终于迎来了一年最热的一段时间，每次暴露在阳光下都能感觉自己会在一分钟内冒烟，五分钟之后就觉得整个人黏糊糊的了，感觉自己已经化了。
三伏天真不是盖的
晚上睡着睡着就被热醒了
这才是三伏天入伏的第三天啊
可三伏天高达40天
心里该有多苦
看到这张入伏的气温预报图，觉得大部分人都应该跟知途君一样感受到被高温支配的恐惧。但是夏天不可能只有高温而已。
气温逐步上升，越来越热，大家的心情都浮躁了起来，虽然大大多数人已经过了守着电视机的年龄，但是能在这天的周末吹着空调、吃着冰西瓜追剧，那也是一种无上的享受。
我叫钱包，三伏天过后估计会瘦一圈，然而我主人并不高兴！电费那定是海了去！
电费回收是供电企业保障经验成功的生命线，面对企业经营风险增大的严峻形式，目前欠费风险管控手段基本依靠企业历史欠费情况进行风险判断，缺乏对用户用电量趋势及缴费历史的深入挖掘，缺乏外部数据对企业经营风险进行评估，从而导致对企业欠费风险判断准确性与及时性的不足，尤其是商业用电企业破产给供电企业带来较大经济损失。
如何科学利用大数据分析、量化风险指标，有效进行电费回收风险预警，进而防控电费回收风险，最大限度保护电力企业经营管理，实现精准优质服务。
本篇案例为知途教育推出的“大数据项目实训课程案例，“电力大数据—某地区电力公司欠费预测”。
《电力大数据——某地区电力公司欠费预测》
围绕用户电力增长维度、近期电量同比增长维度、电量大数据预测与实际对比维度、及时缴费维度与历史欠费维度，结合外部数据维度构建电费回收风险方面的评价指标，构建企业欠费回收风险模型，对用户欠费风险进行量化预测，为供电局电费回收提供技术支撑。
案例描述
根据某地区电力公司工业用户的用电行为数据和缴费数据，通过机器学习等算法，完成对用电用户进行电费欠费概率预测的数据分析。
给出一个预测用户欠费概率的算法模型，通过该模型能预测每一个用户未来三个月可能欠款的概率。使得电力公司能提前对存在较高欠费风险的用户进行提前干预，改变电力管理的被动局面，达到减少电力用户欠费风险的目的。
案例应用目标
获取分析数据，熟悉数据的格式、数据量，理解数据的含义
对数据进行整合、清洗等预处理工作，使之符合建模分析所需要的格式和要求
逻辑回归模型实现模型训练、预测
支持向量机SVM算法实现模型训练、预测
根据测试数据评估模型性能，判断模型是否能较好推广到未知数据
数据源描述
2008年到2011年间某地区电力公司用户472918条用电历史数据、343644条缴费历史数据、原始数据量30.1MB、经过数据处理后数据量9.14MB。
案例实施过程
数据采集与理解
数据预处理
建模用户选取：选择怎样用户作为建模用户（有2年以上完整历史数据的用户）
用户标签化：并对每一个用户的每一个阶段是否有欠费行为打标签
分析模型建立
建立模型：使用SVM、logistic回归等算法进行建模
模型性能评估
模型验证：进行模型验证，确定最后模型，用来对未来欠费行为进行预测
电力客户的欠费原因十分复杂，涉及用户经济情况、信用情况、社会经济环境等诸多方面原因。根据供电企业掌握等电力客户缴费和用电行为数据，建立电力客户欠费风险评价体系，准确预测电力客户欠费风险，并针对高欠费风险客户开展电费催缴、欠费停电等措施进行预防，大大提高供电企业风控能力。
>>>知 途 · 阿 里 云 大 学 合 作 计 划<<<
知途教育多年来一直聚焦云计算、大数据、信息安全、人工智能等高科技产业领域，通过项目案例实训务实知识积累，竭力服务于职场新人和在校大学生，开展大数据分析师、大数据开发工程师等岗前培训，为更多的高校建设大数据专业提供支持服务。
延展阅读：
在一个野心勃勃的时代，从你的气质里，它已然把你看透，还给你打上标签定义了你的灵魂，听着就好美
更多请关注本公众号：aliyundaxue
共有条评论 网友评论