Page 17 - 电力与能源2021年第八期

田英杰, 等: 电力大数据用于企业征信的适用性探讨和商业模式分析 3 3
8
备数据, 涵盖了电网调度运行、 故障抢修、 用电信 电力数据的特点对电力征信业务的商业模式进行
息、 营销管理等不同业务方向。从数据结构上可 分析, 参考主流市场相似数据源的典型业务, 对电
以分为结构化标准数据和异构数据。相较于其他 力征信业务的产品和服务模式、 商业服务对象和
行业数据, 电力大数据具有一定行业独特性。 盈利模式以及可能的产品形态进行了简要分析。
( 1 ) 用电数据的高时序性。电力数据采集频 3.1 产品和服务模式
率较高、 时序性强, 并且历史数据相对完整, 在短 ( 1 ) 数据贩卖模式。数据贩卖模式的核心价
时间切片的范围内能构建高质量的数据, 对于刻 值在于探索数据的可用性, 通过结合外部多源数
画用户用电状况具有一定的全面性。电力数据一 据开发运营来提升行业自身的数据运营能力。例
般根据采集频率有 96 点数据和 24 点数据, 96 点 如中国电信与中国联通分别与咨询服务公司进行

数据即每15min采集1 个数据点, 用户每天的96 数据贩卖合作。中国电信通过与尼尔森进行合
点数据即构成一天的负荷曲线。 作, 通过对电信数据的研究进行消费者跟踪研究;
( 2 ) 初始数据分级标准化。不同于其他数据 中国联通则通过与艾媒咨询合作“ 一起沃北极星”
源的信息采集标准分散, 电力数据的采集分类标 大数据平台给予开发者决策支持服务。数据贩卖
准统一。譬如电力数据对于用电类型分为居民、 模式对数据的质量要求较高, 同时具有一定的局
非居民用户, 高压、 低压用户, 客户所属行业可以 限性, 合作前需要有严谨的模式研究以及清晰的
按照 11 种行业分类, 包含工业、 建筑、 公共设施 价值分成划分, 否则数据供应商只会成为养分供
等, 其中 11 种行业又有几百种细分分类。对企业 给者而丢失了最关键的数据价值并造成营收的损
用户高度细化的初始数据分类相较于其他数据源 失。电力大数 据的数据质量较高且数据规模巨
具有绝对的优势。 大, 通过再次加工, 进一步提升数据质量后, 在一
( 3 ) 用户基数巨大。电力数据几乎涵盖所有 定程度上可以采用数据贩卖的模式。
的行业和场景, 传统的用户征信数据具有局限性, ( 2 ) 专业化运营模式。专业化运营模式的核
用户覆盖度远远不及电力用户覆盖度, 电力数据 心价值在于通过内部数据的专业化运营、 探索驱
在用户数量方面具有绝对的优势。 动外部市场的可能性。例如中国联通联合西班牙
( 4 ) 用户行为连续。用户用电贯穿了生产、 生 电信共同成立了一家新兴的大数据经营公司—智
活, 用电数据能客观真实地反映经济情况和生产 慧足迹数据科技有限公司, 通过学习借鉴西班牙
经营状况, 可以实时了解用户用电行为, 传统的信 电信的大数据信息和分析打包业务经验, 提升数
用信息数据具有滞后性且数据有碎片性不连贯。 据相关的本地化运营能力。中国电信推出了基于
( 5 ) 用户行为全面。基于用户用电量、 用电时 自身大数据创新的业务产品, 针对风险防控、 精准
段等数据和用电曲线特征等信息, 可以进行时间、 营销、 区域洞察、 咨询报告等 4 个方面进行业务运
空间不同维度的对比, 全面了解用户行为。而传 营探索。专业化运营的商业模式的难点在于组织
统的征信由于本身数据的局限性不具备多维度对 内部的协同问题, 在专业化运营的同时需要保障
比的条件。 内部组织目标及外部商业模式的协调。
电力大数据覆盖的企业用户基数巨大, 并且拥 ( 3 ) 数据生态模式。数据生态模式重点是开
有的企业信息相对完整, 包含行业类型、 用电、 缴 展多行业合作, 打通数据与多生态数据融合, 其核
费、 用电故障、 服务投诉等不同方面。同时, 电力大 心在于通过引入外部生态提升数据运营, 探索数
数据包含大量企业历史数据, 对用户用电行为的记 据应用维度。例如上海联通通过与太平洋保险、
录, 相比于其他行业数据具有较高的连贯性, 能够 海通证券等外部机构合作, 融合电信大数据进行
很好地预测宏观经济走势、 行业发展趋势及用户需 用户征信消费等方面进行探索。中国移动则联合
求变化。通过与其他信用建设相关的数据信息融 医疗健康行业进行多生态的数据探索。数据生态
合, 有助于解决目前企业征信信息孤岛化的问题。 模式的难点在于如何在保障数据的安全性下打造
数据生态。由于数据生态需要融合多产业、 多维
3 电力征信业务商业模式分析
度的数据以建立生态化跨维度合作, 电力大数据
要实现数据增值变现的落地应用, 需要结合 需要在保障数据安全的前提下进行丰富的跨行业