背景與挖掘目標(biāo)

1. 背景

航空公司業(yè)務(wù)競爭激烈，從產(chǎn)品中心轉(zhuǎn)化為客戶中心

針對不同類型客戶，進行精準(zhǔn)營銷，實現(xiàn)利潤最大化

建立客戶價值評估模型，進行客戶分類，是解決問題的辦法

2. 挖掘目標(biāo)

借助航空公司客戶數(shù)據(jù)，對客戶進行分類

對不同的客戶類別進行特征分析，比較不同類客戶的客戶價值

對不同價值的客戶類別提供個性化服務(wù)，制定相應(yīng)的營銷策略

詳情數(shù)據(jù)見數(shù)據(jù)集內(nèi)容中的air_data.csv和客戶信息屬性說明。

分析方法與過程

1. 分析方法

首先，明確目標(biāo)是客戶價值識別

識別客戶價值，應(yīng)用最廣泛的模型是三個指標(biāo)(消費時間間隔(Recency),消費頻率(Frequency),消費金額(Monetary))

以上指標(biāo)簡稱RFM模型，作用是識別高價值的客戶

消費金額，一般表示一段時間內(nèi)，消費的總額。但是，因為航空票價收到距離和艙位等級的影響，同樣金額對航空公司價值不同

因此，需要修改指標(biāo)。選定變量，艙位因素=艙位所對應(yīng)的折扣系數(shù)的平均值=C，距離因素=一定時間內(nèi)積累的飛行里程=M

再考慮到，航空公司的會員系統(tǒng)，用戶的入會時間長短能在一定程度上影響客戶價值，所以增加指標(biāo)L=入會時間長度=客戶關(guān)系長度

總共確定了五個指標(biāo)，消費時間間隔R，客戶關(guān)系長度L，消費頻率F，飛行里程M和折扣系數(shù)的平均值C

以上指標(biāo)，作為航空公司識別客戶價值指標(biāo)，記為LRFMC模型

如果采用傳統(tǒng)的RFM模型，如下圖。它是依據(jù)，各個屬性的平均值進行劃分，但是，細分的客戶群太多，精準(zhǔn)營銷的成本太高。

 

 

綜上，這次案例，采用聚類的辦法進行識別客戶價值，以LRFMC模型為基礎(chǔ)

本案例，總體流程如下圖

 

 

2.挖掘步驟

從航空公司，選擇性抽取與新增數(shù)據(jù)抽取，形成歷史數(shù)據(jù)和增量數(shù)據(jù)

對步驟一的兩個數(shù)據(jù)，進行數(shù)據(jù)探索性分析和預(yù)處理，主要有缺失值與異常值的分析處理，屬性規(guī)約、清洗和變換

利用步驟2中的已處理數(shù)據(jù)作為建模數(shù)據(jù)，基于旅客價值的LRFMC模型進行客戶分群，對各個客戶群再進行特征分析，識別有價值客戶

針對模型結(jié)果得到不同價值的客戶，采用不同的營銷手段，指定定制化的營銷服務(wù)，或者針對性的優(yōu)惠與關(guān)懷。(重點維護老客戶)

3. 數(shù)據(jù)抽取

選取，2014-03-31為結(jié)束時間，選取寬度為兩年的時間段，作為觀測窗口，抽取觀測窗口內(nèi)所有客戶的詳細數(shù)據(jù)，形成歷史數(shù)據(jù)

對于后續(xù)新增的客戶信息，采用目前的時間作為重點，形成新增數(shù)據(jù)

4. 探索性分析

本案例的探索分析，主要對數(shù)據(jù)進行缺失值和異常值分析

發(fā)現(xiàn)，存在票價為控制，折扣率為0，飛行公里數(shù)為0。票價為空值，可能是不存在飛行記錄，其他空值可能是，飛機票來自于積分兌換等渠道

查找每列屬性觀測值中空值的個數(shù)、最大值、最小值的代碼如下

 

 

 

 

--

 

5. 數(shù)據(jù)預(yù)處理

數(shù)據(jù)清洗

丟棄票價為空記錄

丟棄票價為0、平均折扣率不為0、總飛行公里數(shù)大于0的記錄

 

 

 

 

6. 屬性規(guī)約

原始數(shù)據(jù)中屬性太多，根據(jù)航空公司客戶價值LRFMC模型，選擇與模型相關(guān)的六個屬性

刪除其他無用屬性，如會員卡號等等

 

 

 

 

7. 數(shù)據(jù)變換

意思是，將原始數(shù)據(jù)轉(zhuǎn)換成“適當(dāng)”的格式，用來適應(yīng)算法和分析等等的需要

本案例，主要采用數(shù)據(jù)變換的方式為屬性構(gòu)造和數(shù)據(jù)標(biāo)準(zhǔn)化 3.需要構(gòu)造LRFMC的五個指標(biāo)

L=LOAD_TIME-FFP_DATE(會員入會時間距觀測窗口結(jié)束的月數(shù)=觀測窗口的結(jié)束時間-入會時間(單位：月))

R=LAST_TO_END(客戶最近一次乘坐公司距觀測窗口結(jié)束的月數(shù)=最后一次。。。)

F=FLIGHT_COUNT(觀測窗口內(nèi)的飛行次數(shù))

M=SEG_KM_SUM(觀測窗口的總飛行里程)

C=AVG_DISCOUNT(平均折扣率)

 

 

模型構(gòu)建

1. 客戶聚類

利用K-Means聚類算法對客戶數(shù)據(jù)進行客戶分群，聚成五類(根據(jù)業(yè)務(wù)理解和需要，分析與討論后，確定客戶類別數(shù)量)。

代碼如下：

 

 

 

 

就剩下最后一步，畫圖：

 

 

 

 

 

 

客戶群1：red，

客戶群2：green，

客戶群3：yellow，

客戶群4：blue，

客戶群5：black

 

 

客戶關(guān)系長度L，消費時間間隔R，消費頻率F，飛行里程M，折扣系數(shù)的平均值C。

橫坐標(biāo)上，總共有五個節(jié)點，按順序?qū)��?yīng)LRFMC。

對應(yīng)節(jié)點上的客戶群的屬性值，代表該客戶群的該屬性的程度。

2. 客戶價值分析

我們重點關(guān)注的是L，F(xiàn)，M，從圖中可以看到：

客戶群4[blue] 的F,M很高，L也不低，可以看做是重要保持的客戶;

客戶群3[yellow] 重要發(fā)展客戶

客戶群1[red] 重要挽留客戶，原因：入會時間長，但是F,M較低

客戶群2[green] 一般客戶

客戶群5[black] 低價值客戶

重要保持客戶：R(最近乘坐航班)低，F(xiàn)(乘坐次數(shù))、C(平均折扣率高，艙位較高)、M(里程數(shù))高。最優(yōu)先的目標(biāo)，進行差異化管理，提高滿意度。

重要發(fā)展客戶：R低，C高，F(xiàn)或M較低，潛在價值客戶。雖然說，當(dāng)前價值不高，但是卻有很大的發(fā)展?jié)摿Γ�促使這類客戶在本公司消費和合作伙伴處消費。

重要挽留客戶：C、F、M較高，但是較長時間沒有乘坐(R)小。增加與這類客戶的互動，了解情況，采取一定手段，延長客戶生命周期。

一般與低價值客戶：C、F、M、L低，R高。他們可能是在公司打折促銷時才會乘坐本公司航班。

 

 

3. 模型應(yīng)用

會員的升級與保級(積分兌換原理相同)

會員可以分為，鉆石，白金，金卡，銀卡…

部分客戶會因為不了解自身積分情況，錯失升級機會，客戶和航空公司都會有損失

在會員接近升級前，對高價值客戶進行促銷活動，刺激他們消費達到標(biāo)準(zhǔn)，雙方獲利

4. 交叉銷售

通過發(fā)行聯(lián)名卡與非航空公司各做，使得企業(yè)在其他企業(yè)消費過程中獲得本公司的積分，增強與本公司聯(lián)系，提高忠誠度。

5. 管理模式

企業(yè)要獲得長期的豐厚利潤，必須需要大量穩(wěn)定的、高質(zhì)量的客戶

維持老客戶的成本遠遠低于新客戶，保持優(yōu)質(zhì)客戶是十分重要的

精準(zhǔn)營銷中，也有成本因素，所以按照客戶價值排名，進行優(yōu)先的，特別的營銷策略，是維持客戶的關(guān)鍵。

6.小結(jié)

本文，結(jié)合航空公司客戶價值案例的分析，重點介紹了數(shù)據(jù)挖掘算法中K-Means聚類算法的應(yīng)用。 針對，傳統(tǒng)RFM模型的不足，結(jié)合案例進行改造，設(shè)定了五個指標(biāo)的LRFMC模型。最后通過聚類的結(jié)果，選出客戶價值排行，并且制定相應(yīng)策略。

標(biāo)簽： 代碼 排名 優(yōu)惠

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。