現(xiàn)冗余指標(biāo)的剔除和高信息量指標(biāo)的提取，集合了三種算法的優(yōu)勢，更實現(xiàn)了建模因子權(quán)重的還原，構(gòu)建的評分具有業(yè)務(wù)判別依據(jù)，便于追溯潛在投訴傾向客戶特征，模型分析精度更高，分析更加準(zhǔn)確。根據(jù)評分為客戶標(biāo)記無傾向、高傾向、中傾向、低傾向四種不同程度潛在投訴傾向標(biāo)簽，可幫助客服人員快速、精準(zhǔn)識別具有有潛在投訴傾向的客戶，并將相關(guān)名單提交給省(市)公司，幫助省(市)公司對不同投訴傾向客戶制定不同服務(wù)策略，從而可實現(xiàn)優(yōu)化潛在投訴傾向客戶供電服務(wù)，進(jìn)而提升客戶服務(wù)滿意度，降低客戶投訴率。

還需要說明的是，本說明書中的各個實施例均采用遞進(jìn)的方式描述，每個實施例重點(diǎn)說明的都是與其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。

為了描述的方便，描述以上系統(tǒng)或裝置時以功能分為各種模塊或單元分別描述。當(dāng)然，在實施本申請時可以把各單元的功能在同一個或多個軟件和/或硬件中實現(xiàn)。

通過以上的實施方式的描述可知，本領(lǐng)域的技術(shù)人員可以清楚地了解到本申請可借助軟件加必需的通用硬件平臺的方式來實現(xiàn)。基于這樣的理解，本申請的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機(jī)軟件產(chǎn)品可以存儲在存儲介質(zhì)中，如rom/ram、磁碟、光盤等，包括若干指令用以使得一臺計算機(jī)設(shè)備(可以是個人計算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本申請各個實施例或者實施例的某些部分所述的方法。

最后，還需要說明的是，在本文中，諸如第一、第二、第三和第四等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。