基于數(shù)據(jù)挖掘的航空公司客戶價(jià)值分析

數(shù)據(jù)挖掘有三大步驟

第一數(shù)據(jù)籌備，第二數(shù)據(jù)挖掘，第三結(jié)果表達(dá)和解釋。數(shù)據(jù)籌備包含數(shù)據(jù)集成，數(shù)據(jù)選擇，目標(biāo)數(shù)據(jù)預(yù)處理。數(shù)據(jù)挖掘主要是對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行挖掘。結(jié)果表達(dá)和解釋即我們所說(shuō)的結(jié)果可視化。

基于數(shù)據(jù)挖掘的航空公司客戶價(jià)值分析

航空客戶信息，包含會(huì)員檔案信息和其他乘坐航班記錄信息等。識(shí)別客戶價(jià)值的最廣泛的模型是通過(guò)RFM模型來(lái)識(shí)別出高價(jià)值的客戶： 

Recency： 最近消費(fèi)時(shí)間間隔 

Frequency： 消費(fèi)頻率 

Monetary： 消費(fèi)金額 

然而，同樣的消費(fèi)金額的不同旅客對(duì)航空公司的價(jià)值不同，例如買長(zhǎng)航線、低等倉(cāng)的旅客和買短航線、高等倉(cāng)的旅客消費(fèi)金額相同 ，但是價(jià)值卻是不同的。顯然后者更有價(jià)值。因此這個(gè)指標(biāo)可能不合適，故選擇客戶在一定時(shí)間內(nèi)的飛行里程M和乘坐艙位所對(duì)應(yīng)的折扣系數(shù)C。同時(shí)，因?yàn)楹娇展緯?huì)員的加入時(shí)間一定程度上可以影響客戶價(jià)值，所以我們?cè)诤娇展?a href='/map/kehujiazhi/' style='color:#000;font-size:inherit;'>客戶價(jià)值分析模型中添加客戶關(guān)系長(zhǎng)度 L，當(dāng)做區(qū)分客戶價(jià)值的另一個(gè)指標(biāo)，所以我們構(gòu)建出LRFMC 模型。

L：會(huì)員入會(huì)時(shí)間距觀測(cè)窗口結(jié)束的時(shí)間 

R：客戶最近一次乘坐公司分級(jí)距觀測(cè)窗口結(jié)束的時(shí)間（月數(shù)） 

F：客戶在觀測(cè)窗口內(nèi)乘坐公司飛機(jī)的次數(shù) 

M：客戶在觀測(cè)窗口內(nèi)累計(jì)的飛行里程 

C：客戶在觀測(cè)窗口內(nèi)乘坐艙位所對(duì)應(yīng)的折扣系數(shù)的平均值

使用聚類分析的方法把客戶進(jìn)行分類，并且分析客戶群的特征，分析客戶價(jià)值。

>>>>

第一步：數(shù)據(jù)抽取  

（1）以 2014年3月31日為結(jié)束日期，選取寬度為兩年的時(shí)間段作為分析觀測(cè)窗口，抽取觀測(cè)窗口內(nèi)有乘機(jī)記錄的所有顧客的詳細(xì)資料形成歷史數(shù)據(jù)。對(duì)于后來(lái)新增客戶信息利用數(shù)據(jù)中最大的某個(gè)時(shí)間作為結(jié)束時(shí)間，采用同樣的方法進(jìn)行抽取，形成增量數(shù)據(jù)。

（2）根據(jù)末次飛行日期從航空公司系統(tǒng)內(nèi)抽取 2012年4月1日至 2014年3月31 日內(nèi)所有所有乘客的詳細(xì)數(shù)據(jù)，共 62988 條記錄。

>>>>

第二步：數(shù)據(jù)探索分析

在原始數(shù)據(jù)中存在票價(jià)為空的情況，票價(jià)為空值的數(shù)據(jù)有可能是航空客戶未有乘機(jī)記錄造成的。票價(jià)最小值為 0，折扣率最小值為 0，總飛行里程不為 0 的數(shù)據(jù)有可能是顧客使用 0 折機(jī)票或者是使用積分兌換的機(jī)票造成的。

>>>>

第三步：數(shù)據(jù)預(yù)處理

（1）數(shù)據(jù)清洗：從航空公司業(yè)務(wù)和數(shù)據(jù)挖掘建模需要考慮篩選出需要的數(shù)據(jù)。

A）不需要票價(jià)為空的數(shù)據(jù)。B）不需要票價(jià)為 0，平均折扣率不為 0，總飛行里程不為 0 的數(shù)據(jù)。

（2）屬性規(guī)約。在原始數(shù)據(jù)中數(shù)據(jù)屬性太多，我們只需要與LRFMC 模型相關(guān)的 6 個(gè)數(shù)據(jù)屬性，所以我們需要?jiǎng)h除不相關(guān)，弱相關(guān)和冗余的數(shù)據(jù)屬性。

（3）數(shù)據(jù)變換。A）數(shù)據(jù)屬性構(gòu)造 B）數(shù)據(jù)標(biāo)準(zhǔn)化

>>>>

第四步：建構(gòu)模型

構(gòu)建航空公司客戶價(jià)值分析 LRFMC 模型

A：客戶 K-Means 聚類分析

采用 K-Means 辦法對(duì)所有客戶數(shù)據(jù)進(jìn)行聚類分析，將客戶數(shù)據(jù)聚為 5 類。（具體情況具體分析，必須依據(jù)實(shí)際狀況決定分幾類）

B：客戶價(jià)值分析

對(duì)聚類結(jié)果進(jìn)行屬性分析：顧客群 1 在 L、M 屬性上最小；顧客群 2 在 R 屬性上最大，在 F、M 上最??；客戶群 3 在屬性 F、M 上最大，在 R 上最?。豢蛻羧?4 在屬性 L 上最大；客戶群 5 在屬性 C 上最大。

根據(jù)航空公司業(yè)務(wù)定義為五個(gè)等級(jí)的客戶類別：重要保持客戶，重要發(fā)展客戶，重要挽留客戶，普通價(jià)值客戶，低價(jià)值客戶。根據(jù)每種客戶群類型的特征對(duì)客戶群進(jìn)行客戶價(jià)值排名，以便獲得高價(jià)值客戶的信息。

C：模型應(yīng)用

根據(jù)每種客戶群的特征，可以采取更多個(gè)性化服務(wù)和營(yíng)銷策略。

隨著數(shù)據(jù)量爆炸式的激增，數(shù)據(jù)挖掘技術(shù)與工具將得到更廣泛的使用和發(fā)展。航空業(yè)的下一個(gè)大動(dòng)作就在大數(shù)據(jù)和大數(shù)據(jù)挖掘分析領(lǐng)域。航空企業(yè)將通過(guò)數(shù)據(jù)分析了解旅客細(xì)分、旅客趨勢(shì)，找到將信息變成吸引旅客、增強(qiáng)旅客忠誠(chéng)度的產(chǎn)品和服務(wù)。

今天，航空業(yè)在大數(shù)據(jù)捕捉和分析領(lǐng)域還不是走在前面的行業(yè)，但十年后，航空業(yè)也許成為這一領(lǐng)域的領(lǐng)頭羊。