客户使用智能电表数据识别经济脆弱

目睹了Das和大卫拿撒勒

我很伤心当一个朋友在Felix项目(慈善战斗食品贫困)最近告诉我,一些食物银行用户拒绝接受土豆因为不能煮所需要的能量。面对前所未有的批发市场价格上涨,迫使监管机构提高能源价格上限2022年4月,它从未像现在这样重要的供应商识别和扩展帮助经济困难的客户。

在法国电力公司,我们一直致力于帮助脆弱的客户访问他们需要的支持。我们一直的一部分能量英国脆弱的承诺在2021年1月成立以来,努力维护(1)提升客户的关键原则可访问性适当的支持和持续供应在脆弱的情况下,(2)在工作协作与消费者团体、客户、其他供应商和第三方为脆弱的客户和改善结果(3)创新,不断提高服务水平提供给脆弱的家庭。

今年,债务团队在客户操作和数据科学团队在法国电力公司正努力秉持创新的原则通过开发一个数据驱动的工具来检测我们聪明的现收现付的客户之间的金融脆弱性的迹象。作为产品团队成员开发这个工具,在这篇文章中,我们想分享一下产品开发过程以及如何与利益相关方合作,解决相关的商业挑战。

我们的团队和工作方式

我们的敏捷产品团队主要由数据科学家使用产品导致的研究问题,探索可用的数据,并创建一个概念证明(POC)的产品。团队主要是远程,因为我们的工作需要大量的协作和头脑风暴,我们利用松弛,谷歌,和每天米罗。

虽然每个成员的团队自主工作的任务,总透明度是保存使用看板来跟踪团队的工作负载。研究问题和塑造POC的产品时,我们发现它非常有用,让利益相关者参与这个过程。最重要的是,我们从事常规订单改进会议,帮助我们调整优先级我们接收新数据,从利益相关者需求或反馈。

步骤1:理解问题和组织可用的数据

之前我们可以开始创建一个解决方案来帮助识别财务危机的迹象在我们的现收现付的客户组合,我们首先必须更好地理解他们所面临的挑战和目前的支持来帮助他们。整个产品团队与利益相关者参与这些协作练习从业务,特别关注理解局和self-disconnection行为的样子。我们也了解其他方面的现收现付制功能,如self-disconnection警报、low-balance警报、自动充值支付,紧急信贷和non-disconnection时期,所有这一切都帮助我们更好地理解的挑战对我们的分析和可用的数据点。

这些合作研究会议的结果如下:

• 有迫切的需要使用数据驱动的方法来确定如果客户通过他们的行为金融脆弱性的迹象
• 存在一些有用的客户数据来源为我们的产品和各种建模方法是很有用的。因此,重要的是我们优先考虑的方法,我们希望尽快交付价值

基于信息从这些协作会话和一些示例数据,我们收到了从业务,我们开始创建一个表的数据元素可能是有用的在产品开发。表还包含信息将是多么容易得到高质量的数据和摄取它到我们的大数据环境。
接下来,整个产品团队合作在米罗为假设的模型生成一个有用的特性列表,然后组织成一个功能复杂映射模型。地图分组功能基于两个标准:复杂性和成就感(时间基于数据可用性)。

的上述数据和功能分类练习,我们很快意识到,客户智能电表和事务数据方便的形式将适合探索性分析,生成和造型和有用的特性。

下一步在这个过程中是一个彻底的探索客户智能电表和事务数据详细了解数据质量、分布,总结统计数据和行为数据点之间的关系。

步骤2:探索性分析和与利益相关者沟通的结果

探索性分析一直是一个有趣的一步在每个数据科学项目以来,套用统计学家约翰•图基一个人无聊的平面数据,通过可视化的力量。在这个阶段的过程中,我们花了大部分时间理解不同的数据点在客户智能电表和事务数据和分类成两大类:(1)独特的标识符,可以用于创建数据集之间的连接和(2)数据,其中包含关于消费者行为的信息。

过程的下一步是检查汇总统计,情节分布,识别异常值和转嫁/删除丢失的数据。使用情节的Python图形库,我们创建交互式客户行为之旅从智能电表主要使用时间序列数据和事务。我们这样做是因为我们提出主题专家可以辨别的迹象金融脆弱性通过客户的行为过程。

创建交互式客户旅程后样品的客户,我们组织我们的结果到仪表板米罗和提出我们的利益相关者。当我们收到积极的反馈的信息价值这些仪表板,它是决定更自动化的方法需要系统地识别一群经济脆弱的客户行为数据。

步骤3:头脑风暴和造型区分优先级的方法

后一个会话识别潜在的数据驱动的解决方案,并考虑他们的可行性,这是确定最好的方法是进行聚类分析基于一组精选的行为特性。

聚类分析的任务分割对象,这样的对象在一段相似比其他群体。这是一种无监督的机器学习,批判意义,它不需要标签数据。

集群的原因被认为是最合适的所有可能的解决方案是,我们并没有一个真正的金融脆弱性的指标数据集。这种方法的另一个好处是,方法是相对透明的决定簇,以及简单的方法意味着它是相对容易生产快。

步骤4:发展聚类分析

通知通过探索性分析和实验,一些行为特性表明金融脆弱性工程从智能电表数据,利用聚类算法时,导致一些客户群体。

标签和评估生成的片段,我们有两个方法处理。首先,我们能够分析客户的比例在每一部分的财务状况很脆弱根据优先级服务注册,这是一个不完美的金融脆弱性和不完整的国旗,但仍然有用的评价目的。国旗是不完整的一个原因就是人们可能没有意识到,我们可以提供帮助,或者他们太羞于请求帮助。实际上,每一段之间有显著差异,我们可以使用这个指标来看透每个段。此外,评估的第二种方法是使用各种数据可视化,代表客户在每一个细分;这些数据可视化和主题专家分享时,他们能够自信地描述客户每一部分代表的类型。主题专家确定的一个重要部分是一个似乎包含经济困难的客户。

结论

模型是目前款,以便定期分析可以执行和监控,为客户提供最好的帮助。款后,该工具将使用除了我们当前的流程,帮助我们的客户。

我们期待着生产更多内容详细productionisation过程一旦完成,以及解释任何迭代的改进模型。

你有兴趣加入我们的数据和技术社区?了解更多与我们和申请机会。