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

航空公司客戶價(jià)值分析2022/12/30航空公司客戶價(jià)值分析2022/12/271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)41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使用分析航空公司現(xiàn)狀1.行業(yè)內(nèi)競(jìng)爭(zhēng)民航的競(jìng)爭(zhēng)除了三大航空公司之間的競(jìng)爭(zhēng)之外，還將加入新崛起的各類小型航空公司、民營(yíng)航空公司，甚至國(guó)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(jìng)爭(zhēng)逐漸轉(zhuǎn)向?qū)蛻舻母?jìng)爭(zhēng)。分析航空公司現(xiàn)狀1.行業(yè)內(nèi)競(jìng)爭(zhēng)民航的競(jìng)爭(zhēng)除了三大航空公司之分析航空公司現(xiàn)狀2.行業(yè)外競(jìng)爭(zhēng)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擊。分析航空公司現(xiàn)狀2.行業(yè)外競(jìng)爭(zhēng)隨著高鐵、動(dòng)車等鐵路運(yùn)輸?shù)呐d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(cè)窗口，抽取觀測(cè)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。分析航空公司客戶數(shù)據(jù)說明續(xù)表航空公司客戶數(shù)據(jù)說明續(xù)表原始數(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？我們又該借助航空公司客戶數(shù)據(jù)，對(duì)客戶進(jìn)行分類。對(duì)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(duì)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(yíng)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)。借助航空公司客戶數(shù)據(jù)，對(duì)客戶進(jìn)行分類。項(xiàng)目目標(biāo)結(jié)合目前航空公公司收入的80%來自頂端的20%的客戶。20%的客戶其利潤(rùn)率100%。90%以上的收入來自現(xiàn)有客戶。大部分的營(yíng)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(jí)潛力?？蛻艚鹱炙锌蛻羯?jí)2%，意味著銷售收入增加10%，利潤(rùn)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(shì)，也說明了對(duì)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(yíng)銷戰(zhàn)略倡導(dǎo)者Jay&AdamCurry從國(guó)外數(shù)百家公司進(jìn)行了客戶營(yíng)銷實(shí)施的經(jīng)驗(yàn)中提煉了如下經(jīng)驗(yàn)。公司收入的80%來自頂端的20%的客戶。了解客戶價(jià)值分析客戶熟悉航空客戶價(jià)值分析的步驟與流程航空客戶價(jià)值分析項(xiàng)目的總體流程如圖所示。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)41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使用通過對(duì)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(duì)于問題影響不大，因此對(duì)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)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。通過對(duì)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，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(duì)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(chéng)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。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)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(jí)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)輸距離，艙位等級(jí)等多種因素影響，同樣消費(fèi)金額的不同旅客對(duì)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(duì)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(zhǎng)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(zhǎng)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(zhǎng)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（如表32所示），記為L(zhǎng)RFMC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)完成五個(gè)特征的構(gòu)建以后，對(duì)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(jí)數(shù)據(jù)帶來的影響，需要對(duì)數(shù)據(jù)做標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)化LRFMC五個(gè)特征完成五個(gè)特征的構(gòu)建以后，對(duì)每個(gè)特征數(shù)據(jù)分布情況進(jìn)行分析，其數(shù)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)。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)41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聚類算法是一種基于質(zhì)心的劃分方法，輸入聚類個(gè)數(shù)k，以及包含n個(gè)數(shù)據(jù)對(duì)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(duì)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K-Means聚類算法是一種基于質(zhì)心的劃分方法，輸入聚類個(gè)數(shù)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卣鳛閿?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(duì)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K-Means算法在R語言中實(shí)現(xiàn)的核心函數(shù)為kmeans，來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，如表分析聚類結(jié)果對(duì)數(shù)據(jù)進(jìn)行聚類分群的結(jié)果如表所示。分析聚類結(jié)果對(duì)數(shù)據(jù)進(jìn)行聚類分群的結(jié)果如表所示。分析聚類結(jié)果針對(duì)聚類結(jié)果進(jìn)行特征分析，如圖所示。分析聚類結(jié)果針對(duì)聚類結(jié)果進(jìn)行特征分析，如圖所示。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(duì)某一個(gè)群的特征進(jìn)行評(píng)價(jià)分析，從而總結(jié)出每個(gè)群的優(yōu)勢(shì)和弱勢(shì)特征，具體結(jié)果如表所示。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(duì)某一分析聚類結(jié)果基于特征描述，本項(xiàng)目定義五個(gè)等級(jí)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。分析聚類結(jié)果基于特征描述，本項(xiàng)目定義五個(gè)等級(jí)的客戶類別：重要會(huì)員的升級(jí)與保級(jí)：航空公司可以在對(duì)會(huì)員升級(jí)或保級(jí)進(jìn)行評(píng)價(jià)的時(shí)間點(diǎn)之前，對(duì)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(duì)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(chéng)度。模型應(yīng)用根據(jù)對(duì)各個(gè)客戶群進(jìn)行特征分析，采取下面的一些營(yíng)銷手段和策略，為航空公司的價(jià)值客戶群管理提供參考。會(huì)員的升級(jí)與保級(jí)：航空公司可以在對(duì)會(huì)員升級(jí)或保級(jí)進(jìn)行評(píng)價(jià)的時(shí)1分析方法與過程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)41分析方法與過程目錄了解航空公司現(xiàn)狀與客戶價(jià)值分析2使用K-本項(xiàng)目結(jié)合航空公司客戶價(jià)值分析的案例，重點(diǎn)介紹了數(shù)據(jù)分析算法中K-Means聚類算法在客戶價(jià)值分析中的應(yīng)用。針對(duì)RFM客戶價(jià)值分析模型的不足，使用K-Means算法構(gòu)建了航空客戶價(jià)值分析LRFMC模型，詳細(xì)描述了數(shù)據(jù)分析的整個(gè)過程。小結(jié)本項(xiàng)目結(jié)合航空公司客戶價(jià)值分析的案例，重點(diǎn)介紹了數(shù)據(jù)分析算法Python數(shù)據(jù)分析與應(yīng)用-第7章-航空公司客戶價(jià)值分析課件航空公司客戶價(jià)值分析2022/12/30航空公司客戶價(jià)值分析2022/12/271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)41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使用分析航空公司現(xiàn)狀1.行業(yè)內(nèi)競(jìng)爭(zhēng)民航的競(jìng)爭(zhēng)除了三大航空公司之間的競(jìng)爭(zhēng)之外，還將加入新崛起的各類小型航空公司、民營(yíng)航空公司，甚至國(guó)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(jìng)爭(zhēng)逐漸轉(zhuǎn)向?qū)蛻舻母?jìng)爭(zhēng)。分析航空公司現(xiàn)狀1.行業(yè)內(nèi)競(jìng)爭(zhēng)民航的競(jìng)爭(zhēng)除了三大航空公司之分析航空公司現(xiàn)狀2.行業(yè)外競(jìng)爭(zhēng)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擊。分析航空公司現(xiàn)狀2.行業(yè)外競(jìng)爭(zhēng)隨著高鐵、動(dòng)車等鐵路運(yùn)輸?shù)呐d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(cè)窗口，抽取觀測(cè)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。分析航空公司客戶數(shù)據(jù)說明續(xù)表航空公司客戶數(shù)據(jù)說明續(xù)表原始數(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？我們又該借助航空公司客戶數(shù)據(jù)，對(duì)客戶進(jìn)行分類。對(duì)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(duì)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(yíng)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)。借助航空公司客戶數(shù)據(jù)，對(duì)客戶進(jìn)行分類。項(xiàng)目目標(biāo)結(jié)合目前航空公公司收入的80%來自頂端的20%的客戶。20%的客戶其利潤(rùn)率100%。90%以上的收入來自現(xiàn)有客戶。大部分的營(yíng)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(jí)潛力?？蛻艚鹱炙锌蛻羯?jí)2%，意味著銷售收入增加10%，利潤(rùn)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(shì)，也說明了對(duì)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(yíng)銷戰(zhàn)略倡導(dǎo)者Jay&AdamCurry從國(guó)外數(shù)百家公司進(jìn)行了客戶營(yíng)銷實(shí)施的經(jīng)驗(yàn)中提煉了如下經(jīng)驗(yàn)。公司收入的80%來自頂端的20%的客戶。了解客戶價(jià)值分析客戶熟悉航空客戶價(jià)值分析的步驟與流程航空客戶價(jià)值分析項(xiàng)目的總體流程如圖所示。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)41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使用通過對(duì)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(duì)于問題影響不大，因此對(duì)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)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。通過對(duì)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，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(duì)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(chéng)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。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)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(jí)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)輸距離，艙位等級(jí)等多種因素影響，同樣消費(fèi)金額的不同旅客對(duì)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(duì)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(zhǎng)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(zhǎng)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(zhǎng)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（如表32所示），記為L(zhǎng)RFMC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)完成五個(gè)特征的構(gòu)建以后，對(duì)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(jí)數(shù)據(jù)帶來的影響，需要對(duì)數(shù)據(jù)做標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)化LRFMC五個(gè)特征完成五個(gè)特征的構(gòu)建以后，對(duì)每個(gè)特征數(shù)據(jù)分布情況進(jìn)行分析，其數(shù)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)。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)41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聚類算法是一種基于質(zhì)心的劃分方法，輸入聚類個(gè)數(shù)k，以及包含n個(gè)數(shù)據(jù)對(duì)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(duì)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K-Means聚類算法是一種基于質(zhì)心的劃分方法，輸入聚類個(gè)數(shù)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卣鳛閿?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(duì)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K-Means算法在R語言中實(shí)現(xiàn)的核心函數(shù)為kmeans，來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，如表分析聚類結(jié)果對(duì)數(shù)據(jù)進(jìn)行聚類分群的結(jié)果如表所示。分析聚類結(jié)果對(duì)數(shù)據(jù)進(jìn)行聚類分群的結(jié)果如表所示。分