1、航空公司客户价值分析,01,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,01,02,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,航空信息原始数据（部分数据）,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,2.数据清洗,丢弃
2、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,数据探索结果,属性规约结果 （部分数据）,LOAD_TIME-FFP_DATE 观测窗口结束时间-入会时间,L,LAST_TO_END 最后一次乘坐时间至观测窗口结束时长,R,FLIGHT_COUNT 观测窗口内的飞行次数,F,SEG_KM_SUM 观测窗口内的飞行里程,M,AVG_DISCOUNT 平均折扣,C,数据变换 从原始数据中提取 LRFMC五个指标,LRFMC
3、取值范围,LRFMC数据标准化（部分数据）,采用K-均值聚类算法对客户数据进行客户分群,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),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
4、，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。,01,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),02,这类客户乘坐次数(F)或者里程(M)较高
5、，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),03,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),04,数据探索分析代码,数据清洗代码,数据标准化代码,K-均值算法建模代码,感谢聆听,
