背景與挖掘目標(biāo)

1. 背景

航空公司業(yè)務(wù)競(jìng)爭(zhēng)激烈，從產(chǎn)品中心轉(zhuǎn)化為客戶(hù)中心

針對(duì)不同類(lèi)型客戶(hù)，進(jìn)行精準(zhǔn)營(yíng)銷(xiāo)，實(shí)現(xiàn)利潤(rùn)最大化

建立客戶(hù)價(jià)值評(píng)估模型，進(jìn)行客戶(hù)分類(lèi)，是解決問(wèn)題的辦法

2. 挖掘目標(biāo)

借助航空公司客戶(hù)數(shù)據(jù)，對(duì)客戶(hù)進(jìn)行分類(lèi)

對(duì)不同的客戶(hù)類(lèi)別進(jìn)行特征分析，比較不同類(lèi)客戶(hù)的客戶(hù)價(jià)值

對(duì)不同價(jià)值的客戶(hù)類(lèi)別提供個(gè)性化服務(wù)，制定相應(yīng)的營(yíng)銷(xiāo)策略

詳情數(shù)據(jù)見(jiàn)數(shù)據(jù)集內(nèi)容中的air_data.csv和客戶(hù)信息屬性說(shuō)明。

分析方法與過(guò)程

1. 分析方法

首先，明確目標(biāo)是客戶(hù)價(jià)值識(shí)別

識(shí)別客戶(hù)價(jià)值，應(yīng)用最廣泛的模型是三個(gè)指標(biāo)(消費(fèi)時(shí)間間隔(Recency),消費(fèi)頻率(Frequency),消費(fèi)金額(Monetary))

以上指標(biāo)簡(jiǎn)稱(chēng)RFM模型，作用是識(shí)別高價(jià)值的客戶(hù)

消費(fèi)金額，一般表示一段時(shí)間內(nèi)，消費(fèi)的總額。但是，因?yàn)楹娇掌眱r(jià)收到距離和艙位等級(jí)的影響，同樣金額對(duì)航空公司價(jià)值不同

因此，需要修改指標(biāo)。選定變量，艙位因素=艙位所對(duì)應(yīng)的折扣系數(shù)的平均值=C，距離因素=一定時(shí)間內(nèi)積累的飛行里程=M

再考慮到，航空公司的會(huì)員系統(tǒng)，用戶(hù)的入會(huì)時(shí)間長(zhǎng)短能在一定程度上影響客戶(hù)價(jià)值，所以增加指標(biāo)L=入會(huì)時(shí)間長(zhǎng)度=客戶(hù)關(guān)系長(zhǎng)度

總共確定了五個(gè)指標(biāo)，消費(fèi)時(shí)間間隔R，客戶(hù)關(guān)系長(zhǎng)度L，消費(fèi)頻率F，飛行里程M和折扣系數(shù)的平均值C

以上指標(biāo)，作為航空公司識(shí)別客戶(hù)價(jià)值指標(biāo)，記為L(zhǎng)RFMC模型

如果采用傳統(tǒng)的RFM模型，如下圖。它是依據(jù)，各個(gè)屬性的平均值進(jìn)行劃分，但是，細(xì)分的客戶(hù)群太多，精準(zhǔn)營(yíng)銷(xiāo)的成本太高。

 

 

綜上，這次案例，采用聚類(lèi)的辦法進(jìn)行識(shí)別客戶(hù)價(jià)值，以LRFMC模型為基礎(chǔ)

本案例，總體流程如下圖

 

 

2.挖掘步驟

從航空公司，選擇性抽取與新增數(shù)據(jù)抽取，形成歷史數(shù)據(jù)和增量數(shù)據(jù)

對(duì)步驟一的兩個(gè)數(shù)據(jù)，進(jìn)行數(shù)據(jù)探索性分析和預(yù)處理，主要有缺失值與異常值的分析處理，屬性規(guī)約、清洗和變換

利用步驟2中的已處理數(shù)據(jù)作為建模數(shù)據(jù)，基于旅客價(jià)值的LRFMC模型進(jìn)行客戶(hù)分群，對(duì)各個(gè)客戶(hù)群再進(jìn)行特征分析，識(shí)別有價(jià)值客戶(hù)

針對(duì)模型結(jié)果得到不同價(jià)值的客戶(hù)，采用不同的營(yíng)銷(xiāo)手段，指定定制化的營(yíng)銷(xiāo)服務(wù)，或者針對(duì)性的優(yōu)惠與關(guān)懷。(重點(diǎn)維護(hù)老客戶(hù))

3. 數(shù)據(jù)抽取

選取，2014-03-31為結(jié)束時(shí)間，選取寬度為兩年的時(shí)間段，作為觀測(cè)窗口，抽取觀測(cè)窗口內(nèi)所有客戶(hù)的詳細(xì)數(shù)據(jù)，形成歷史數(shù)據(jù)

對(duì)于后續(xù)新增的客戶(hù)信息，采用目前的時(shí)間作為重點(diǎn)，形成新增數(shù)據(jù)

4. 探索性分析

本案例的探索分析，主要對(duì)數(shù)據(jù)進(jìn)行缺失值和異常值分析

發(fā)現(xiàn)，存在票價(jià)為控制，折扣率為0，飛行公里數(shù)為0。票價(jià)為空值，可能是不存在飛行記錄，其他空值可能是，飛機(jī)票來(lái)自于積分兌換等渠道

查找每列屬性觀測(cè)值中空值的個(gè)數(shù)、最大值、最小值的代碼如下

 

 

 

 

--

 

5. 數(shù)據(jù)預(yù)處理

數(shù)據(jù)清洗

丟棄票價(jià)為空記錄

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

 

 

 

 

6. 屬性規(guī)約

原始數(shù)據(jù)中屬性太多，根據(jù)航空公司客戶(hù)價(jià)值LRFMC模型，選擇與模型相關(guān)的六個(gè)屬性

刪除其他無(wú)用屬性，如會(huì)員卡號(hào)等等

 

 

 

 

7. 數(shù)據(jù)變換

意思是，將原始數(shù)據(jù)轉(zhuǎn)換成“適當(dāng)”的格式，用來(lái)適應(yīng)算法和分析等等的需要

本案例，主要采用數(shù)據(jù)變換的方式為屬性構(gòu)造和數(shù)據(jù)標(biāo)準(zhǔn)化 3.需要構(gòu)造LRFMC的五個(gè)指標(biāo)

L=LOAD_TIME-FFP_DATE(會(huì)員入會(huì)時(shí)間距觀測(cè)窗口結(jié)束的月數(shù)=觀測(cè)窗口的結(jié)束時(shí)間-入會(huì)時(shí)間(單位：月))

R=LAST_TO_END(客戶(hù)最近一次乘坐公司距觀測(cè)窗口結(jié)束的月數(shù)=最后一次。。。)

F=FLIGHT_COUNT(觀測(cè)窗口內(nèi)的飛行次數(shù))

M=SEG_KM_SUM(觀測(cè)窗口的總飛行里程)

C=AVG_DISCOUNT(平均折扣率)

 

 

模型構(gòu)建

1. 客戶(hù)聚類(lèi)

利用K-Means聚類(lèi)算法對(duì)客戶(hù)數(shù)據(jù)進(jìn)行客戶(hù)分群，聚成五類(lèi)(根據(jù)業(yè)務(wù)理解和需要，分析與討論后，確定客戶(hù)類(lèi)別數(shù)量)。

代碼如下：

 

 

 

 

就剩下最后一步，畫(huà)圖：

 

 

 

 

 

 

客戶(hù)群1：red，

客戶(hù)群2：green，

客戶(hù)群3：yellow，

客戶(hù)群4：blue，

客戶(hù)群5：black

 

 

客戶(hù)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，折扣系數(shù)的平均值C。

橫坐標(biāo)上，總共有五個(gè)節(jié)點(diǎn)，按順序?qū)��?yīng)LRFMC。

對(duì)應(yīng)節(jié)點(diǎn)上的客戶(hù)群的屬性值，代表該客戶(hù)群的該屬性的程度。

2. 客戶(hù)價(jià)值分析

我們重點(diǎn)關(guān)注的是L，F(xiàn)，M，從圖中可以看到：

客戶(hù)群4[blue] 的F,M很高，L也不低，可以看做是重要保持的客戶(hù);

客戶(hù)群3[yellow] 重要發(fā)展客戶(hù)

客戶(hù)群1[red] 重要挽留客戶(hù)，原因：入會(huì)時(shí)間長(zhǎng)，但是F,M較低

客戶(hù)群2[green] 一般客戶(hù)

客戶(hù)群5[black] 低價(jià)值客戶(hù)

重要保持客戶(hù)：R(最近乘坐航班)低，F(xiàn)(乘坐次數(shù))、C(平均折扣率高，艙位較高)、M(里程數(shù))高。最優(yōu)先的目標(biāo)，進(jìn)行差異化管理，提高滿(mǎn)意度。

重要發(fā)展客戶(hù)：R低，C高，F(xiàn)或M較低，潛在價(jià)值客戶(hù)。雖然說(shuō)，當(dāng)前價(jià)值不高，但是卻有很大的發(fā)展?jié)摿�，促使這類(lèi)客戶(hù)在本公司消費(fèi)和合作伙伴處消費(fèi)。

重要挽留客戶(hù)：C、F、M較高，但是較長(zhǎng)時(shí)間沒(méi)有乘坐(R)小。增加與這類(lèi)客戶(hù)的互動(dòng)，了解情況，采取一定手段，延長(zhǎng)客戶(hù)生命周期。

一般與低價(jià)值客戶(hù)：C、F、M、L低，R高。他們可能是在公司打折促銷(xiāo)時(shí)才會(huì)乘坐本公司航班。

 

 

3. 模型應(yīng)用

會(huì)員的升級(jí)與保級(jí)(積分兌換原理相同)

會(huì)員可以分為，鉆石，白金，金卡，銀卡…

部分客戶(hù)會(huì)因?yàn)椴涣私庾陨矸e分情況，錯(cuò)失升級(jí)機(jī)會(huì)，客戶(hù)和航空公司都會(huì)有損失

在會(huì)員接近升級(jí)前，對(duì)高價(jià)值客戶(hù)進(jìn)行促銷(xiāo)活動(dòng)，刺激他們消費(fèi)達(dá)到標(biāo)準(zhǔn)，雙方獲利

4. 交叉銷(xiāo)售

通過(guò)發(fā)行聯(lián)名卡與非航空公司各做，使得企業(yè)在其他企業(yè)消費(fèi)過(guò)程中獲得本公司的積分，增強(qiáng)與本公司聯(lián)系，提高忠誠(chéng)度。

5. 管理模式

企業(yè)要獲得長(zhǎng)期的豐厚利潤(rùn)，必須需要大量穩(wěn)定的、高質(zhì)量的客戶(hù)

維持老客戶(hù)的成本遠(yuǎn)遠(yuǎn)低于新客戶(hù)，保持優(yōu)質(zhì)客戶(hù)是十分重要的

精準(zhǔn)營(yíng)銷(xiāo)中，也有成本因素，所以按照客戶(hù)價(jià)值排名，進(jìn)行優(yōu)先的，特別的營(yíng)銷(xiāo)策略，是維持客戶(hù)的關(guān)鍵。

6.小結(jié)

本文，結(jié)合航空公司客戶(hù)價(jià)值案例的分析，重點(diǎn)介紹了數(shù)據(jù)挖掘算法中K-Means聚類(lèi)算法的應(yīng)用。 針對(duì)，傳統(tǒng)RFM模型的不足，結(jié)合案例進(jìn)行改造，設(shè)定了五個(gè)指標(biāo)的LRFMC模型。最后通過(guò)聚類(lèi)的結(jié)果，選出客戶(hù)價(jià)值排行，并且制定相應(yīng)策略。

標(biāo)簽： 代碼 排名 優(yōu)惠

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。