Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析

1、2022/8/3Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析1預(yù)處理航空客戶數(shù)據(jù)目錄了解航空公司現(xiàn)狀與客戶價(jià)值分析2使用K-Means算法進(jìn)行客戶分群3小結(jié)4Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析分析航空公司現(xiàn)狀1. 行業(yè)內(nèi)競爭民航的競爭除了三大航空公司之間的競爭之外，還將加入新崛起的各類小型航空公司、民營航空公司，甚至國外航空巨頭。航空產(chǎn)品生產(chǎn)過剩，產(chǎn)品同質(zhì)化特征愈加明顯，于是航空公司從價(jià)格、服務(wù)間的競爭逐漸轉(zhuǎn)向?qū)蛻舻母偁?。Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析分析航空公司現(xiàn)狀2. 行業(yè)外競爭隨著高鐵、動(dòng)車等鐵路運(yùn)輸?shù)呐d建，航空公司受到巨大沖

2、擊。Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析目前航空公司已積累了大量的會(huì)員檔案信息和其乘坐航班記錄。以2014-03-31為結(jié)束時(shí)間，選取寬度為兩年的時(shí)間段作為分析觀測窗口，抽取觀測窗口內(nèi)有乘機(jī)記錄的所有客戶的詳細(xì)數(shù)據(jù)形成歷史數(shù)據(jù)，44個(gè)特征，總共62988條記錄。數(shù)據(jù)特征及其說明如右表所示。分析航空公司現(xiàn)狀航空公司數(shù)據(jù)特征說明特征名稱特征說明客戶基本信息MEMBER_NO會(huì)員卡號(hào)FFP_DATE入會(huì)時(shí)間FIRST_FLIGHT_DATE第一次飛行日期GENDER性別FFP_TIER會(huì)員卡級別WORK_CITY工作地城市WORK_PROVINCE工作地所在省份WORK_COUN

3、TRY工作地所在國家AGE年齡Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析航空公司客戶數(shù)據(jù)說明表 名特征名稱特征說明乘機(jī)信息FLIGHT_COUNT觀測窗口內(nèi)的飛行次數(shù)LOAD_TIME觀測窗口的結(jié)束時(shí)間LAST_TO_END最后一次乘機(jī)時(shí)間至觀測窗口結(jié)束時(shí)長AVG_DISCOUNT平均折扣率SUM_YR觀測窗口的票價(jià)收入SEG_KM_SUM觀測窗口的總飛行公里數(shù)LAST_FLIGHT_DATE末次飛行日期AVG_INTERVAL平均乘機(jī)時(shí)間間隔MAX_INTERVAL最大乘機(jī)間隔積分信息EXCHANGE_COUNT積分兌換次數(shù)EP_SUM總精英積分PROMOPTIVE_SUM促銷

4、積分PARTNER_SUM合作伙伴積分POINTS_SUM總累計(jì)積分POINT_NOTFLIGHT非乘機(jī)的積分變動(dòng)次數(shù)BP_SUM總基本積分續(xù)表Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析原始數(shù)據(jù)中包含40多個(gè)特征，利用這些特征做些什么呢？我們又該從哪些角度出發(fā)呢？思考Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析借助航空公司客戶數(shù)據(jù)，對客戶進(jìn)行分類。對不同的客戶類別進(jìn)行特征分析，比較不同類別客戶的客戶價(jià)值。對不同價(jià)值的客戶類別提供個(gè)性化服務(wù)，制定相應(yīng)的營銷策略。項(xiàng)目目標(biāo)結(jié)合目前航空公司的數(shù)據(jù)情況，可以實(shí)現(xiàn)以下目標(biāo)。Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析

5、公司收入的80%來自頂端的20%的客戶。20%的客戶其利潤率100%。90%以上的收入來自現(xiàn)有客戶。大部分的營銷預(yù)算經(jīng)常被用在非現(xiàn)有客戶上。5%至30%的客戶在客戶金字塔中具有升級潛力?？蛻艚鹱炙锌蛻羯?%，意味著銷售收入增加10%，利潤增加50%。這些經(jīng)驗(yàn)也許并不完全準(zhǔn)確，但是它揭示了新時(shí)代客戶分化的趨勢，也說明了對客戶價(jià)值分析的迫切性和必要性。了解客戶價(jià)值分析客戶營銷戰(zhàn)略倡導(dǎo)者Jay & Adam Curry從國外數(shù)百家公司進(jìn)行了客戶營銷實(shí)施的經(jīng)驗(yàn)中提煉了如下經(jīng)驗(yàn)。Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析熟悉航空客戶價(jià)值分析的步驟與流程航空客戶價(jià)值分析項(xiàng)目的總體流程如圖

6、所示。Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析1預(yù)處理航空客戶數(shù)據(jù)目錄了解航空公司現(xiàn)狀與客戶價(jià)值分析2使用K-Means算法進(jìn)行客戶分群3小結(jié)4Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析通過對數(shù)據(jù)觀察發(fā)現(xiàn)原始數(shù)據(jù)中存在票價(jià)為空值，票價(jià)最小值為0，折扣率最小值為0，總飛行公里數(shù)大于0的記錄。票價(jià)為空值的數(shù)據(jù)可能是客戶不存在乘機(jī)記錄造成。處理方法：丟棄票價(jià)為空的記錄。其他的數(shù)據(jù)可能是客戶乘坐0折機(jī)票或者積分兌換造成。由于原始數(shù)據(jù)量大，這類數(shù)據(jù)所占比例較小，對于問題影響不大，因此對其進(jìn)行丟棄處理。處理方法：丟棄票價(jià)為0，平均折扣率不為0，總飛行公里數(shù)大于0的記錄。處理數(shù)

7、據(jù)缺失值與異常值航空公司客戶原始數(shù)據(jù)存在少量的缺失值和異常值，需要清洗后才能用于分析。Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析本項(xiàng)目的目標(biāo)是客戶價(jià)值分析，即通過航空公司客戶數(shù)據(jù)識(shí)別不同價(jià)值的客戶，識(shí)別客戶價(jià)值應(yīng)用最廣泛的模型是RFM模型。R（Recency）指的是最近一次消費(fèi)時(shí)間與截止時(shí)間的間隔。通常情況下，最近一次消費(fèi)時(shí)間與截止時(shí)間的間隔越短，對即時(shí)提供的商品或是服務(wù)也最有可能感興趣。F（Frequency）指顧客在某段時(shí)間內(nèi)所消費(fèi)的次數(shù)?？梢哉f消費(fèi)頻率越高的顧客，也是滿意度越高的顧客，其忠誠度也就越高，顧客價(jià)值也就越大。M（Monetary）指顧客在某段時(shí)間內(nèi)所消費(fèi)的金額。

8、消費(fèi)金額越大的顧客，他們的消費(fèi)能力自然也就越大，這就是所謂“20%的顧客貢獻(xiàn)了80%的銷售額”的二八法則。構(gòu)建航空客戶價(jià)值分析的關(guān)鍵特征1. RFM模型介紹Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析RFM模型包括三個(gè)特征，使用三維坐標(biāo)系進(jìn)行展示，如圖所示。X軸表示Recency，Y軸表示Frequency，Z軸表示Monetary，每個(gè)軸一般會(huì)分成5級表示程度，1為最小，5為最大。構(gòu)建航空客戶價(jià)值分析的關(guān)鍵特征2. RFM模型結(jié)果解讀Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析在RFM模型中，消費(fèi)金額表示在一段時(shí)間內(nèi)，客戶購買該企業(yè)產(chǎn)品金額的總和，由于航空票價(jià)受到運(yùn)輸

9、距離，艙位等級等多種因素影響，同樣消費(fèi)金額的不同旅客對航空公司的價(jià)值是不同的，因此這個(gè)特征并不適合用于航空公司的客戶價(jià)值分析。構(gòu)建航空客戶價(jià)值分析的關(guān)鍵特征3. 傳統(tǒng)RFM模型在航空行業(yè)的缺陷Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析本項(xiàng)目選擇客戶在一定時(shí)間內(nèi)累積的飛行里程M和客戶在一定時(shí)間內(nèi)乘坐艙位所對應(yīng)的折扣系數(shù)的平均值C兩個(gè)特征代替消費(fèi)金額。此外，航空公司會(huì)員入會(huì)時(shí)間的長短在一定程度上能夠影響客戶價(jià)值，所以在模型中增加客戶關(guān)系長度L，作為區(qū)分客戶的另一特征。本項(xiàng)目將客戶關(guān)系長度L，消費(fèi)時(shí)間間隔R，消費(fèi)頻率F，飛行里程M和折扣系數(shù)的平均值C作為航空公司識(shí)別客戶價(jià)值的關(guān)鍵特征（

10、如表 3 2所示），記為LRFMC模型。構(gòu)建航空客戶價(jià)值分析的關(guān)鍵特征4. 航空客戶價(jià)值分析的LRFMC模型模型LRFMC航空公司LRFMC模型會(huì)員入會(huì)時(shí)間距觀測窗口結(jié)束的月數(shù)客戶最近一次乘坐公司飛機(jī)距觀測窗口結(jié)束的月數(shù)客戶在觀測窗口內(nèi)乘坐公司飛機(jī)的次數(shù)客戶在觀測窗口內(nèi)累計(jì)的飛行里程客戶在觀測窗口內(nèi)乘坐艙位所對應(yīng)的折扣系數(shù)的平均值Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析完成五個(gè)特征的構(gòu)建以后，對每個(gè)特征數(shù)據(jù)分布情況進(jìn)行分析，其數(shù)據(jù)的取值范圍如表所示。從表中數(shù)據(jù)可以發(fā)現(xiàn)，五個(gè)特征的取值范圍數(shù)據(jù)差異較大，為了消除數(shù)量級數(shù)據(jù)帶來的影響，需要對數(shù)據(jù)做標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)化LRFMC五個(gè)特征

11、特征名稱LRFMC最小值12.170.0323680.14最大值114.5724.372135807171.5Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析LOAD_TIMEFFP_DATELAST_TO_ENDFLIGHT_COUNTSEG_KM_SUMAVG_DISCOUNT2014/3/312013/3/1623141268501.022014/3/312012/6/266651847300.762014/3/312009/12/8233603871.272014/3/312009/12/101236622591.022014/3/312011/8/251422547301.3

12、6標(biāo)準(zhǔn)化LRFMC五個(gè)特征L、R、F、M和C五個(gè)特征的數(shù)據(jù)示例，上圖為原始數(shù)據(jù)，下圖為標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化處理后的數(shù)據(jù)。LRFMC1.44-0.9514.0326.761.301.31-0.919.0713.132.871.33-0.898.7212.652.880.66-0.420.7812.541.990.39-0.929.9213.901.34Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析1預(yù)處理航空客戶數(shù)據(jù)目錄了解航空公司現(xiàn)狀與客戶價(jià)值分析2使用K-Means算法進(jìn)行客戶分群3小結(jié)4Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析K-Means聚類算法是一種基于質(zhì)心的劃分方法

13、，輸入聚類個(gè)數(shù)k，以及包含n個(gè)數(shù)據(jù)對象的數(shù)據(jù)庫，輸出滿足誤差平方和最小標(biāo)準(zhǔn)的k個(gè)聚類。算法步驟如下。從n個(gè)樣本數(shù)據(jù)中隨機(jī)選取k個(gè)對象作為初始的聚類中心。分別計(jì)算每個(gè)樣本到各個(gè)聚類質(zhì)心的距離，將樣本分配到距離最近的那個(gè)聚類中心類別中。所有樣本分配完成后，重新計(jì)算k個(gè)聚類的中心。與前一次計(jì)算得到的k個(gè)聚類中心比較，如果聚類中心發(fā)生變化，轉(zhuǎn)(2)，否則轉(zhuǎn)(5)。當(dāng)質(zhì)心不發(fā)生變化時(shí)停止并輸出聚類結(jié)果。了解K-Means聚類算法1. 基本概念Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析K-Means聚類算法是在數(shù)值類型數(shù)據(jù)的基礎(chǔ)上進(jìn)行研究，然而數(shù)據(jù)分析的樣本復(fù)雜多樣，因此要求不僅能夠?qū)μ卣鳛?/p>

14、數(shù)值類型的數(shù)據(jù)進(jìn)行分析，還要適應(yīng)數(shù)據(jù)類型的變化，對不同特征做不同變換，以滿足算法的要求。了解K-Means聚類算法2. 數(shù)據(jù)類型Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析K-Means算法在R語言中實(shí)現(xiàn)的核心函數(shù)為kmeans，來源于stats軟件包，其基本語法如下。kmeans(x, centers, iter.max = 10, nstart = 1, algorithm = c(Hartigan-Wong, Lloyd, Forgy,MacQueen)常用參數(shù)及其說明如表所示。了解K-Means聚類算法3. kmeans函數(shù)及其參數(shù)介紹參數(shù)名稱說 明x接收matrix或da

15、taframe。表示進(jìn)行聚類分析的數(shù)據(jù)集。無默認(rèn)。centers接收int。表示初始類的個(gè)數(shù)或者初始類的中心。無默認(rèn)。iter.max接收int。表示最大迭代次數(shù)。默認(rèn)為10。nstart接收int。表示選擇隨機(jī)起始中心點(diǎn)的次數(shù)。默認(rèn)為1。algorithm接收特定character(Hartigan-Wong, Lloyd, Forgy, MacQueen)。默認(rèn)為Hartigan-Wong。Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析K-Means模型構(gòu)建完成后可以通過屬性查看不同的信息，如表所示。了解K-Means聚類算法3. kmeans函數(shù)及其參數(shù)介紹屬性說明cluste

16、r返回int。表示每個(gè)點(diǎn)被分配到的簇。centers返回num。表示聚類中心矩陣。totss返回int。表示所生成簇的總體距離平方和。withinss返回num。表示每個(gè)簇內(nèi)的距離平方和。betweenss返回num。表示每個(gè)簇之間的距離平方和。size返回int。表示每個(gè)簇內(nèi)的數(shù)量。Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析分析聚類結(jié)果對數(shù)據(jù)進(jìn)行聚類分群的結(jié)果如表所示。聚類類別聚類個(gè)數(shù)聚類中心LRFMC客戶群153360.483-0.7992.4832.4250.309客戶群241710.056-0.003-0.226-0.2292.200客戶群3157421.160-0.37

17、7-0.087-0.095-0.156客戶群424663-0.700-0.415-0.161-0.161-0.254客戶群512132-0.3131.686-0.574-0.537-0.173Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析分析聚類結(jié)果針對聚類結(jié)果進(jìn)行特征分析，如圖所示。Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析分析聚類結(jié)果結(jié)合業(yè)務(wù)分析，通過比較各個(gè)特征在群間的大小對某一個(gè)群的特征進(jìn)行評價(jià)分析，從而總結(jié)出每個(gè)群的優(yōu)勢和弱勢特征，具體結(jié)果如表所示。群類別優(yōu)勢特征弱勢特征客戶群1FMR客戶群2CRFM客戶群3FML客戶群4LC客戶群5FMRPython數(shù)據(jù)分析

18、與應(yīng)用-第7章-航空公司客戶價(jià)值分析分析聚類結(jié)果基于特征描述，本項(xiàng)目定義五個(gè)等級的客戶類別：重要保持客戶，重要發(fā)展客戶，重要挽留客戶，一般客戶，低價(jià)值客戶。每種客戶類別的特征如圖所示。Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析會(huì)員的升級與保級：航空公司可以在對會(huì)員升級或保級進(jìn)行評價(jià)的時(shí)間點(diǎn)之前，對那些接近但尚未達(dá)到要求的較高消費(fèi)客戶進(jìn)行適當(dāng)提醒甚至采取一些促銷活動(dòng)，刺激他們通過消費(fèi)達(dá)到相應(yīng)標(biāo)準(zhǔn)。這樣既可以獲得收益，同時(shí)也提高了客戶的滿意度，增加了公司的精英會(huì)員。首次兌換：采取的措施是從數(shù)據(jù)庫中提取出接近但尚未達(dá)到首次兌換標(biāo)準(zhǔn)的會(huì)員，對他們進(jìn)行提醒或促銷，使他們通過消費(fèi)達(dá)到標(biāo)準(zhǔn)。一旦實(shí)現(xiàn)了首次兌換，客戶在本公司進(jìn)行再次消費(fèi)兌換就比在其他公司進(jìn)行兌換要容易許多，在一定程度上等于提高了轉(zhuǎn)移的成本。交叉銷售：通過發(fā)行聯(lián)名卡等與非航空類企業(yè)的合作，使客戶在其他企業(yè)的消費(fèi)過程中獲得本公司的積分，增強(qiáng)與公司的聯(lián)系，提高他們的忠誠度。模型應(yīng)用根據(jù)對各個(gè)客