python数据分析与挖掘实战---航空公司客户价值分析

本文主要是介绍python数据分析与挖掘实战---航空公司客户价值分析，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

航空公司客户价值分析

一、 背景与挖掘目标

客户关系管理是企业的核心问题，关键在于客户的分类：区别无价值客户，高价值客户，针对不同客户群体有的放矢投放具体服务方案，实现企业利润最大化的目标。

各大航空公司采取优惠措施喜迎更多客户，国内航司面对客户流失和资源未完全利用等危机，因此建立一个客户价值评估模型来实现对客户的分类。

二、 分析方法与过程

本次的分析目的在于客户价值识别，客户价值识别最常用的模型是 RFM模型：R（最近消费时间间隔）F（消费频率）M（消费金额）。

飞机票价取决于飞行距离和仓位等级，消费同等金额票价的旅客对航司的价值不一定相同：购买短程头等舱的旅客和购买长途经济舱的旅客，明显前者对航司的贡献更大。所以对 M（消费金额）建模时要进行修改：用里程数平均值M和仓位折扣系数平均值C来代替消费的金额。

同时，考虑旅客中，加入会员的时间越长，客户的潜在价值一般越高，所以定义一个客户关系长度 L,作为区分客户的另一指标。

接下来针对 LRFMC模型，对客户进行区分。

LRFMC模型：

（ 1）客户关系长度L：航空公司会员时间的长短。

（ 2）是消费时间间隔R。

（ 3）消费频率F。

（ 4） 飞行里程M。

（ 5） 折扣系数的平均值C。

LRFMC模型指标含义：

（ 1） L：会员入会时间距观测窗口结束的月数。

（ 2） R：客户最近一次乘坐公司飞机距离观测窗口结束的月数。

（ 3） F：客户在观测窗口内乘坐公司飞机的次数。

（ 4） M：客户在观测窗口内累计的飞行里程碑。

（ 5） C：客户在观测窗口内乘坐仓位所对应的折扣系数的平均值。

方法：本案例采用聚类的方法，通过对航空公司客户价值的 LRFMC模型的五个指标进行K-Means聚类，识别客户价值。

三、 数据描述

给出所有属性的基本信息，共 25个属性，均无大量缺失现象或缺失现象很少。

四、 建模

1、 数据探索分析

对数据进行缺失值分析与异常值分析，分析出数据的规律以及异常值

查找每列属性观测值个数，最大值，最小值。完整代码如下：

效果如下：

2、 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，由于原始数据量大，这类数据量少，对其进行丢弃处理。具体处理方法如下：

（ 1）丢弃票价为空的记录。

（ 2）丢弃票价为0、平均折扣率不为0、总飞行公里数等于0的记录。

使用 Pandas对满足清洗条件的数据进行丢弃。处理方法：满足清洗条件的一行数据全部丢弃，代码如下：

（2） 属性规约

根据我们建立的 LRFMC模型，提取这五个特征，删除与其不相关的属性。

（3） 数据变换

将数据变换成 ‘适当的’格式。通过数据变换来构造这个五个特征。

计算方式如下：

(1) L=LOAD_TIME-FFP_DATE

会员入会时间距观测窗口结束的月数 =观测窗口的结束时间-入会时间[单位：月]

(2) R=LAST_TO_END

客户最近一次乘坐公司飞机距观测窗口结束的月数 =最后一次乘机时间至观测窗口末端时长[单位：月]

（ 3）F=FLIGHT_COUNT

客户在观测窗口内乘坐公司飞机的次数 =观测窗口飞行次数[单位：次]

（ 4）M=SEG_KM_SUM

客户在观测时间内在公司累计的飞行里程 =观测窗口的总飞行里数[单位：公里]

（ 5）C=AVG_DISCOUNT

客户在观测时间内乘坐舱位所对应的折扣系数的平均值 =平均折扣率[单位：无]

提取 5个特征后生成文件：zscoredata.xls

（4） 标准化处理

5个指标的数据提取后，对每个指标数据分布情况进行分析发现，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。

标准差标准化处理后，形成 ZL、ZR、ZF、ZM、ZC5个属性的数据，如图所示：

3、模型构建

客户价值分析模型包括两个：

（ 1）根据5个特征对客户进行聚类分群。

（ 2）对每个客户群进行特征分析，分析客户价值，并对每个客户进行排名。

完整代码如下：

对数据进行聚类分群的结果：

注：由于 K-Means聚类是随机选择类标号，因此重复此实验得到的结果中的类标号可能与此不同；另外，由于算法的精度问题，重复实验得到的聚类中心也可能略有不同

五、 建模分析与结果

客户价值分析：

根据特征值大小总结出每个群体优势特征和弱势特征，将客户群分为四类：

a重要保持客户：平均折扣率高，乘坐次数或里程高，最近坐过本公司航班。

b潜在发展客户：平均折扣率较高，乘坐次数和里程较低。

c重要挽留客户：平均折扣率，乘坐次数或者里程较高，较长时间没坐本公司航班。

d一般与低价值客户：折扣率低，较长时间未做本公司航班，乘坐次数或里程较低，入会时长短

分析：

** 该实例 聚类结果： **

根据聚类结果构造客户群特征分析图。

代码如下：

效果如图：

重要保持客户：对于像 “客户5（黄色）: 在R最近乘坐时间最小，在F乘坐频率和M里程数上最大” 的旅客属于航空公司的高价值客户，这类人对航空公司贡献巨大，而且这部分人相对人数较少。航空公司应该将优质资源先向他们投放，尽力保持住这类客户，通过专门的营销策略和更优质的服务来提升这一类客户的忠诚度。

潜在发展客户：对于 “客户4（黑色）: 在C折扣数上最大 ，而RFMx相对较少的客户” 。虽然这类客户当前价值不是很高，但是作为具有经济实力购买非竞技舱的客户，可以作为潜在的重要客户，重点培养。航司可以采取一些措施提高他们变为竞争对手客户的成本，努力的加强他们的满意度。

低价值客户： 对于像 “客户3（蓝色）: 在R最近乘坐时间上最大，在F乘坐频率上最小，在里程数M上最小”这一类客户 以及 像 “客户1（红色）: 在L入会时间上最小，在C折扣数上最小”这样的客户，很久没有坐飞机，乘坐频率和里程数也很低，相对来说对航空公司价值较低。

重要挽留客户： 对于像 “客户2（绿色）:在L入会时间上最长”，这类客户已经很久没有乘坐航班，但是他们的CFM还可以，这类客户不确定性价高，应该对这类客户采取一定手段对其主动联系，并且投放营销措施来延长其生命周期。

这篇关于python数据分析与挖掘实战---航空公司客户价值分析的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！