利用K-Means聚类进行航空公司客户价值分析.pdf

利用 K-Means 聚类进行航空公司客户价值分析 1.背景与挖掘目标 1.1 背景航空公司业务竞争激烈，从 产品中心转化为客户中心。针对不同类型客户，进行精准营 销，实现利润最大化。建立客户价值评估模型，进行客户分 类，是解决问题的办法 1.2 挖掘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。详情数据见数据集内容中的 air_data.csv 和客户信息属性说明 2.分析方法与过程 2.1 分析 方法首先，明确目标是客户价值识别。识别客户价值，应用 最广泛的模型是三个指标（消费时间间隔（ Recency）,消费 频率 （Frequency）,消费金额 （Monetary ））以上指标简称 RFM 模型，作用是识别高价值的客户消费金额，一般表示一段时 间内，消费的总额。但是，因为航空票价收到距离和舱位等 级的影响，同样金额对航空公司价值不同。因此，需要修改 指标。选定变量，舱位因素 =舱位所对应的折扣系数的平均 值=C ，距离因素 =一定时间内积累的飞行里程 =M 。再考虑到， 航空公司的会员系统，用户的入会时间长短能在一定程度上 影响客户价值，所以增加指标 L= 入会时间长度 =客户关系长 度总共确定了五个指标， 消费时间间隔 R，客户关系长度 L ， 消费频率 F，飞行里程 M 和折扣系数的平均值 C 以上指标， 作为航空公司识别客户价值指标，记为 LRFMC 模型如果采 用传统的 RFM 模型，如下图。它是依据，各个属性的平均 值进行划分，但是，细分的客户群太多，精准营销的成本太 高。 综上，这次案例，采用聚类的办法进行识别客户价值，以 LRFMC 模型为基础本案例，总体流程如下图 2.2 挖掘步骤从航空公司，选择性抽取与新增数据抽取，形 成历史数据和增量数据对步骤一的两个数据，进行数据探索 性分析和预处理，主要有缺失值与异常值的分析处理，属性 规约、清洗和变换利用步骤 2 中的已处理数据作为建模数据， 基于旅客价值的 LRFMC 模型进行客户分群，对各个客户群 再进行特征分析，识别有价值客户。针对模型结果得到不同 价值的客户， 采用不同的营销手段， 指定定制化的营销服务， 或者针对性的优惠与关怀。 （重点维护老客户） 2.3 数据抽取 选取， 2014-03-31 为结束时间，选取宽度为两年的时间段， 作为观测窗口，抽取观测窗口内所有客户的详细数据，形成 历史数据对于后续新增的客户信息，采用目前的时间作为重 点，形成新增数据 2.4 探索性分析本案例的探索分析，主要 对数据进行缺失值和异常值分析。发现，存在票价为控制， 折扣率为 0，飞行公里数为 0 。票价为空值，可能是不存在 飞行记录， 其他空值可能是， 飞机票来自于积分兑换等渠道， 查找每列属性观测值中空值的个数、最大值、最小值的代码 如下。 import pandas as pd datafile= r/home/kesci/input/date27730/air_data.csv # 航空原始 数据 ,第一行为属性标签 resultfile = r/home/kesci/work/test.xls # 数据探索结果表 data = pd.read_csv(datafile, encoding = utf-8) # 读取原始数 据，指定 U