航空公司客户价值分析报告

1航空公司客户价值分析目录CONTENTS01数据挖掘目标02业务分析及数据预处理03模型构建及业务分析04代码展示01数据挖掘目标0102借助航空公司客户数据，对客户进行分类对不同客户类别进行特征分析，比较不同类客户的客户价值03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02业务分析及数据预处理航空信息原始数据（部分数据）MEMB-ER_NOFFP_DATEFIRST_FLIGIGENDEFFP_TIERWORK_CITYWORK_PROVINWORKAGELOAD_TIMEFIGHT_COUNTBP_SUM2890470402013/03/162013/04/28男6US562014/03/31141471582890534512012/06/262013/05/16男6乌鲁木齐新疆CN502014/03/31651125822890225082009/12/082010/02/05男5北京CN342014/03/3133774752890041812009/12/102010/10/19男4S.P.SCORTESHN452014/03/316760272890265132011/08/252011/08/25男6乌鲁木齐新疆CN472014/03/3122701422890275002013/06/012013/06/01男5北京北京CN362014/03/3126634982890588982010/12/172010/12/27男4ARCADIACAUS352014/03/315628102890373742009/10/122009/10/21男4广州广东CN342014/03/314604842890360132013/06/022013/06/02女6广州广东CN542014/03/3125593572890460872007/01/262013/04/24男6.天津CN472014/03/3136555622890620452006/12/262013/04/17女5长春市吉林省CN552014/03/3149542552890222762011/08/152011/08/20男6沈阳辽宁CN412014/03/31515392602业务分析及数据预处理根据传统RFM模型的三个指标即（最近消费时间间隔（Recency）、消费频率（Frequency）和消费金额（Monetary））进一步改进，制定出客户关系长度L、消费时间间隔R、消费频率F、飞行里程M和折扣系数均值C五个指标最为航空公司识别客户价值指标，简称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积的飞行里程客户在观测窗口内乘坐舱位所对应的折扣系数的平均值02业务分析及数据预处理2.数据清洗丢弃票价、平均折扣、总飞行公里为空或为0的记录4.数据变换将数据转换成“适当的”格式，以适应挖掘任务及算法需要1.数据探索对数据进行缺失值分析与异常值分析3.属性规约选择与LRFMC模型相关的六组数据数据预处理步骤02业务分析及数据预处理数据探索结果属性名称空值记录数最大值最小值SUM_YR_15512395600SUM_YR_21382341880…………SEG_KM_SUM0580717368AVG_DISCOUNT01.50属性规约结果（部分数据）LOAD_TIMEFFP_DATELAST_TO_ENDFLIGHT_COUNTSEG_KM_SUMAVG_DISCOUNT2014/03/312013/03/1623141268501.022014/03/312012/06/266651847300.762014/03/312009/12/08233603871.272014/03/312009/12/101236622591.022014/03/312011/08/251522547301.362014/03/312012/09/262326500241.292014/03/312010/12/27775611600.942014/03/312009/10/21674489281.052014/03/312010/04/151125434991.332014/03/312007/01/262236687600.882014/03/312006/12/26449640700.9102业务分析及数据预处理LOAD_TIME-FFP_DATE观测窗口结束时间-入会时间LLAST_TO_END最后一次乘坐时间至观测窗口结束时长RFLIGHT_COUNT观测窗口内的飞行次数FSEG_KM_SUM观测窗口内的飞行里程MAVG_DISCOUNT平均折扣C数据变换从原始数据中提取LRFMC五个指标02业务分析及数据预处理LRFMC取值范围LRFMC数据标准化（部分数据）属性名称LRFMC最小值12.230.0323680.14最大值114.6324.372135807171.5ZLZRZFZMZC1.690.14-0.6360.069-0.3371.69-0.3220.8520.844-0.5541.682-0.488-0.2110.159-1.0951.534-0.7850.0020.273-1.1490.89-0.427-0.636-0.6851.232-0.497-0.691-0.636-0.604-0.391-0.8691.996-0.707-0.662-1.31103模型构建及业务分析采用K-均值聚类算法对客户数据进行客户分群ZLZRZFZMZC客户群153370.483-0.7992.4832.4240.308客户群2157351.16-0.377-0.087-0.095-0.158客户群312130-0.3141.686-0.574-0.537-0.171客户群424644-0.701-0.415-0.161-0.165-0.255客户群541980.057-0.006-0.227-0.232.191聚类类别聚类个数聚类中心03模型构建及业务分析从图中可以看出：客户群1在乘坐次数(F)、里程(M)属性上最大，在最近乘坐过本公司航班(R)属性上最小；客户群2在入会时长(L)属性上最大；客户群3在最近乘坐过本公司航班(R)属性上最大，在乘坐次数(F)、里程(M)属性上最小；客户群4在入会时长(L)、平均折扣(C)属性上最小；客户群5在平均折扣(C)属性上最大。结合业务分析，通过比较各个指标在群间的大小对某一个群的特征进行评价分析，定义成五个等级的客户类别，分别是：重要保持客户(客户群1)03模型构建及业务分析这类客户的平均折扣率(C)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，是航空公司的高价值客户，是最为理想的客户类型，对航空公司贡献最大，所占比例却较小。航空公司应先将资源投放在他们身上。对他们进行一对一营销，提高这类客户忠诚度与满意度，尽可能延长这类客户的高水平消费。0103模型构建及业务分析这类客户的平均折扣率(C)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，客户入会时长(L)较短，他们是航空公司的潜在价值客户。虽然这列客户的当前价值不高，但却有很大的发展潜力。航空公司应提高这类客户价值，加强这类客户的满意程度，使他们逐渐成为公司的忠诚客户。重要发展客户(客户群2)0203模型构建及业务分析这类客户乘坐次数(F)或者里程(M)较高，但是较长时间已经没有乘坐本公司的航班(R)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。航空公司应该根据这些客户的最近消费时间、次数的变化情况，推测客户消费异动状况，列出客户名单对其重点联系，采取一定营销手段，延长客户的生命周期。重要挽留客户(客户群3)0303模型构建及业务分析这类客户所乘坐航班的平均折扣率(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，可能是航空公司机票打折促销时，才会乘坐本公司航班。一般与低价值客户(客户群4、5)0404代码展示数据探索分析代码04代码展示数据清洗代码04代码展示数据标准化代码K-均值算法建模代码感谢聆听谢谢！放映结束感谢各位观看！让我们共同进步