(大唐观音岩水电开发有限公司)
摘要：随着电力体制改革的不断深化，现代营销观念对电力市场影响的影响越来越大，但从当前市场营销的实际情况来看，电力企业过于重视对数据的全面汇总，而忽视了对数据的深入分析，因此无法发挥出营销数据对科学制定营销策略的作用。为此，文章针对电力行业的特点，分析了关联规则挖掘技术在电力市场营销中的具体应用，从而为电力企业充分利用营销数据，制定科学的营销策略提供参考。
关键词：关联规则挖掘技术；电力市场营销；具体应用
随着社会的发展与进步，电力能源已成社会生产与生活所有环节不可缺少的能源之一，从而极大的刺激了社会用电量的增长，这为电力行业的飞速发展提供了有力的支持。但在发展的同时，电力市场的竞争越来越激烈，市场上电力企业的数量也在不断增加，电力企业为了实现长足发展，会通过营销策略获取更多的效益。但由于对营销数据的分析不透彻，无法为电力企业营销策略制定提供科学的指导。而通过关联规则挖掘技术能够深入进行数据挖掘，全面了解市场信息，从而为企业的经营、管理与营销提供科学的数据支持。
一、电力市场营销与关联规则挖掘技术概述
一方面，电力市场营销是指电力企业根据营销数据，市场价格机制通过竞价、协商等方式向用户销售电力能源产品。但由于市场电能发展情况处于瞬息万变的状态，所以电力企业在制定营销策略上存在一定难度
另一方面，关联规则挖掘技术是指通过对数据的挖掘，从数据中的隐藏信息中获取到数据的隐含价值；而且利用技术中独有的搜索方法能够快速的在庞大的数据中获取到有价值信息，从而提取数据的特征用于营销分析中，制定符合电力市场营销规律的营销策略。在使用关联规则挖掘技术进行电力市场营销分析时，需要建立关联规则模型，集成统一数据、选择价值数据、做好数据预处理、最终实现数据的转换，从而方便数据的利用与分析[1]。在集成数据过程中，关联规则挖掘技术需要通过汇总的营销数据建立数据集以及数据库，并查找其中存在的失真信息、遗漏信息，清理掉无效数据。而在选择数据过程中，营销人员会根据目标搜索相关数据，但数据的格式并不是单独的数据表，可能是汇总后的数据、统一后的数据，选择数据主要是为了能够在提出中有效的数据，缩小数据的范围，从而快速获取有价值数据，提高数据挖掘的效果与准确性[2]。在进行数据预处理过程中，主要是为了充实数据，查找其中缺少的信息内容，避免对营销人员的分析造成处理；同时也是为了清理数据，将数据中无效与无价值的数据内容剔除，从而提高分析的效率。完成这样工作还需要k-means聚类技术的配合，避免漏掉有效信息。数据转换通过编码来完成，不同价值的数据数码存在着差异，这样有利于提升数据查找的效率。
二、关联规则挖掘技术在电力市场营销分析中的具体应用策略
（一）关联规则挖掘技术在电力市场营销分析中的目的分析
利用关联规则挖掘技术进行电力市场营销分析是为了全面而系统的对电力企业在市场营销中产生的庞大数据进行高效分析，从而获取数据中的关联规则，这样在制定营销策略中，可以通过关联规则发现电力市场营销的规律，分析出价格因素以及销售策略在实际营销中的影响，而且还能探究出现消费者的消费习惯、消费心理、消费特点以及消费倾向，从而切实根据消费者的实际需要制定营销策略，提供营销的成功率，为电力企业获取更多的经济效益。
（二）建立数据挖掘的数据集
在利用关联规则挖掘技术进行数据挖掘与分析时，数据集是技术面对的直接数据源，但在电力企业市场营销过程中，影响销售行为的因素诸多，因此，在建立数据集过程中，要根据数据的提取顺序以及顺序的类型，建立数据结构网，捋顺数据之间的关系，从而有效的进行数据挖掘与分析。建立数据集过程中，应先提取售电信息中的营销数据；再向气象部门等相关部门获取在天气条件影响下，电力能源的消耗数据，从而整合所有数据，全面分析影响电能营销的因素，对其中可能对电能营销造成较大波动的因素进行深入的探究，从而完善数据集的建立，为数据的挖掘与分析提供全面而完善的数据支持[3]。
（三）k-means聚类技术应用分析
由于电力行业的特殊性，导致其营业数据也与其它行业营业数据的形式有很大区别。从电力企业的营销数据中可以看出连续性的特征，例如，电力企业在营销数据中会记录降雨、气温、电能产品价格等数值，这些数值随着时间而连续，所以很难多层次与多角度的总结出营销的规律特征。因此，通过k-means聚类技术（如图1）可以将性质相同以类型相同的数据聚类到一起，形成单独的数据集。可以说k-means聚类技术是关联规则挖掘技术的核心以及关键环节，通过这项技术实现信息聚类，为营销人员分析数据以及统计数据提供了极大的便利；而且通过k-means聚类技术的应用，能够从时间段、自然条件等多个角度实现数据聚类，从而能够全方位分析影响电能产品营销的因素，并总结出营销规律[4]。在k-means聚类技术中，最常使用的方法是将数据的样本点以簇的形式进行划分，既保障每个簇的特点都能体现出来，又实现了数据的整合，从而使数据的关联规则一目了然，这样在具体的分析中，营销人员可以根据数据的展开具体分析，提高了分析的针对性，保障各项数据处理方法的有效性。
图1
除此之外，在使用关联规则挖掘技术中，还会使用到一些有效的计算方法，所以要求市场营销分析过程中，营销分析人员必须能够准确掌握算法，正确应用到实际计算中。例如，AIS算法，这种算法主要应用在数据库数据扫描上，通过此算法将所有频繁项目集集中到一起，然后明确候选集的范围，并通过AIS计算出每个项目集的具体支持率，记录下相关信息，将项目集的支持率缩小到最精确的阀值中，从而判断出频发项目集，以便为分析提供需要。但当前这种算法必须对数据库所有数据涉及到的项目集进行支持率计算，从而影响了数据分析与挖掘的效率。所以在数据量小的数据库中应用较为适合。同时，经常使用的还有FP-Growth算法，这种算法是当前关联规则挖掘技术中最为实用一种算法，具体应用上也十分广泛。
结束语：
综上所述，关联规则挖掘技术通过对电力营销数据的挖掘，将数据之间存在的关联性充分展示出来，从而方便电力企业营销分析中快速提取有价值数据，提高营销分析的有效性与科学性。为此，将关联规则挖掘技术应用到电力企业营销分析中，有效的提升了电力企业制定营销策略的科学性，对指导电力企业的持续发展有着重要现实意义。希望文章中分析的关联规则挖掘技术应用策略能够为电力企业的营销分析提供参考，从而促进电力行业的持续、健康、稳定发展。
参考文献：
[1]池云.基于关联规则算法的数据挖掘技术分析与研究[J].电脑编程技巧与维护,2017,30(21):66-67,81.
[2]黄宏本.基于改进关联规则的危险Web信息挖掘技术研究[J].现代电子技术,2016,28(6):14-17,20.
[3]张军,刘文杰.关联规则中基于模糊遗传算法的研究与改进挖掘技术[J].现代电子技术,2017,33(14):23-25,29.
[4]李强.基于关联规则挖掘技术的第三方物流企业营销决策研究[J].物流技术,2013,22(2):189-191.