[0001] 本申请涉及营销管理技术领域，尤其涉及一种能源互联网营销服务系统的集成管理方法及装置。

[0002] 随着能源互联网的快速发展，营销服务系统在电力等能源行业中的作用日益显著，它不仅支撑着能源市场的高效运作，还为客户提供个性化、智能化的服务体验。

[0003] 目前，现有的能源互联网营销服务系统通常基于传统的I T架构，包括但不限于营销营业管理、计量管理、客户服务、市场管理、智能用电、综合管理等业务系统。这些业务系统虽然能够实现基本的业务功能，但因不同的业务系统各自独立运行，导致相关的营销服务数据分散在多个业务系统中，不仅增加了数据管理的复杂性，还阻碍了跨部门和跨业务线的数据共享与分析，进而影响能源互联网营销服务的智能化，降低营销服务对应的业务决策能力。

[0025] 下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

[0026] 目前，现有的能源互联网营销服务系统通常基于传统的I T架构，包括但不限于营销营业管理、计量管理、客户服务、市场管理、智能用电、综合管理等业务系统。这些业务系统虽然能够实现基本的业务功能，但因不同的业务系统各自独立运行，导致相关的营销服务数据分散在多个业务系统中，不仅增加了数据管理的复杂性，还阻碍了跨部门和跨业务线的数据共享与分析，进而影响能源互联网营销服务的智能化，降低营销服务对应的业务决策能力。

[0027] 为此，本申请实施例提供了一种能源互联网营销服务系统的集成管理方法，通过该方法能够促进能源互联网营销服务的智能化，提升营销服务对应的业务决策能力，其具体执行步骤如图1所示，至少包括101‑104。

[0028] 101、获取与能源营销服务相关的多个业务需求。

[0029] 需要说明的是，在本实施例中，能源营销服务相关的多个业务需求包括但不限于客户服务、市场分析、销售预测、能耗分析、客户行为模式识别和价格策略制定等。在本步骤中，该业务需求可以通过各部门或各业务线进行需求调研来确定，如会议沟通、问卷调查等，也可以通过整理各部门或各业务线与能源营销服务相关的历史业务需求或分析行业趋势研究等来确定，对此，本实施例不做限定。

[0030] 102、根据业务需求在各个业务系统对应的系统数据中分别抽取待集成数据。

[0031] 其中，业务系统用于表征能源互联网营销服务系统在执行能源营销服务的过程中所依赖的系统。

[0032] 在本步骤中，各个业务系统包括但不限于营销营业管理、计量管理、客户服务、市场管理、智能用电、综合管理等几大类业务系统。这些业务系统均是能源互联网营销服务系统在执行能源营销服务时所依赖的系统，即各个业务系统分别为能源互联网营销服务系统的不同数据源，通过各个业务系统之间的配合实现能源互联网营销服务。由于已经确定多个业务需求，待集成数据即是实现多个业务需求的所需要的数据，也就是说，待集成数据的抽取要对应业务需求，如需要进行销售预测，那么可能就需要从各个业务系统的系统数据抽取销售记录、客户资料、历史用电量等。具体的，可预先为每个业务需求创建一个相应的数据字典，即确定所需数据的来源、字段名称、数据类型、更新频率等。通过数据字典从这些系统的系统数据中抽取与营销服务直接相关的数据，如客户用电量、服务请求记录、交易详情和客户反馈等。而数据抽取过程可以采用ETL(Extract,Transform,Load)工具，以确保数据的质量和一致性。

[0033] 需要说明的是，在得到待集成数据后，为了保证待集成数据的完整性和准确性，可以对待集成进行预处理，包括去除重复项、填充缺失值、纠正错误数据等。

[0034] 103、将待集成数据对应的数据字段映射至数据融合模型中，得到客户融合数据。

[0035] 在本步骤中，数据融合模型用于整合和统一来自不同业务系统的异构数据，以创建一个全面、一致的客户视图。通过将待集成数据对应的数据字段映射至数据融合模型中，即可得到客户融合数据，而该客户融合数据即是指通过数据融合模型整合和统一的、来自多个业务系统的客户相关信息集合，即客户视图。该客户视图包含所有与客户相关的信息，如个人资料、交易历史、服务请求、反馈等。即关于客户的各种维度的信息。具体的，可将数据字段中代表客户字段作为该数据融合模型的客户实体，如用户编号、设备ID等，将剩余字段映射至相应客户实体的实体属性中，从而得到每个客户实体对应的实体数据，即客户融合数据。通过对不同业务系统抽取的待集成数据以客户为主体进行融合，能够确保最终的客户融合数据准确反映客户的真实情况，进而为后续的预测模型提供可靠的基础。

[0036] 104、基于客户融合数据构建每个业务需求对应的预测模型，并将多个预测模型集成存储至能源互联网营销服务系统中，以便依据预测模型的预测结果对能源营销服务进行业务决策。

[0037] 在本步骤中，由于已经得到了集成各个业务系统中与能源营销服务相关的客户融合数据，因此，为了更好的满足业务需求，从而为能源营销服务的业务决策提供帮助，使其更加智能化。具体的，可以基于客户融合数据构建每个业务需求对应的预测模型，该预测模型的构建可以使用机器学习算法，如回归分析、决策树、神经网络等。其中，一个业务需求对应一个不同的预测模型。该预测模型包括但不限于客户流失预测模型、销售预测模型或价格敏感度模型等。将构建好的多个预测模型集成到能源互联网营销服务系统中，使得业务决策者可以根据预测结果做出更加明智的决策，如调整营销策略、优化客户服务流程或改进产品定价等。该集成存储过程可以将每个预测模型封装成独立的可执行体，即一个模型服务，该模型服务可以作为一个功能模块或微服务，为可执行体定义一个清晰的输入输出接口，使得可执行体可以作为一个独立的组件被调用，也可以开发一个API(应用程序编程接口)来暴露可执行体的功能，还可以使用容器技术(如Docker)和容器编排工具(如Kubernetes)将预测模型部署为可执行体，通常是在云平台或本地服务器上。对此，本实施例不做限定。

[0038] 示例性的，假设业务需求为预测未来一个月的客户流失率，以便采取措施降低客户流失，提高客户满意度和忠诚度。首先，根据业务需求可知，其对应的预测目标是预测未来一段时间内的客户流失率。接着，针对该预测目标，在根据步骤103中得到的客户融合数据，包括客户基本信息、历史交易记录和服务请求记录等，并从中选择与客户流失相关的特征，如客户满意度评分、最近一次交易时间、服务请求频率和历史投诉次数等。然后，选择随机森林作为待训练的预测模型，并将得到的特征数据划分为训练集和测试集，使用训练集训练预测模型，使用测试集评估模型的性能，得到对应业务需求的预测模型，即训练好的客户流失率预测模型。最后，将训练好的客户流失率预测模型部署到能源互联网营销服务系统中，通过调用该客户流失率预测模型对新收集的客户融合数据进行实时预测，以获得未来一个月的客户流失率，即预测结果。

[0039] 针对该预测结果，具体的业务决策过程为：根据预测结果将客户分为不同风险等级，并针对不同风险等级的客户制定个性化的挽留计划。例如，对于高风险客户，可以提供优惠券、升级服务等措施；对于中风险客户，可以通过增加客户互动和服务质量来提高客户满意度；而对于低风险客户，可以关注长期关系建设，例如推出会员计划。

[0040] 此外，为了保证预测模型能够更好地应对不断变化的市场环境和客户需求，可以定期重新训练该多个预测模型，例如一周或一个月等，也可以实时对该多个预测模型进行性能监控，并根据监控结果来确定是否重新训练该多个预测模型。

[0041] 基于上述图1的实现方式可以看出，本申请提供的一种能源互联网营销服务系统的集成管理方法，是在需要对能源互联网营销服务系统进行集成管理时，首先获取与能源营销服务相关的多个业务需求，接着根据业务需求在各个业务系统的系统数据中分别抽取待集成数据，各个业务系统为能源互联网营销服务系统的不同数据源，然后将待集成数据对应的数据字段映射至数据融合模型中，得到客户融合数据，最后基于客户融合数据构建每个业务需求对应的预测模型，并将多个预测模型集成存储至能源互联网营销服务系统中，以便依据预测结果对能源营销服务进行业务决策。通过本申请提供的技术方案，能够根据业务需求在各个业务系统中获取与能源营销服务相关的待集成数据，并利用数据融合模型得到客户融合数据，打破原有各个业务系统之间的数据孤岛，实现数据整合，降低数据管理的复杂性，实现跨部门和跨业务线的数据共享与分析，再通过使用客户融合数据构建对应业务需求的预测模型，并集成在能源互联网营销服务系统中，以通过各个预测模型的预测结果来支撑业务决策，从而有效促进能源互联网营销服务的智能化，提升营销服务对应的业务决策能力。

[0042] 进一步的，本申请优选实施例是在上述图1的基础上，针对能源互联网营销服务系统的集成管理的过程进行的详细说明，其具体步骤如图2所示，包括201‑209：

[0043] 201、获取与能源营销服务相关的多个业务需求。

[0044] 本步骤结合上述方法中101步骤的描述，在此相同的内容不再赘述。

[0045] 202、根据业务需求在各个业务系统对应的系统数据中分别抽取待集成数据。

[0046] 本步骤结合上述方法中102步骤的描述，在此相同的内容不再赘述。需要说明的是，根据业务需求在各个业务系统对应的系统数据中分别抽取待集成数据的具体执行过程为：获取每个业务需求预先构建的数据字典；根据数据字典分别在各个业务系统对应的系统数据中进行字段匹配，得到待集成字段；利用预设的筛选规则在待集成字段中确定待抽取字段；抽取待抽取字段，得到待集成数据。

[0047] 在本步骤中，数据字典可以预先根据业务需求的细节确定需要哪些数据来支持这些业务需求的实现。即基于业务需求，确定哪些数据字段是必需的。如对于客户服务需求，则可能需要客户ID、联系信息、服务历史记录等数据字段。收集每个数据字段的元数据，包括字段名称、字段类型和字段描述等。使用表格、数据库或专门的数据字典管理系统来记录上述信息，以确保数据字典易于更新和维护。当确定业务需求后，即可从而上述提及的表格、数据库或专门的数据字典管理系统中获取相应的数据字典。

[0048] 通过数据字典的指导，即可从各个业务系统中准确地匹配到符合业务需求的待集成字段。由于各个业务系统分别是能源互联网营销系统的不同数据源，因此，可以从各个业务系统中确定哪些业务系统包含数据字典中列出的数据字段。而该匹配过程得到的待集成字段需要与数据字典中的字段的类型一致且语义相似，因此，可通过设置一个筛选规则，该筛选规则用于表征基于字段的类型和语义进行筛选的规则，具体的，可分别比对数据字典中的字段与该字段在业务系统中匹配得到的待集成字段的类型是否一致，若一致，则计算二者之间的语义相似度，当语义相似度高于预设的相似度阈值时，则确定该待集成字段是需要被抽取的，反之则将该待集成字段剔除，从而保证最终抽取的字段是准确的，即使得待集成数据是准确的，进而提高后续数据融合的精确性。而该抽取过程，则可以通过编写SQL查询语句或其他数据抽取工具来抽取待抽取字段，得到待集成数据。

[0049] 203、将数据字段中的目标字段映射至数据融合模型的客户实体。

[0050] 其中，目标字段为代表客户的字段。

[0051] 在本步骤中，目标字段可以是客户ID或类似可以唯一识别每个客户的字段，如用户编号、设备ID等，如智能电表ID。对目标字段进行数据清理，处理缺失值或不一致的记录，同时，如果目标字段在不同业务系统中有不同的表示形式，可以预先设置一个指定格式，并按照指定格式进行转换，得到统一的格式。将目标字段映射为数据融合模型中的客户实体，以便于链接和聚合所有与特定客户相关的信息。

[0052] 204、将数据字段中的剩余字段映射至客户实体对应的实体属性中，得到每个客户实体对应的实体数据。

[0053] 在本步骤中，可以预先将客户实体及其属性组织成结构化的数据格式，如JSON、XML或关系数据库表，将除了目标字段外且客户相关的剩余所有数据字段按照客户实体的属性进行一一映射，从而将来自不同业务系统的相同属性数据合并，以构建出每个客户实体的详细信息，即实体数据。

[0054] 205、将所有客户实体对应的实体数据作为客户融合数据。

[0055] 在本步骤中，将所有客户实体及其属性数据集合在一起，汇总形成一个完整的客户融合数据集，即客户融合数据。为了访问和进一步的分析该客户融合数据，可以将客户融合数据存储在一个中心化的位置，如能源互联网营销系统的数据仓库或数据湖等，以作为后续分析和预测的基础。

[0056] 206、根据每个业务需求确定相应的预测目标。

[0057] 在本步骤中，由于每个业务需求都具有明确的业务目标，因此，将定性的业务目标转化为可量化的预测目标，如客户流失率、销售额、需求量等。具体的，可预先为每个业务需求定义一个或多个可衡量的指标数据以及相应的时间尺度，其中指标数据可以为比率(如客户流失率、库存周转率)、频率(如客户回购频率)、金额(如总销售额、平均订单价值)、数量(如需求量、点击量)或其他数值型数据，而时间尺度可以为短期尺度(如一天、一周、一月)或长期尺度(如一季度、半年、一年)等。其中，指标数据和时间尺度之间具有对应关系，以确保每个指标数据都有一个明确的时间尺度与之对应，从而清楚地定义预测目标。例如，"预测下个季度的客户流失率"或"预测下一年的总销售额"等。当业务需求对应一个指标数据时，则根据该指标数据和该指标数据对应的时间尺度即可确定相应的预测目标，当业务需求对应多个指标数据时，可以分别计算每个指标数据与业务需求的契合度，基于契合度最高的指标数据以及其对应的时间尺度来确定相应的预测目标，该契合度可以使用统计方法(如相关性分析、主成分分析)来评估不同指标数据之间的关系，识别哪些指标之间存在强相关性，哪些指标提供了独特信息，从而确定出契合度最高的指标数据。除此之外，当业务需求对应多个指标数据时，也可以直接基于多个指标数据以及每个指标数据对应的时间尺度得到多个预测目标，并将多个预测目标作为一个整体，以在步骤207中训练一个多目标的预测模型。

[0058] 示例一：

[0059] 假设业务需求为提高客户满意度，其对应的指标数据为一个，即客户净推荐值(NPS)，该指标数据对应的时间尺度为一季度，则相应的预测目标为：预测下一季度的客户净推荐值。其中，业务需求是提高客户满意度，而客户净推荐值(NPS)是一个广泛使用的指标，用来衡量客户愿意向他人推荐公司产品或服务的程度。由于NPS是一个比率型指标，且客户满意度的改变往往需要一定时间来体现，因此预先设置一季度作为时间尺度是合理的。

[0060] 示例二：

[0061] 假设业务需求为优化电力供应，以提升用户用电体验和能源效率。其对应的指标数据分别为：用户用电量预测准确率、用电高峰期预测准确率和能源效率提升率。其各自对应的时间尺度分别为：一个月、一季度和一年。为了确定与业务需求契合度最高的指标数据，具体可以使用相关性分析评估各个指标数据与业务需求之间的关系强度，该关系强度可以采用皮尔逊相关系数(适用于线性关系)和斯皮尔曼等级相关系数(适用于非线性关系)的平均值来表征。如果经过计算，关系强度最大的指标数据为能源效率提升率，则最终的预测目标为：预测下一年的能源效率提升率。

[0062] 207、根据每个预测目标在客户融合数据中提取相应的特征数据集，并基于多个特征数据集训练多个预测模型。

[0063] 在本步骤中，可以基于业务知识和数据探索，选择可能影响预测目标的特征。也可以计算每个特征与预测目标的相关系数，例如皮尔逊相关系数或斯皮尔曼等级相关系数等，通过设置相关系数阈值来圈定与预测目标相关的特征数据，对此，本实施例不做限定。使用不同的特征数据集训练不同的预测模型，该多个预测模型可以采用多种机器学习算法，如线性回归、随机森林、神经网络等。具体的，可以根据预测目标的目标特性或特征数据集的数据特性来确定每个预测目标适配的预测模型。其中，目标特性包括目标类型和目标复杂度，目标类型包括分类类型和回归类型，目标复杂度用于表征特征数据集与预测目标是否为线性关系。数据特性包括数据规模、数据类型和数据质量，数据规模用于表征特征数据集的数据量大小，数据类型包括数值型和类别型，数据质量包括特征数据集是否存在缺失值或异常值。可将目标类型、目标复杂度、数据规模、数据类型和数据质量作为抉择指标，分别预先定义一个抉择指标与预测模型的关联关系表，基于该关联关系表分别确定目标类型、目标复杂度、数据规模、数据类型和数据质量各自对应的预测模型类别，可选取出现次数最多的预测模型作为该预测目标最终的预测模型，也可以为上述抉择指标设置不同的权重，将加权计算得到分值最大的预测模型作为该预测目标最终的预测模型，对此，本实施例不做限定。通过这样的预测模型选取方式，能够保证每个预测目标都能选取其适配的预测模型进行训练，进而保证后续业务决策的准确性。为了保证提取特征数据集的准确性，以保证预测模型的精确性。针对上述关于根据相关系数相应的特征数据集的描述，确定根据每个预测目标在客户融合数据中提取相应的特征数据集的具体执行过程为：根据客户融合数据中每个特征数据在指定周期内的数据表现确定每个特征数据对应的相关系数类型，数据表现包括线性偏差大小和异常值出现频率；按照相关系数类型分别计算每个特征数据与各个预测目标之间的相关系数；将相关系数高于预设的相关系数阈值的特征数据作为各个预测目标的特征数据集，一个相关系数阈值对应一个预测目标。

[0064] 其中，指定周期可以根据预测目标来对应设置，如短期尺度(如一天、一周、一月)或长期尺度(如一季度、半年、一年)等。而相关系数类型的选择取决于每个特征数据在指定周期内的数据表现，具体是指每个特征数据的线性偏差大小和异常值出现频率。线性偏差大小指的是特征数据在指定周期内的数据点相对于线性回归模型的预测值的偏差程度。具体可计算线性回归模型的残差(即实际值与预测值之差)来评估线性偏差大小，残差的标准差越小，表明线性偏差越小，通过将每个特征数据计算得到的残差，即线性偏差大小，将其与预设的偏差阈值进行比较，即可确定该特征数据在指定周期内的分布情况。而异常值出现频率指的是在指定周期内特征数据中出现异常值的比例。异常值是指显著偏离其他观察值的值。具体可使用四分位距或Z‑score(标准化得分)来识别异常值。通过计算异常值在指定周期内的出现频率，并与预设的频率阈值进行比较，即可确定该特征数据在指定周期内的异常值出现情况。通过结合上述的分布情况和异常值出现情况，即可确定每个特征数据的数据表现。即当线性偏差小于等于预设的残差阈值且异常值在指定周期内的出现频率小于等于预设的频率阈值时，则特征数据为线性相关系数类型，此时将计算得到的皮尔逊相关系数作为该特征数据的相关系数。当线性偏差大于预设的残差阈值和/或异常值在指定周期内的出现频率大于预设的频率阈值时，则特征数据为非线性相关系数类型，此时将计算得到的斯皮尔曼等级相关系数作为该特征数据的相关系数。

[0065] 该相关系数阈值可以通过领域知识和先验信息确定哪些特征数据可能对预测目标有影响，并以这些特征数据中最低的相关系数作为相关系数阈值。通过这种方式，即可为每个预测目标设置一个对应的相关系数阈值。另外，该相关系数阈值还可以根据预测模型的精度要求进行调整。

[0066] 对于上述针对异常值识别的描述，示例性的，

[0067] 采用四分位距来识别异常值：

[0068] 公式：

[0069] IQR＝Q3‑Q1

[0070] 下限＝Q1‑1.5×IQR

[0071] 上限＝Q3+1.5×IQR

[0072] 其中，Q1(第一四分位数)：数据集中最小的25％数据的最大值；Q3(第三四分位数)：数据集中最大的25％数据的最小值；IQR(四分位距)：Q3与Q1之间的距离，即中间50％数据的范围。任何低于Q1‑1.5×IQR的值被认为是下限异常值；任何高于Q3+1.5×IQR的值被认为是上限异常值。

[0073] 采用Z‑score方法来识别异常值：

[0074] 公式：Z＝σx‑μ

[0075] 其中，x是数据点的值；μ是数据集的平均值；σ是数据集的标准差。通常情况下，任何Z‑score大于3或小于‑3的数据点被视为异常值。

[0076] 208、将多个预测模型按照对应的业务需求封装为多个可执行体。

[0077] 其中，可执行体用于表征定义了有效时长和调用方式的模型服务。

[0078] 使用Docker容器等方式将每个预测模型及其依赖项分别打包成多个可执行体，即使其成为一个能够被重复调用的功能或微服务等，即模型服务。为每个模型服务定义明确的调用方式和有效时长，调用方式则包括API接口、参数说明、认证与授权、调用频率与限制和错误处理等，而有效时长是指每个由预测模型封装后得到的模型服务的可用时长。通过有效时长和调用方式的设置，能够使得该封装了预测模型的多个可执行体能够在其对应的可用时长内被有效调用。从而在接收到相应的与能源营销服务相关的业务需求时，能够根据调用该预测模型对该业务需求进行预测，从而根据预测结果对能源营销服务的业务决策提供帮助。

[0079] 209、将多个可执行体集成存储至能源互联网营销服务系统中，以便于在能源互联网营销服务系统中调用。

[0080] 在本步骤中，可根据计算资源和网络带宽等是否足够在能源互联网营销服务系统中选择合适的部署环境，如能源互联网营销服务系统对应的云服务器、本地服务器或边缘设备等，对此，本实施例不做限定。通过将模型服务部署到能源互联网营销服务系统中，使其成为能源互联网营销服务系统的一部分，从而使其可供实时或批量调用。从而在接收到相应的与能源营销服务相关的业务需求时，能够根据调用该预测模型对该业务需求进行预测，从而根据预测结果对能源营销服务的业务决策提供帮助。

[0081] 进一步的，由前述步骤208可知，可执行体还涉及有效时长因此，为了保证预测模型更好地应对不断变化的市场环境和客户需求，从而保证预测结果的准确性。方法还包括：当有效时长的剩余时长小于预设的时长阈值时，则按照最新的客户融合数据重新构建每个业务需求对应的新的预测模型；将多个新的预测模型集成存储至能源互联网营销服务系统中，并按照调用状态删除原有的多个预测模型。

[0082] 其中，由于预测模型在构建完成时会设置有效时长，因此，通过对照当前时刻即可监测到有效时长的剩余时长。为了使预测模型的更新能够在有效时长对应的结束时刻前得到其对应的新的预测模型，可以预设一个有效时长对应的时长阈值，该时长阈值的设定可以基于业务需求的时效性、数据更新频率或模型预测性能的衰退速度来设定，对此，本实施例不做限定。一旦监测到某个预测模型的有效时长剩余低于预设的时长阈值，系统自动触发预测模型的重新构建流程，即重复前述步骤201‑208过程，按照最新的客户融合数据重新构建每个业务需求对应的新的预测模型，将多个新的预测模型集成存储至能源互联网营销服务系统中。

[0083] 为了避免两个功能重复的预测模型同时存在，在将多个新的预测模型集成存储至能源互联网营销服务系统中后，需要对系统中原有的预测模型进行删除处理，但如果删除操作发生在原有的预测模型正在被调用的阶段，则可能打断客户的预测操作，进而降低用户体验，因此，为了增强用户体验，可以按照调用状态依次删除多个预测模型，具体执行过程为：若预测模型的调用状态为未被调用，则删除预测模型；若预测模型的调用状态为被调用，则预测模型的调用状态变更为未被调用时删除预测模型。

[0084] 其中，调用状态包括正在被调用和未被调用，具体可以通过查询预测模型封装后所对应的模型服务的当前状态或调用计数器来确定，如果调用状态为未被调用，则执行预测模型的删除操作，即从能源互联网营销服务系统中卸载该预测模型，释放其占用的资源。如果调用状态为被调用，则设置一个监控机制，当该预测模型不再被调用时，即其调用状态变更为未被调用时，立即执行删除操作。

[0085] 进一步的，作为对上述图1‑2所示方法实施例的实现，本申请实施例提供了一种能源互联网营销服务系统的集成管理装置，该装置用于促进能源互联网营销服务的智能化，提升营销服务对应的业务决策能力。该装置的实施例与前述方法实施例对应，为便于阅读，本实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。具体如图3所示，该装置包括：

[0086] 获取单元31，用于获取与能源营销服务相关的多个业务需求；

[0087] 抽取单元32，用于根据所述业务需求在各个业务系统对应的系统数据中分别抽取待集成数据，各个所述业务系统为能源互联网营销服务系统的不同数据源；

[0088] 融合单元33，用于将所述待集成数据对应的数据字段映射至数据融合模型中，得到客户融合数据；

[0089] 处理单元34，用于基于所述客户融合数据构建每个所述业务需求对应的预测模型，并将多个所述预测模型集成存储至能源互联网营销服务系统中，以便依据所述预测模型的预测结果对能源营销服务进行业务决策。

[0090] 进一步的，如图4所示，所述抽取单元32，包括：

[0091] 获取模块321，用于获取每个所述业务需求预先构建的数据字典；

[0092] 筛选模块322，利用预设的筛选规则在所述待集成字段中确定待抽取字段，所述筛选规则用于表征基于字段的类型和语义进行筛选的规则；

[0093] 抽取模块323，抽取所述待抽取字段，得到所述待集成数据。

[0094] 进一步的，如图4所示，所述融合单元33，包括：

[0095] 第一确定模块331，用于将所述数据字段中的目标字段映射至所述数据融合模型的客户实体，所述目标字段为客户字段；

[0096] 映射模块332，用于并将所述数据字段中的剩余字段映射至所述客户实体对应的实体属性中，得到每个所述客户实体对应的实体数据；

[0097] 第二确定模块333，用于将所有所述客户实体对应的实体数据作为所述客户融合数据。

[0098] 进一步的，如图4所示，所述处理单元34，包括：

[0099] 第三确定模块341，用于根据每个所述业务需求确定相应的预测目标；

[0100] 提取模块342，用于根据每个所述预测目标在所述客户融合数据中提取相应的特征数据集，并基于多个所述特征数据集训练多个所述预测模型；

[0101] 封装模块343，用于将多个所述预测模型按照对应的所述业务需求封装为多个可执行体所述可执行体用于表征定义了有效时长和调用方式的模型服务；

[0102] 集成模块344，用于将多个所述可执行体集成存储至能源互联网营销服务系统中，以便于在能源互联网营销服务系统中调用。

[0103] 进一步的，如图4所示，所述提取模块432，具体用于，

[0104] 根据所述客户融合数据中每个特征数据在指定周期内的数据表现确定每个所述特征数据对应的相关系数类型，所述数据表现包括线性偏差大小和异常值出现频率；

[0105] 按照所述相关系数类型分别计算每个所述个所述特征数据与各个所述预测目标之间的相关系数；

[0106] 将所述相关系数高于预设的相关系数阈值的特征数据作为各个所述预测目标的特征数据集，一个所述相关系数阈值对应一个所述预测目标。

[0107] 进一步的，如图4所示，所述装置还包括：

[0108] 更新模块345，用于当所述有效调用时长的剩余时长小于预设的时长阈值时，则按照最新的客户融合数据重新构建每个所述业务需求对应的新的预测模型；

[0109] 所述集成模块343，还用于将多个所述新的预测模型集成存储至能源互联网营销服务系统中，并按照调用状态删除原有的多个所述预测模型。

[0110] 进一步的，如图4所示，所述更新模块345，具体用于，

[0111] 若所述预测模型的所述调用状态为未被调用，则删除所述预测模型；

[0112] 若所述预测模型的所述调用状态为被调用，则所述预测模型的所述调用状态变更为未被调用时删除所述预测模型。

[0113] 进一步的，本申请实施例还提供一种存储介质，所述存储介质用于存储计算机程序，其中，所述计算机程序运行时控制所述存储介质所在设备执行上述图1‑2中所述的能源互联网营销服务系统的集成管理方法。

[0114] 进一步的，本申请实施例还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述图1‑2中所述的能源互联网营销服务系统的集成管理方法。

[0115] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

[0116] 可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

[0117] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

[0118] 在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

[0119] 此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(f l ash RAM)，存储器包括至少一个存储芯片。

[0120] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。

[0121] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0122] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0123] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0124] 在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

[0125] 存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(f l ash RAM)。存储器是计算机可读介质的示例。

[0126] 计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD‑ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(trans itory med i a)，如调制的数据信号和载波。

[0127] 还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

[0128] 本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。

[0129] 以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。