企业官网建设流程全解析

做电费敏感度分析这一年多，我陆陆续续把居民和中小商户的用户画像翻了好几轮，最后定下来一个通用框架。今天先把“低敏用户”这块拆开讲透。

所谓电费敏感用户模型，核心就是回答一个问题：哪类用户会因为电价、电费的变化而改变自己的用电行为，哪类用户根本不在乎。低敏用户，就是那个“不在乎”的群体。它们不一定是低收入用户，也未必是粗放用电，更多时候是因为电费在整体支出里占比太低了，或者用电习惯已经被生活结构锁死，根本腾挪不出空间来响应价格信号。

这套模型能干什么？另一头是精准服务，比如需求响应通知该发给谁、综合能源套餐该推给谁、用能诊断报告该重点服务谁。这背后是资源的分配逻辑：服务资源有限，不可能平均撒网。适合谁来看这篇文章？如果你是电力营销数据分析岗、独立售电公司的运营人员，或者在做用户分群建模，这篇能帮你把特征怎么构造、样本怎么打标、业务怎么落地讲明白。

1. 电费敏感度到底是个啥：先把概念和业务价值讲透

1.1 从“价格弹性”看敏感度

电费敏感度不是拍脑袋分个高、中、低，它背后有一套明确的经济学逻辑，叫需求价格弹性。通俗点说，电价涨了10%，用电量跟着降了几个点，这个变化的比值就是弹性系数。

弹性系数的绝对值越大，说明用户对价格越敏感；反过来，弹性趋近于0，就是低敏用户。

低敏的原因通常分三类：第一类是电费成本占比过低，比如临街商铺里营业额很高，电费一个月几千块但跟流水比是零头；第二类是行为刚性强，比如居民家里有老人小孩，冬夏两季空调该开就开，就算电价涨了也得扛；第三类是信息认知不足，很多用户压根不知道自己执行的是什么电价，或者根本不去关注电费单，这类用户不是“不在意价格”，而是“没感知到价格”。

所以做低敏用户模型，本质是在做一个识别任务：把这三类用户从全量里挑出来，而且最好能把它们分开。

1.2 一次电价调整，就是最好的实验窗口

识别敏感度，最直接的办法是看“电价变了之后，电量变了没”。现实中电价调整不是每年都发生，但如果把时间窗口拉长，总能找到某一次阶梯电价调整、峰谷时段划分调整或者分时电价政策切换的节点。

这个节点，就是天然的准自然实验。我常用的做法是取调价前6个月和调价后6个月的同口径户均电量，计算变化率，再剔除季节性因素，剩下的就是用户对价格调整的“响应量”。

这里有个细节特别容易踩坑：调价前后如果跨了季节，比如3月调价，前6个月是秋冬，后6个月是春夏，那户均电量本身就因为天气在变，跟价格响应混在一起分不出来。所以必须把季节因子先剥掉，或者用同月份同比的方式来看。

我用过一个相对有效的做法：把用户过去三年的月度电量拆成趋势、季节、随机三个分量，然后只取随机分量在调价节点前后的变化来测算响应度。这个思路比直接对比前后平均值要干净得多。

1.3 低敏业务的三个真相

做完初版模型之后，我拿实际业务数据做过一次校验，有几点认知跟最初设想完全不一样，这里直接说结论。

第一，低敏用户和低收入用户基本是两拨人。很多人直觉觉得收入低的人对电费肯定敏感，但实测下来，部分低收入用户恰恰是阶梯电价里的“保底档”，用电量很小，稍微涨一点钱也就多几块钱，感知反而不强。真正敏感的是中等收入、家里有大功率电器、电费在月度开支里占比可观的那批人。

第二，低敏群体的电费收入贡献一点都不低。因为用电量大或者负荷刚性，这些用户的户均电费往往远高于均值。如果粗放地把它们当成“不敏感、不用管”，等于把最稳的收入盘给闲置了。

第三，低敏和需求响应潜力不矛盾。一个用户对日常电价不敏感，不代表它不能被激励去参与削峰填谷。只要补偿机制够直接，比如响应当天返电费、给积分，很多低敏用户会愿意动起来。这就是为什么模型建完之后，我反而特别强调对低敏用户做“高激励+强触发”的运营策略，而不是直接放弃。

2. 模型构建前的数据准备与特征逻辑

2.1 需要哪几类数据

做这个模型，数据层面至少要备齐四类，少一类后面都会特别别扭。

第一类是电量电费数据，这是主料。包括用户每月的电量、电费、峰谷电量、阶梯档位、力调电费这些。注意最好拿台区或者营销系统的底层明细，汇总表会丢掉很多信息。比如峰谷电量就是判断用户负荷弹性的重要依据，汇总表里经常没有。

第二类是用户档案数据，包括用电类别（居民、一般工商业、农业）、容量等级、行业分类、是否执行分时电价等。这类数据主要是做分群样本用的，不直接进特征，但是用来确定模型的适用范围。

第三类是缴费行为数据，比如缴费及时率、缴费渠道、催费次数、预存余额。这个数据有意思的地方在于，它能侧面反映用户对电费的关注度，经常欠费、被催缴还不在乎的用户，敏感度大概率很低，但这种低敏是负面意义上的低敏，属于风险用户，要跟正面低敏区分开。

第四类是外部环境数据，比如天气温度、所在区域、房屋面积（能拿到的省份才会有）。天气对电量影响非常大，尤其是居民用户，一天温差10度，电量可以差20%以上。如果模型里没有温度和天气变量，季节因子的剥离就会很费劲。

2.2 核心特征怎么构造

数据备好了，下一步是特征。我沉淀下来比较有效的特征可以分为四组。

电量形态类特征，包括月均电量、峰段电量占比、谷段电量占比、峰谷差率。这个好理解，峰段占比高的人说明工作节奏跟电网负荷的节奏高度同步，调整空间小，天然低敏；谷段占比高的，要么是刻意在用谷电，要么是作息特殊，后者反而可能对价格比较敏感。

稳定性类特征，包括月度电量变异系数、三年电量趋势斜率。稳定性高的，说明负荷结构硬，刚性需求强，低敏概率高。有一个典型案例：某养老院，月用电量上下浮动不超过3%，你说它敏不敏感？它根本没空间变动。

响应类特征，这个是模型的核心，包括前面提到的价格调整前后的电量变化率，以及峰谷时段电量迁移比例。这两个特征能直接反映用户对价格信号的行为响应，是低敏用户识别最关键的输入。

成本感知类特征，包括电费占收入比重（能拿到收入数据的话）、是否选择过分时电价、是否申请过增容、是否开通了电费短信提醒。这些特征反映用户的“价格意识”。我见过一个很典型的现象：开通电费提醒但从不点开看的人，和经常关注用电量变化的人，敏感度完全不一样，但数据上只差一个“是否开通”字段，所以提醒频率和是否设置用量阈值这类运营数据反而更有区分能力。

2.3 样本怎么打标

做有监督学习的第一步，永远是先解决“标签从哪来”的问题。低敏用户这个标签没有现成的字段，得自己构造。我把打标方法分成两种，一种偏规则，一种偏模型，实际项目中经常结合用。

规则打标相对直接：取一次明确的价格政策调整节点，计算每个用户调整前后的同口径用电量变化率，同时结合用户的缴费行为做交叉规则判定。比如电量变化率跌了15%以上、主动调整了用电时段且缴费及时的用户，判为“高敏”；电量变化率在±3%以内、缴费习惯不变、对催费信息反应也弱的用户，判为“低敏”。

但规则打标有个天然问题，就是它依赖调价事件。如果所在区域近几年没有大的价格调整，或者用户是新装用户，没有调价前的历史数据，规则就打不上标。

另一种方式是模型打标：把已经通过调价事件识别出的高敏和低敏用户作为训练集，用这拨人的特征去训练一个分类器，然后预测那些没有经历过调价事件的用户。这在实际项目里也跑得通，效果主要取决于训练集和预测集用户的分布对齐程度，如果两个区域用电结构差异较大，效果会打折扣。

这块我的经验是：先用规则打标把靠谱的样本框出来，再用模型给剩余用户打标，两个思路衔接着来，比单一方式稳。

3. 低敏用户模型搭建与实操实现

3.1 技术路线选择：从轻到重的三种方案

建这个模型，技术路线完全可以按团队能力来选，不是非得上深度学习。

最轻的方案是规则评分卡。把敏感度拆成几个维度，每个维度设档位打分，最后加权求和输出一个0到100的敏感度分。比如电量稳定性占30分、价格响应占30分、成本感知占25分、峰谷特征占15分。这个方案最大的优点是解释性强，业务人员看着分就能反推出为什么这个用户低敏，在基层推广阻力小。缺点是阈值和权重拍脑袋成分大，需要反复调。

中等方案是树模型分类。用梯度提升树那类模型，输入特征是前面说的那四组特征，标签是高敏或低敏，输出是概率。这个方案优势是能自动捕获非线性关系，比如“电量高但峰谷差大”这种组合逻辑，规则卡很容易漏掉。树模型跑起来也快，不用标准化，缺失值处理也省事。

再重一点的方案是聚类加分类的融合模型。先用分群模型把用户按照用电行为自然聚成几类，然后在每个簇内分别训练敏感度分类器，最后输出每类的典型画像和敏感度分层。这个方案适合用户量在百万级以上的场景，分群带来的个性化会让模型效果更好，但开发和解释成本都明显上升。

我在实际项目里，采用的是“评分卡定基线 + 树模型优化”两步走，第一步让人人都能看懂，第二步让模型效果达到上线标准。这个组合到目前为止运行得比较顺。

3.2 弹性系数测算的实操细节

如果要在模型里直接放一个“价格弹性系数”作为核心特征，那测算这一步必须有实打实的公式和过程，不能糊弄。

用一个简化模型来算：

[ E = \frac{(Q_2 - Q_1) / Q_1}{(P_2 - P_1) / P_1} ]

其中Q1和Q2分别是调价前后的日均用电量，P1和P2是调价前后的综合电价。这里综合电价不是单一目录电价，而是把阶梯电价的各个档位按实际用电量加权平均算出来的。

具体到某个用户：调价前6个月日均用电量30度，调价后6个月日均28度，综合电价从每度0.62元涨到0.67元，涨了8.1%。弹性系数就是：

[ E = \frac{(28 - 30) / 30}{(0.67 - 0.62) / 0.62} = \frac{-6.67%}{8.06%} \approx -0.83 ]

弹性绝对值大于0.5，属于高敏；0.1到0.5之间，属于中敏；绝对值小于0.1基本就属于低敏了。这个用户-0.83，妥妥高敏。

实际操作里，单用户级别的弹性系数会非常抖，因为随机波动太大。所以我又加了一步：不直接算单用户，先在同行业、同容量等级的组合户群里做平均弹性，再把组合级的结果作为先验信息叠加到用户级别。相当于先用宏观信息稳住，再做微观修正。

3.3 模型效果怎么验证

模型搭完，最怕的就是“看着挺好，拿出去不灵”。验证阶段我习惯从三个层面来做。

第一层是区分度验证。看低敏用户预测概率Top10%和Bottom10%之间的实际电量响应率有没有明显差距。如果没有差距，说明模型学到的是噪声，不是真实信号。我用过比较顺手的指标是AUC和KS值，分别体现总体区分能力和最大区分度位置。

第二层是业务一致性校验。从预测结果里随机抽50个低敏用户和50个高敏用户，让一线客户经理凭经验打标，看人机一致率。说实话第一次做的时候一致率只有60%多，后来把规则卡里的几个维度权重调整之后才到75%以上。这个环节不能省，AI模型再有道理，一线不认可就落不了地。

第三层是灰度验证。模型上线不是直接对全量用户生效，而是先挑一个区或一类用户做灰度，跑三个月，看实际运营触达的响应率有没有提升。这时才算是真正证明了模型有效。我的经验是：灰度期间的观察指标要提前定死，比如触达用户报名需求响应的比例要比非触达组高8个百分点，达不到就继续调模型，不能等结果出来了再讨价还价。

4. 低敏用户的运营落地与场景适配

4.1 低敏用户的三种典型画像

模型分完之后，如果不告诉业务侧“低敏用户长什么样”，基本等于白做。我会把低敏用户浓缩成三种典型画像，每个都配上一句好记的话。

第一类是电费无感型，典型场景是连锁品牌商户、大型商业综合体。它们的电费每月几万甚至几十万，但相对营业额占比可能不到2%，甲方根本不会盯着电费看。这类用户的特征是电压等级高、电量曲线稳定、缴费多为银行代扣。低敏，但是优质客户。

第二类是作息刚需型，集中在养老院、学校宿舍、医疗机构、部分工厂。它们的工作流程决定了电量曲线几乎是一条直线，没有削峰填谷的空间。你给它推送“错峰用电省电费”，它回答你“我们的生产时间改不了”。这类用户是低敏中的“结构锁死”。

第三类是感知缺失型，主要是部分居民老人、出租屋租户、零散小商户。它们不是不会省，是压根不看电费单。短信提醒开通了不点开，公众号绑定了不查账单，催费通知要等到停电才着急。这类用户低敏，但属于可唤醒对象。

三种画像对应三种经营策略：无感型要挖掘综合能源与代运维的高附加值服务；刚需型要做需量管理和供电可靠性保障；感知缺失型则适合做高频低成本的提醒与激励触达。

4.2 低敏用户更需要“看得见的刺激”

对低敏用户做营销，常规的“节约用电小贴士”这种东西基本无效，因为它们根本不在意识里。这里分享一个比较有效的实践：给低敏用户做电费账单的可视化对比，用最直观的方式把“你的电费比同小区同一户型的平均水平高出30%”这句话砸到用户面前。

有一个真实案例，某商业楼宇的照明系统常年长明，客户经理推节能改造推了半年没动静。后来我们将该楼宇的电费数据与同商圈同业态的平均值做对标，算出了“每季度多花近万元”的可量化损失，做成一张对比图放进月度账单推送里。第二个月，这个用户就主动咨询了节能改造方案。

所以说，低敏不代表不能唤醒，关键在于把刺激强度拉到位。价格信号对这种用户无效，就用对比、竞争、损失厌恶来做刺激。这也解释了为什么低敏用户模型的输出结果要用在“运营策略”，而不是单纯用在“风险预警”。

4.3 与高敏用户模型搭配使用的效果

单看低敏用户模型，价值有限。它真正的威力，是和高敏用户模型组合使用，形成一个完整的分层运营矩阵。

高敏用户，响应快、对价格灵敏，适合推分时电价套餐、需求响应邀约、节能行为引导；低敏用户，响应慢、对价格钝感，适合推综合能源服务、用能诊断、容需量优化。这两拨人如果共用一套运营策略，效果一定互相拖累：高敏用户嫌推送太频繁，低敏用户嫌信息没意思。

我实际落地了一套“双层分流”逻辑：第一层按敏感度分层，决定渠道和频次；第二层按负荷特征分群，决定产品。敏感度高的人用轻量互动，一个月最多触达两次；低敏用户用高价值内容，一年做一次深度触达。这样整体触达率反而比之前提升三成，退订率大幅下降。模型的组合价值远大于单模型。

5. 常见问题与排查技巧实录

5.1 调价窗口缺失怎么办

不是每个地区每年都调价，而且调价往往是整体性的，最大问题就是样本量不够或者时间窗口太短。我之前遇到一个区域，近五年只有一次针对工商业用户的电价调整，而且调整幅度很小，只有不到3%，部分用户弹性测出来是零附近——不是它们真的零弹性，而是刺激太小根本没反应。

解决办法是把“无事件”思路换成“跨用户对比”。既然同一时段有的用户用电结构变化明显，有的用户纹丝不动，那就用同期区域内波动幅度来替代价格响应。具体做法是计算每个用户在近三年里月度电量的标准差和极差，从波动性反推敏感度。波动极小的用户，基本可以判定为低敏，不管有没有调价事件。

这个方法虽然没有价格弹性那么严谨，但在实际业务里已经足够支撑用户分层决策。要严谨结论时，等下一次调价事件再校正模型参数。

5.2 季节性用电掩盖价格响应

这是我在实践中遇到最多的问题。华中华南地区夏季用电量激增，同样一个用户，夏季日均电量是春秋季的两倍，这种季节性差异远大于价格调整带来的变化。如果不处理，模型会把“夏天多用电”和“对价格不敏感”混淆，判断结果往往是错的。

解决这个问题的核心是“同期同比”。调价前后的比较，不要直接比前六个月和后六个月，而是比调价当年的变化率与历史同期的变化率之差。比如某用户可以自己做差分，在调价年份电量变化5%，但过去三年同期的自然变化是8%，那它的真实响应就是-3%左右，大约就是对价格有轻微负响应。

如果数据量够，也可以用更细的方法，对每个用户单独建模一个“季节基线”，把月电量分解出季节分量，再用剔除季节后的残差来算响应。这个方法看着麻烦，但做完之后就能筛选出一些原来被误判为低敏的用户。

5.3 低敏用户里混着一堆“假低敏”

还有一个很隐蔽的问题，“假低敏”。有些用户不是对价格不敏感，而是它们对价格变化完全没有感知，因为没有主动去了解自己的电价。比如出租屋的租户，电费是房东代收的，它们根本不直接缴费，自然不知道电价涨没涨。再比如部分老年用户，常年去营业厅现金缴费，不看账单明细，只顾交一个数。

这类用户模型预测为低敏，但本质上属于信息触达不足，而非经济行为上的低敏。解决办法是在模型里加入“缴费渠道”和“是否代扣”特征，识别出这类用户后，单独纳入“可唤醒低敏”这个细分分层，用短信提醒、纸质账单说明、网格员上门沟通等方式做运营。

在业务侧，我还建议建立一套“假低敏复核表”：每个月更新一次，重点看用户近三个月的电量变化和缴费行为是否有扭动迹象。一旦指标出现变化，就自动从低敏池迁出到中敏池，避免误伤业务机会。

5.4 也提一嘴模型上线后的其他常见问题

特征缺失。新装用户没有历史电量，怎么打特征？这个没有太好的办法，我的做法是用区域同用电类别的均值补，然后给这个用户的敏感度加一个“不确定性标记”。等它有了12个月以上电量数据再逐步替换。

群组偏移。模型上线半年后，会发现越来越多的低敏用户开始变得敏感。这是因为外部环境变了，比如气温异常、新电价政策、周边产业调整，都可能改变用户的用电行为。所以要建立定期重训练的机制，我一般是每季度跑一次全量特征更新，半年重训一次模型参数。不做这个动作，模型漂移会越来越明显。

解释性。树模型预测低敏用户，业务侧肯定会问“为什么认为它低敏”。在落地阶段，我习惯把预测概率背后的Top特征值输出保留下来，生成一份结构化说明，哪怕只是一句话，“该用户近两年电量波动小于5%且未办理过分时电价，判定为低敏”。有这个说明，客户经理沟通起来会顺畅得多。

6. 几点实操体会

最后说点我在实际项目中验证过的体会。低敏用户模型不只是一个数据模型，它本质上是一套用户认知工具。拿到模型结果的团队，第一反应往往是“原来这些用户压根不关心电费”，但真正有价值的是下一步——“那我们应该用什么方式服务他们”。

模型输出的分层结果，一定要跟客户经理的日常经验反复校准。我做过不下十次现场访谈，发现老客户经理对某些用户的判断基本准确，但只集中在他们熟悉的片区。模型的价值是把这种经验从局部推广到全局，并且把判断依据变成数据化、可复制的规则。所以不要试图用模型代替人，而是用模型扩展人的判断边界。

如果你准备在自己的数据环境里复现这套做法，我的建议很简单：从特征开始，不要一上来就堆模型。先把电量稳定性、价格响应、成本感知这三组特征做扎实，哪怕先用规则评分卡也能跑出不错的版本。等结构稳定了，再逐步引入树模型来做精细化分层。

这个方向后续还可以拓展到“中敏用户的动态迁移预测”和“低敏用户唤醒响应建模”两个延伸课题。前者关注用户敏感度的变化趋势，后者关注什么手段能把低敏用户激活。都是在现有模型框架上做增量优化，值得持续投入精力。