第7章 航空公司客户价值分析

news/2024/11/2 9:29:53/

在这里插入图片描述

7.1 背景与挖掘目标
客户分类
区分客户
个性化服务方案
不同营销策略
利润最大化

目标：

  • 借助航空公司客户数据，对客户进行分类
  • 对不同的客户类别进行特征分析，比较不同类客户的客户价值
  • 对不同价值的客户类别提供个性化服务，制定相应的营销策略

7.2 分析方法与过程

识别客户价值应用最广泛的模型是通过3个指标，来进行客户细分，识别出高价值的客户，简称RFM模型。

  • 最近消费时间间隔（Recency)
  • 消费频率（Frequency)
  • 消费金额（Monetary)

在RFM模型中，消费金额表示在一段时间内，客户购买该企业产品金额的总和。由于航空票价受到运输距离、舱位等级等多种因素，同样消费金额的不同旅客对航空公司的价值是不同的。例如，一位购买长航线、低等级舱位的旅客与一位购买短航线、高等级舱位票的旅客相比，后者对于航空公司而言价值可能更高。因此，这个指标并不适用于航空公司的客户价值分析。
我们选择客户在一定时间内累积的飞行里程M和客户在一定时间内乘坐舱位所对应的折扣系数的平均值C两个指标代替消费金融。此外，考虑航空公司会员入会时间的长短在一定程度上能够影响客户价值，所以在模型中增加客户关系长度L，作为区分客户的另一指标。

航空公司LRFMC模型

模型LRFMC
航空公司LRFMC模型会员入会时间距观测窗口结束的月数客户最近一次乘坐公司飞机距观测窗口结束的月数客户在观测窗口内乘坐公司飞机的次数客户在观测窗口内累计的飞行里程客户在观测窗口内乘坐舱位对应的折扣系数的平均值

本案例采用聚类的方法识别客户价值，通过对这5个指标进行K-Means聚类，识别出最有价值客户。
本案例航空客户价值分析的总体流程如图所示：
在这里插入图片描述
航空客运信息挖掘主要包括以下步骤：

  • 从航空公司的数据源中进行选择性抽取与新增数据抽取分别形成历史数据和增量数据
  • 数据探索分析与预处理
  • 基于LRFMC模型进行客户分群，对各个客户群体进行特征分析，识别出有价值的用户
  • 针对模型结果得到不同价值的客户，采用不同的营销手段，提供定制化的服务

7.2.1 数据抽取

以2014-03-31为结束时间，选取宽度为两年的时间段作为分析观测窗口，抽取观测窗口内有乘机记录的所以客户的详细数据形成历史数据。
对于后续新增的客户详细信息，以后续新增数据中最新的时间点作为结束时间，采用上述同样的方法进行抽取，形成增量数据。

7.2.2 数据探索分析

#探索分析
#返回缺失值个数以及最大最小值import pandas as pddatafile = 'G:/Python数据分析与挖掘实战/chapter7/demo/data/air_data.csv' #原始数据，第一行为属性标签
resultfile = 'G:/Python数据分析与挖掘实战/chapter7/zl/explore.xls' #数据探索结果表data = pd.read_csv(datafile, encoding='utf-8')
explore = data.describe(percentiles=[], include='all').T #转置后方便查阅
explore.head()

在这里插入图片描述
可以看出大致情况，接着做更详细的分析：

explore['null'] = len(data) - explore['count'] #describe()函数自动计算非空值数，需要手动计算空值数
explore = explore[['null', 'max', 'min']] #只选取部分探索结果
explore.columns = ['空值数','最大值','最小值'] #表头重命名
explore.head()
explore.to_excel(resultfile) #导出结果

在这里插入图片描述
通过对数据观察发现原始数据中存在票价为空值，票价最小值为0，折扣率最小值为0，总飞行公里数大于0的记录。票价为空值的数据可能是客户不存在乘机记录造成，其他数据可能是客户乘坐0折机票或者积分兑换产生的。

7.2.3 数据预处理

1.数据清洗
通过数据探索分析，发现数据中存在缺失值，票价最小值为0、折扣率最小值为0、总飞行里程数大于0的记录。由于删除后数据量为62044，异常样本数据所占比例较小，对于问题影响不大，因此对其进行丢弃处理。

  • 丢弃票价为空的记录
  • 丢弃票价为0、平均折扣率不为0、总飞行里程数大于0的记录
#数据清洗
import pandas as pd
datafile = 'G:/Python数据分析与挖掘实战/chapter7/demo/data/air_data.csv'
cleanedfile = 'G:/Python数据分析与挖掘实战/chapter7/zl/data_cleaned.xls' #数据清洗后保存的文件data = pd.read_csv(datafile, encoding='utf-8')
data = data[data['SUM_YR_1'].notnull()&data['SUM_YR_2'].notnull()] #票价非空值才保留
#只保留票价非零的，或者平均折扣率与总飞行里程数同时为0的记录
index1 = data['SUM_YR_1'] != 0
index2 = data['SUM_YR_2'] != 0
index3 = (data['SEG_KM_SUM'] == 0) & (data['avg_discount'] == 0) 
data = data[index1 | index2 | index3] #该规则是"或"
data.to_excel(cleanedfile)#导出结果(数据集较大)
data.shape输出结果：
(62044, 44)

2.属性规约
原始数据中属性太多，根据航空公司客户价值LRFMC模型，选择与LRFMC指标相关的6个属性：FFP_DATE、LOAD_TIME、FLIGHT_COUNT、AVG_DISCOUNT、SEG_KM_SUM、LAST_TO_END。删除与其不相关、弱相关或冗余的属性。

#属性规约
filter_data = data[['FFP_DATE','LOAD_TIME','FLIGHT_COUNT','avg_discount','SEG_KM_SUM','LAST_TO_END']]
filter_data.head()

在这里插入图片描述
3.数据变换

  • 属性构造
    （1）L = LOAD_TIME - FFP_DATE(入会时间 = 观测窗口的结束时间 - 入会时间）
    （2）R = LAST_TO_END(客户最近一次乘坐公司飞机距观测窗口期结束的月数 = 最后一次乘机时间至观测窗口末端时长）
    （3）F = FLIGHT_COUNT(飞行次数）
    （4）M = SEG_KM_SUM(总飞行公里数）
    （5）C = avg_discount(平均折扣率）
from datetime import datetime
#转化成datetime格式，才能加减
filter_data = filter_data.copy()
filter_data['FFP_DATE_1'] = filter_data['FFP_DATE'].apply(lambda x : datetime.strptime(x, '%Y/%m/%d'))
filter_data['LOAD_TIME_1'] = filter_data['LOAD_TIME'].apply(lambda x : datetime.strptime(x, '%Y/%m/%d'))#格式转化
def interval_time(dd):return dd.days/30
filter_data['L'] = (filter_data['LOAD_TIME_1'] - filter_data['FFP_DATE_1']).apply(interval_time)
filter_data.head()
filter_data = filter_data.rename(columns={'LAST_TO_END':'R', 'FLIGHT_COUNT':'F', 'SEG_KM_SUM':'M', 'avg_discount':'C'})
filter_data.head()

在这里插入图片描述
提取LRFMC五个指标，并保存到本地：

#挑选指定列，LRFMC模型
data_selected = filter_data[['L','R','F','M','C']]data_slc = 'G:/Python数据分析与挖掘实战/chapter7/zl/data_selected.xlsx'
data_selected.to_excel(data_slc)
data_selected.describe()

在这里插入图片描述
在这里插入图片描述
从上图可以看出，5个指标的取值范围数据差异较大，为了消除数量级数据带来的影响，需要对数据进行标准化处理。

#标准化处理
data_zscored = 'G:/Python数据分析与挖掘实战/chapter7/zl/data_zscored.xlsx'
data_z = (data_selected - data_selected.mean(axis=0)) / (data_selected.std(axis=0)) 
data_z.columns = ['Z' + i for i in data_selected.columns] #表头重命名
data_z.head()
data_z.to_excel(data_zscored, index=False) #数据写入

在这里插入图片描述

7.2.4 模型构建

客户价值分析模型构建主要包括：

  • 根据5个指标的数据，对客户进行聚类分群
  • 结合业务对每个客户群进行特征分析，分析其客户价值，并对每个客户群进行排名
  1. 客户聚类
    采用K-Means聚类算法对客户数据进行客户分群，聚成5类（需要结合业务的理解与分析来确定客户的类别数量）
#K-Means聚类
from sklearn.cluster import KMeans
k = 5 #分为5类
kmodel = KMeans(n_clusters=k, n_jobs=4) #封装，n_jobs是并行数，一般等于CPU较好
kmodel.fit(data_z) #训练模型kmodel.cluster_centers_ #查看聚类中心
kmodel.labels_ #查看各样本对应的类别#简单打印结果
s = pd.Series(['客户群1','客户群2','客户群3','客户群4','客户群5'], index=[0,1,2,3,4])
r1 = pd.Series(kmodel.labels_).value_counts() #统计各个类别的数目
r2 = pd.DataFrame(kmodel.cluster_centers_ ) #找出聚类中心
r = pd.concat([s,r1,r2],axis=1) #横向连接，0是纵向连接
r.columns =[u'聚类名称'] +[u'聚类个数'] + list(data_z.columns) #重命名表头
r

在这里插入图片描述

  1. 客户价值分析
#客户价值分析
#代码来自 https://blog.csdn.net/Just_youHG/article/details/83904618 
import numpy as np
import matplotlib.pyplot as plt
%matplotlib
#中文和负号的正常显示
plt.rcParams['font.sans-serif'] = 'Microsoft YaHei'
plt.rcParams['axes.unicode_minus'] = Falsekinds = r.iloc[:,0] #第一列:客户群
labels = r.iloc[:, 2:].columns #取到标签：ZL,ZR,ZF,ZM,ZC
centers = pd.concat([r.iloc[:, 2:], r.iloc[:,2]], axis=1) #封闭起来
centers = np.array(centers)n = len(labels)
angles = np.linspace(0, 2*np.pi, n, endpoint=False) #将一个圆划分为5块
angles = np.concatenate((angles, [angles[0]])) #使雷达图封闭起来fig = plt.figure()
ax = fig.add_subplot(111, polar=True) #设置坐标为极坐标#画若干个五边形
floor = np.floor(centers.min()) #大于最小值的最大整数
ceil = np.ceil(centers.max()) #小于最大值的最小整数
for i in np.arange(floor, ceil+0.5, 0.5):ax.plot(angles, [i] * (n+1), '--', lw=0.5, color='black')#画不同客户群的分割线
for i in range(n):ax.plot([angles[i], angles[i]], [floor, ceil], '-', lw=0.5, color='black')
#画不同的客户群所占的大小
for i in range(len(kinds)):ax.plot(angles, centers[i], lw=2, label=kinds[i])#ax.fill(angles, centers[i])ax.set_thetagrids(angles * 180 / np.pi, labels) # 设置显示的角度，将弧度转换为角度
plt.legend(loc='lower right', bbox_to_anchor=(1.5, 0.0)) # 设置图例的位置，在画布外#美化
ax.set_theta_zero_location('N' )# 设置极坐标的起点（即0°）在正北方向，即相当于坐标轴逆时针旋转90°
ax.spines['polar'].set_visible(False) # 不显示极坐标最外圈的圆
ax.grid(False) # 不显示默认的分割线
ax.set_yticks([]) # 不显示坐标间隔
plt.show()


针对聚类结果进行特征分析：

  • 客户群1在R属性上最大，在F、M属性上最小
  • 客户群2在F、M属性上最大，在R属性上最小
  • 客户群3在C属性上最大
  • 客户群4在L、C属性上最小
  • 客户群5在L属性上最大

客户群体特征描述表：
在这里插入图片描述
由上述特征分析的图标说明每个客户群都有显著不同的表现特征，基于该特征描述，定义五个级别的客户类别：

客户群排名排名含义人数
客户群21重要保持客户5337
客户群32重要发展客户4216
客户群53重要挽留客户12118
客户群44一般客户24638
客户群15低价值客户15735

特征分析：

  • 重要保持客户：这类客户平均折扣率（C）较高（一般所乘航班的舱位等级较高），最近乘坐过本公司航班（R）低，乘坐的次数（F）或里程（M）较高。他们是航空公司的高价值客户，是最为理想的客户类型，对航空公司的贡献最大，所占比例却较小。航空公司应该优先将资源投放到他们身上，对他们进行差异化管理和一对一营销，提高这类客户的忠诚度与满意度，尽可能延长这类客户的高水平消费。
  • 重要发展客户：这类客户平均折扣率（C）较高，最近乘坐本公司航班（R）低，但乘坐次数（F）或乘坐里程（M）较低。这类客户入会时长（L）短，他们是航空公司的潜在价值客户。虽然这类客户的当前价值并不是很高，但却有很大的发展潜力。航空公司要努力促使这类客户增加在本公司的乘机消费和合作伙伴处的消费，也就是增加客户的钱包份额。通过客户价值的提升，加强这类客户的满意度，提高他们转向竞争对手的转移成本，使他们逐渐成为公司的忠诚客户。
  • 重要挽留客户：这类客户过去所乘坐航班的平均折旧率（C）、乘坐次数（F）或里程（M）较高，但是较长时间，但是较长时间已经没有乘坐本公司的航班®高或是乘坐频率变小。他们客户价值变化的不确定性很高。由于这些客户衰退的原因各不相同，所以掌握客户的最新信息、维持与客户的互动就显得尤为重要。航空公司应该根据这些客户的最近消费时间、消费次数的变化情况，推测客户消费的异动状况，并列出客户名单，对其重要联系，采取一定的营销手段，延长客户的生命周期。
  • 一般与低价值客户：这类客户所乘航班的平均折扣率（C）很低，较长时间没有乘坐过本公司航班（R）高，乘坐的次数（F）或里程（M）较低，入会时长（L）短。他们是航空公司的一般用户与低价值客户，可能是在航空公司机票打折促销时，才会乘坐本公司航班。

7.3 模型应用

  • 会员的升级与保级
  • 首次兑换
  • 交叉销售

http://www.ppmy.cn/news/687782.html

相关文章

SQL Server数据库技术期末大作业 机票预定信息系统

SQL Server数据库技术期末大作业 机票预定信息系统

题目 设计机票预定信息系统，并完成以下系统功能基本要求： 能够实现多种关联查询 航班基本信息的录入：航班的编号、飞机名称、机舱等级等； 机票信息：票价、折扣、当前预售状态及经受业务员等； 客户基本信息…
阅读更多...
吐槽一下国泰航空

吐槽一下国泰航空

最近订的机票比较多。 那么对我这种人来说，已经不再追求极端便宜价格，但也不做不到可以无视价格，所以，对我而言，在预算允许内，寻找最好的航空公司，行程时间，和舱位是目前订票的主要考…
阅读更多...
以中国南方航空为竞品结构化分析并设计航空购票网页

以中国南方航空为竞品结构化分析并设计航空购票网页

结构化分析 第一章 系统概述 项目简介 系统目标 此项目是基于web的独立开发的机票预订系统，可以提供中国南方航空公司的机票预订服务，用户可以根据自己的行程预订机票。系统分为前台订票系统以及后台管理系统。其中，前台订票系统包括用户…
阅读更多...
《MySQL数据操作与查询》- 综合项目 - 航空售票系统

《MySQL数据操作与查询》- 综合项目 - 航空售票系统

Mysql & SqlServer综合项目需求 1、系统整体功能 系统需支持以下功能： 维护客户信息、航班信息和票务信息 支持客户按多种条件组合查询航班信息和票务信息 支持客户根据票务信息订购机票 支持民航管理部门和航空公司查询、统计航班信息以及票务信息 2、系…
阅读更多...
云计算与大数据期末考试题库

云计算与大数据期末考试题库

单选题 1. 以下哪一项不属于Hadoop可以运行的模式___C___。 A. 单机（本地）模式 B. 伪分布式模式 C. 互联模式 D. 分布式模式 2、Hadoop作者 Martin Fowler Kent Beck Doug cutting√ 3、HDFS默认Block Size的大小是 32MB 64MB√ 128MB 4、…
阅读更多...
【转载】华为荣耀V9的手机录屏功能如何开启

【转载】华为荣耀V9的手机录屏功能如何开启

手机录屏有时候对我们的帮助很大，例如可以录制相应的APP使用教程、微信小程序使用流量讲解视频等，针对于软件开发人员等来说，手机录屏功能针对功能演示视频非常的有帮助。在华为荣耀V9手机中，进行手机录屏有多种方式，其…
阅读更多...
华为荣耀V9无法连接android studio

华为荣耀V9无法连接android studio

新买的荣耀v9，无法连接studio，去设备管理器，看到其他设备那里，显示黄色叹号，右击更新驱动，选中择自动搜索，安装完就可以了。
阅读更多...
华为锁屏无线不连接服务器,华为荣耀V9锁屏后wifi断开是什么问题-华为荣耀V9锁屏后wifi断开的解决方法 - 河东软件园...

华为锁屏无线不连接服务器,华为荣耀V9锁屏后wifi断开是什么问题-华为荣耀V9锁屏后wifi断开的解决方法 - 河东软件园...

平时大家在使用智能手机的时候，只要看到手机中有应用西药进行更新，肯定会在第一时间找到WiFi来进行应用的更新，然而很多用户在使用华为荣耀V9手机的时候就会经常出现这样一个问题，就是在使用WiFi进行应用更新的时候，只…
阅读更多...
最新文章

Copyright @ 2022~2023