陳婉清 鄭安霖 朱孟 董斐斐

摘 ?要：隨著數(shù)字化時代的到來，電力營銷工作正在從傳統(tǒng)手動模式向智能化、數(shù)字化轉(zhuǎn)型。營銷抄核收工作的風(fēng)險管控是數(shù)字化電力營銷工作的一個重要分支，在營銷工作中占據(jù)著不可或缺的地位。針對當(dāng)前核算異常分析報告方法落后，異常信息數(shù)據(jù)量大，每月周而復(fù)始地做重復(fù)工作等情況，設(shè)計一個程序代碼，以此提高每月異常分析報告的生成效率，提高營銷抄核收工作的風(fēng)險管控能力和效率。

關(guān)鍵詞：數(shù)字化;智能化;風(fēng)險管控

中圖分類號：TP311 ? ? ? 文獻(xiàn)標(biāo)識碼：A文章編號：2096-4706（2022）05-0141-03

Research on Risk Management and Control of Marketing Reading-check-billing Work Based on Digitization

CHEN Wanqing， ZHENG Anlin， ZHU Meng， DONG Feifei

（Quanzhou Power Supply Branch of State Grid Fujian Electric Power Co.， Ltd.， Quanzhou ?362000， China）

Abstract： With the advent of the digital era， the power marketing work is transforming from the traditional manual mode to intelligence and digitalization. The risk management and control of the marketing reading-check-billing work is an important branch of digital power marketing work， it occupies an indispensable position in the marketing work. In view of the current backward accounting exception analysis report method， large amount of abnormal information data and repeated work every month， a program code is designed to improve the generation efficiency of monthly exception analysis report and the risk control ability and efficiency of marketing reading-check-billing work.

Keywords： digital; intelligence; risk management and control

0 ?引 ?言

提高電費回收率一直是電網(wǎng)企業(yè)經(jīng)營管理的重要指標(biāo)[1]。電的交易又與普通商品不同，都是由電力公司先供電，用戶用電后才計收電費。特別是高壓用戶，用戶基數(shù)占比少，僅為1%，但是電費占比卻很大，月均電費可占總社會用電電費的60%以上。用戶所交電費的正確與否，不僅影響到用戶體驗，也深深地影響著電費實時回收率。電費抄核收工作的落實到位是電費能否正確生成的重要前提，因此，抄核收工作中的風(fēng)險管控就顯得尤為重要。

截至目前，筆者所在電網(wǎng)企業(yè)已有超過四百萬的用戶，智能采集率、智能審核以及智能發(fā)行率基本上都能達(dá)到97%，但是仍然有許多用戶的電量需要人工抄核，各種需要人工干預(yù)的異常情況時有發(fā)生。因用戶而異的檔案設(shè)置、業(yè)擴流程變更等環(huán)節(jié)，都有可能出現(xiàn)抄核收風(fēng)險。因此，電費核算是抄核收工作中最重要的一個環(huán)節(jié)，審核過程中對攔截用戶進行逐戶審核，找到風(fēng)險點，分析情況后下發(fā)或者登記處理[2]。所有這些環(huán)節(jié)都離不開人工干預(yù)。為了做到全面統(tǒng)計并及時跟蹤每月工作風(fēng)險點處理情況，需要由專職人員每月對已發(fā)現(xiàn)的異常整理匯總并生成報告，占用時間多，有很大的效率提升空間。

營銷工作中的電費審核跟蹤報告是抄核收風(fēng)險管控中一個很重要的手段。報告中詳細(xì)羅列了各地區(qū)各專業(yè)的異常情況。而通過數(shù)字化平臺或諸如Python、Excel VBA之類的工具來提升報告的生成效率，可大大節(jié)省工作時間，并減少此過程中可能發(fā)生的差錯[3]。針對這一課題，我們進行了以下研究。

1 ?風(fēng)險點梳理

為了尋找適合的系統(tǒng)工具，我們首先針對營銷抄核收工作中經(jīng)常出現(xiàn)的風(fēng)險點進行梳理，整理出如表1所示的表格。

通過梳理我們發(fā)現(xiàn)，每個專業(yè)容易出現(xiàn)的風(fēng)險點數(shù)量并不統(tǒng)一，每個風(fēng)險點每個月出現(xiàn)的故障頻次并不固定，并且每個地區(qū)每月出現(xiàn)的情況也各不相同。而整理出各地區(qū)各個月份的異常情況、風(fēng)險點情況報告則是核心所在。綜上，選擇工具時要兼顧實用性與可變換性，而且要便于操作，因此我們選擇了Python這一工具。

2 ?程序系統(tǒng)邏輯與架構(gòu)

眾所周知，程序是指依據(jù)處理事物的各項流程以及時間的先后順序，提前編寫完成的并具備特定用途的指令[4]。由于每月各地區(qū)各專業(yè)出現(xiàn)的風(fēng)險點數(shù)量是本次管控研究的重點，我們通過不斷試錯，取消了在語句中直接羅列風(fēng)險點列表的環(huán)節(jié)，而是根據(jù)每個月情況的不同，先由程序通過讀取表格中的數(shù)據(jù)去設(shè)置當(dāng)月各地區(qū)各專業(yè)的風(fēng)險點情況，從而建立異常報告的生成邏輯，并根據(jù)需求進行Python語言的編寫，以此達(dá)到快速生成報告的目的，如圖1所示。

3 ?程序語句模塊架構(gòu)

通過流程邏輯分析，得出每一模塊應(yīng)該完成的目標(biāo)功能，基于目標(biāo)反向推導(dǎo)，通過關(guān)聯(lián)規(guī)則、決策樹等提出有效的解決方案，將程序設(shè)計語言作為工具與載體，注入算法這一靈魂后，對各個模塊進行逐一測試。在所有模塊皆完成測試并可運行后，再通過邏輯關(guān)系確定順序，完成最終程序。而Python比其他語言更簡潔，且易于拓展，方便定制[5]。因此，利用Python對各模塊語言進行編寫。

3.1 ?各集合與字典的生成

首先是根據(jù)模塊及畫面代號按規(guī)則命名，而后通過讀取匯總表中的數(shù)據(jù)生成所需的集合以及各專業(yè)所對應(yīng)風(fēng)險點集合的字典，該部分的主要程序語句為：

header_all_0 = ['用檢'，'營業(yè)業(yè)擴'，'系統(tǒng)'，'計量'，'抄表'，'采集'] #全部應(yīng)有列名格式

header_all_1 = ['用檢'，'營業(yè)業(yè)擴'，'系統(tǒng)'，'計量'，'抄表'，'采集']

header_all_2 = ['已整改'，'待核實'，'未處理'，'整改中'，'總計'，'整改完成率'] #全部應(yīng)有列名格式

HEADER_ALL = {0：header_all_0，1：header_all_1，2：header_all_2}

row_all = ['地區(qū)1'，'地區(qū)2'，......] #全部應(yīng)有行名格式

header_all_pipei = ['供電單位'，'已整改'，'待核實'，'未處理'，'整改中'，'需刪除列'，'總計'，'整改完成率']

Error_Category = {} #差錯類別匯總成字典

3.2 ?格式的正確設(shè)置以及清除未知項

def fill_col（WS，HZ，HEADER）： #填補全部值為0導(dǎo)致不存在的列

n = WS.max_column

for col in HEADER：

if col not in HZ.columns.tolist（） ：

n += 1

WS.cell（1，n）.value = col

def fill_row（WS，HZ）： #填補全部值為0導(dǎo)致不存在的行

n = WS.max_row

for row in row_all：

if row not in HZ._stat_axis.values.tolist（）：

n += 1

WS.cell（n，1）.value = row

def Get_column_names（WS，d，a = 1，b = 1，c = 1）：

header = []

for cell in WS.iter_rows（min_row = a，max_row = b，min_col = c，max_col = d，values_only = True）：

for cell0 in cell：

header.append（cell0）

return header

def Get_index_names（WS，a = 1，b = 1 ，c = 1，d = 1）： #獲取索引（排序不包括“供電單位”）

index0 = []

for cell in WS.iter_rows（min_row = a，max_row = b，min_col = c，max_col = d，values_only = True）：

for cell0 in cell：

index0.append（cell0）

return index0

def excel_to_docx（WS，doc）： #將表格導(dǎo)入WORD

rows = WS.max_row

cols = WS.max_column

table = doc.add_table（rows = 0，cols = cols，style = ‘Light List Accent 1’）

for d in WS.rows：

row_cells = table.add_row（）.cells

for i in range（cols）：

row_cells[i].text = str（d[i].value）

3.3 ?各專業(yè)匯總情況

本處只附上各地區(qū)各專業(yè)的風(fēng)險點整改情況進度表模塊：

df2.rename（columns = {'未整改'：'未處理'}， inplace = True）#inplace表示直接替換掉原來DF中的數(shù)據(jù)，如果False就要像上一行進行一次賦值

df0['合計'] = df0.iloc[：].sum（axis = 1） ?#按行累計

df2['總計'] = df2.iloc[：].sum（axis = 1） ?#按行累計

df2['整改完成率'] = round（df2['已整改']/df2['總計']，2）.apply（lambda x： '%.0f%%' % （x*100））

for i in range（len（row_all））：

if df2.loc[i，'總計'] == 0：

df2.loc[i，'整改完成率'] = '100%'

df2.columns = header_all_pipei

del df2['需刪除列'] ?#未知原因?qū)е挛刺幚沓霈F(xiàn)多了一列，值為0，為求簡便設(shè)置了一個列表header_all_pipei來修改列名，然后才能準(zhǔn)確地刪除該多出來的列

with pd.ExcelWriter（path_hz，engine = ‘openpyxl’） as writer：

for i in [0，2]： #hz1數(shù)據(jù)情況不同

DF[i].loc['行合計'] = DF[i][：].loc[：].sum（） #按列累計

DF[i].loc['行合計'，'供電單位'] = '合計'

DF[i] = DF[i][ORDER_COL[i]]

DF[i].to_excel（excel_writer = writer，sheet_name = SHEETNAME[i]，encoding = ‘utf-8’，index = False）

df1.to_excel（excel_writer = writer，sheet_name = SHEETNAME[1]，encoding = ‘utf-8’，index = False）

4 ?系統(tǒng)應(yīng)用與實踐

分塊完成后，整合所有模塊，針對模塊中需要的內(nèi)置模塊進行引用，再進行比對，核實成果為實際需求。圖2中的部分?jǐn)?shù)據(jù)已做加密處理，該表格中共有數(shù)據(jù)1 979條，人工匯總需要用時1.2小時，用程序語句運行只需5秒鐘，大大提高了風(fēng)險點匯總效率且不易出錯，準(zhǔn)確率高。

5 ?結(jié) ?論

國家發(fā)改委全面放開工商業(yè)用戶市場化通知的發(fā)布，使電費回收工作在新的形勢下更加緊迫。而電費回收又是一項綜合性的任務(wù)，隨著數(shù)字化時代的到來，大多數(shù)情況下人工操作已遠(yuǎn)遠(yuǎn)不能滿足實際效率需求。本文通過設(shè)計一段程序，不但提高了抄核收工作中的風(fēng)險管控效率，更提高了電費正確率，為電費正確回收提供有力保障。

參考文獻(xiàn)：

[1] 陳惠娟.電費回收中的風(fēng)險與防范措施分析 [J].企業(yè)技術(shù)開發(fā)，2015，34（17）：135-136.

[2] 張曉梅.電費回收風(fēng)險分析及回收管理路徑 [J].科技與創(chuàng)新，2015（18）：66+68.

[3] 王力.營業(yè)抄核收工作適應(yīng)電力信息化發(fā)展的途徑 [J].科技風(fēng)，2017（15）：277

[4] 王常衡，李嘉偉，羅欽，等.淺析Python語言及其應(yīng)用前景 [J].計算機產(chǎn)品與流通，2019（4）：146.

[5] 許朝俠.非計算機專業(yè)Python語言程序設(shè)計教學(xué)體系建設(shè)初探 [J].軟件導(dǎo)刊（教育技術(shù)），2019，18（2）：48-50.

作者簡介：陳婉清（1991—）女，漢族，福建泉州人，中級經(jīng)濟師，本科，主要研究方向：電力營銷風(fēng)險管控、電力營銷數(shù)字化信息處理、電費回收及用電可靠性分析。