當(dāng)前位置：首頁 >

利用K-Means聚类进行航空公司客户价值分析

發(fā)布時(shí)間：2024/1/18 72 豆豆

生活随笔收集整理的這篇文章主要介紹了利用K-Means聚类进行航空公司客户价值分析小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

1.背景與挖掘目標(biāo)

1.1背景

航空公司業(yè)務(wù)競爭激烈，從產(chǎn)品中心轉(zhuǎn)化為客戶中心。

針對(duì)不同類型客戶，進(jìn)行精準(zhǔn)營銷，實(shí)現(xiàn)利潤最大化。

建立客戶價(jià)值評(píng)估模型，進(jìn)行客戶分類，是解決問題的辦法

1.2挖掘目標(biāo)

借助航空公司客戶數(shù)據(jù)，對(duì)客戶進(jìn)行分類。

對(duì)不同的客戶類別進(jìn)行特征分析，比較不同類客戶的客戶價(jià)值

對(duì)不同價(jià)值的客戶類別提供個(gè)性化服務(wù)，制定相應(yīng)的營銷策略。

詳情數(shù)據(jù)見數(shù)據(jù)集內(nèi)容中的air_data.csv和客戶信息屬性說明

2.分析方法與過程

2.1分析方法

首先，明確目標(biāo)是客戶價(jià)值識(shí)別。

識(shí)別客戶價(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)簡稱RFM模型，作用是識(shí)別高價(jià)值的客戶

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)，用戶的入會(huì)時(shí)間長短能在一定程度上影響客戶價(jià)值，所以增加指標(biāo)L=入會(huì)時(shí)間長度=客戶關(guān)系長度
總共確定了五個(gè)指標(biāo)，消費(fèi)時(shí)間間隔R，客戶關(guān)系長度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)別客戶價(jià)值指標(biāo)，記為LRFMC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)分的客戶群太多，精準(zhǔn)營銷的成本太高。
綜上，這次案例，采用聚類的辦法進(jìn)行識(shí)別客戶價(jià)值，以LRFMC模型為基礎(chǔ)
本案例，總體流程如下圖
2.2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)行客戶分群，對(duì)各個(gè)客戶群再進(jìn)行特征分析，識(shí)別有價(jià)值客戶。
針對(duì)模型結(jié)果得到不同價(jià)值的客戶，采用不同的營銷手段，指定定制化的營銷服務(wù)，或者針對(duì)性的優(yōu)惠與關(guān)懷。（重點(diǎn)維護(hù)老客戶）

2.3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)新增的客戶信息，采用目前的時(shí)間作為重點(diǎn)，形成新增數(shù)據(jù)

2.4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。

import

r'/home/kesci/input/date27730/air_data.csv'

#航空原始數(shù)據(jù),第一行為屬性標(biāo)簽

r'/home/kesci/work/test.xls'

#數(shù)據(jù)探索結(jié)果表

'utf-8'

#讀取原始數(shù)據(jù)，指定UTF-8編碼（需要用文本編輯器將數(shù)據(jù)裝換為UTF-8編碼）

'all'

#包括對(duì)數(shù)據(jù)的基本描述，percentiles參數(shù)是指定計(jì)算多少的分位數(shù)表（如1/4分位數(shù)、中位數(shù)等）；T是轉(zhuǎn)置，轉(zhuǎn)置后更方便查閱

'null'

'count'

#describe()函數(shù)自動(dòng)計(jì)算非空值數(shù)，需要手動(dòng)計(jì)算空值數(shù)

'null'

'max'

'min'

u'空值數(shù)'

u'最大值'

u'最小值'

#表頭重命名

'-----------------------------------------------------------------以下是處理后數(shù)據(jù)'

'''這里只選取部分探索結(jié)果。
describe()函數(shù)自動(dòng)計(jì)算的字段有count（非空值數(shù)）、unique（唯一值數(shù)）、top（頻數(shù)最高者）、freq（最高頻數(shù)）、mean（平均值）、std（方差）、min（最小值）、50%（中位數(shù)）、max（最大值）'''

62988

NaN

31494.5

18183.2

62988

3068

2011

184

NaN

62988

3406

2013

NaN

62985

48134

NaN

62988

NaN

4.10216

0.373856

60719

3310

9385

NaN

59740

1185

17507

NaN

62962

118

57748

NaN

62988

NaN

2269

NaN

3248

NaN

420

110

NaN

213

505308

2.3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

#航空原始數(shù)據(jù),第一行為屬性標(biāo)簽

#數(shù)據(jù)清洗后保存的文件

#讀取原始數(shù)據(jù)，指定UTF-8編碼（需要用文本編輯器將數(shù)據(jù)裝換為UTF-8編碼）

#票價(jià)非空值才保留

#只保留票價(jià)非零的，或者平均折扣率與總飛行公里數(shù)同時(shí)為0的記錄。

#該規(guī)則是“與”,書上給的代碼無法正常運(yùn)行，修改'*'為'&'

#該規(guī)則是“或”

# data.to_excel(cleanedfile) #導(dǎo)出結(jié)果

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。
刪除其他無用屬性，如會(huì)員卡號(hào)等等

def reduction_data(data):

'LOAD_TIME'

'FFP_DATE'

'LAST_TO_END'

'FLIGHT_COUNT'

'SEG_KM_SUM'

'avg_discount'

# data['L']=pd.datetime(data['LOAD_TIME'])-pd.datetime(data['FFP_DATE'])

# data['L']=int(((parse(data['LOAD_TIME'])-parse(data['FFP_ADTE'])).days)/30)

'FFP_DATE'

'LOAD_TIME'

'L'

lambda

'm'

'R'

'LAST_TO_END'

'F'

'FLIGHT_COUNT'

'M'

'SEG_KM_SUM'

'C'

'avg_discount'

'L'

'R'

'F'

'M'

'C'

return

.200000

.961639

.566667

.252314

.166667

.254676

.233333

.090870

.533333

.970658

.700000

.967692

.700000

.965347

.400000

.962070

.266667

.828478

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)

def zscore_data(data):

'Z'

for

return

.435707

-0

.944948

.034016

.761154

.295540

.307152

-0

.911894

.073213

.126864

.868176

.328381

-0

.889859

.718869

.653481

.880950

.658476

-0

.416098

.781585

.540622

.994714

.386032

-0

.922912

.923636

.898736

.344335

.887281

-0

.515257

.671519

.169947

.328291

模型構(gòu)建

1.客戶聚類

利用K-Means聚類算法對(duì)客戶數(shù)據(jù)進(jìn)行客戶分群，聚成五類（根據(jù)業(yè)務(wù)理解和需要，分析與討論后，確定客戶類別數(shù)量）
代碼如下

#待聚類的數(shù)據(jù)文件

#需要進(jìn)行的聚類類別數(shù)

#讀取數(shù)據(jù)并進(jìn)行聚類分析

#讀取數(shù)據(jù)

#調(diào)用k-means算法，進(jìn)行聚類分析

#n_jobs是并行數(shù)，一般等于CPU數(shù)較好

#訓(xùn)練模型

# print(r)

# r.to_excel(classoutfile,index=False)

[[-0.70078704 -0.41513666 -0.1607619 ?-0.16049688 -0.25665898]

[-0.31411607 ?1.68662534 -0.57386257 -0.53661609 -0.17243195]

[ 0.48347647 -0.79941777 ?2.48236495 ?2.42356419 ?0.30943042]

[ 1.16033496 -0.37744106 -0.0870043 ?-0.09499704 -0.15836889]

[ 0.05165705 -0.00258448 -0.23089344 -0.23513858 ?2.17775056]

[3 3 3 ... 3 3 3]

.689882

.140299

-0

.635788

.068794

-0

.337186

.689882

-0

.322442

.852453

.843848

-0

.553613

.681743

-0

.487707

-0

.210576

.158569

-1

.094680

.534185

-0

.785184

.002030

.273091

-1

.148787

.890167

-0

.426559

-0

.635788

-0

.685170

.231909

-0

.232618

-0

.690983

-0

.635788

-0

.603898

-0

.391293

-0

.496949

.996225

-0

.706656

-0

.661752

-1

.311107

就剩下最后一步，畫圖：

def density_plot(data):

'font.sans-serif'

'SimHei'

'axes.unicode_minus'

False

'kde'

True

False

'密度'

for

'客戶群%d'

for

return

'red'

'green'

'yellow'

'blue'

'black'

for i in range(5): ?
? plt.plot(x,clu[i],label='clustre '+str(i),linewidth

'o'

'L ?R ?F ?M ?C'

'values'

客戶群1：red，客戶群2：green，客戶群3：yellow，客戶群4：blue，客戶群5：black

客戶關(guān)系長度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)上的客戶群的屬性值，代表該客戶群的該屬性的程度。

2.客戶價(jià)值分析

我們重點(diǎn)關(guān)注的是L，F，M，從圖中可以看到：
1、客戶群4[blue] 的F,M很高，L也不低，可以看做是重要保持的客戶；
2、客戶群3[yellow] 重要發(fā)展客戶
3、客戶群1[red] 重要挽留客戶，原因：入會(huì)時(shí)間長，但是F,M較低
4、客戶群2[green] 一般客戶
5、客戶群5[black] 低價(jià)值客戶

重要保持客戶：R（最近乘坐航班）低，F（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，提高滿意度。
重要發(fā)展客戶：R低，C高，F或M較低，潛在價(jià)值客戶。雖然說，當(dāng)前價(jià)值不高，但是卻有很大的發(fā)展?jié)摿?#xff0c;促使這類客戶在本公司消費(fèi)和合作伙伴處消費(fèi)。
重要挽留客戶：C、F、M較高，但是較長時(shí)間沒有乘坐（R）小。增加與這類客戶的互動(dòng)，了解情況，采取一定手段，延長客戶生命周期。
一般與低價(jià)值客戶：C、F、M、L低，R高。他們可能是在公司打折促銷時(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)值客戶進(jìn)行促銷活動(dòng)，刺激他們消費(fèi)達(dá)到標(biāo)準(zhǔn)，雙方獲利
交叉銷售
通過發(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)過程中獲得本公司的積分，增強(qiáng)與本公司聯(lián)系，提高忠誠度。
管理模式
企業(yè)要獲得長期的豐厚利潤，必須需要大量穩(wěn)定的、高質(zhì)量的客戶。
維持老客戶的成本遠(yuǎn)遠(yuǎn)低于新客戶，保持優(yōu)質(zhì)客戶是十分重要的。
精準(zhǔn)營銷中，也有成本因素，所以按照客戶價(jià)值排名，進(jìn)行優(yōu)先的，特別的營銷策略，是維持客戶的關(guān)鍵。

4.小結(jié)

本文結(jié)合航空公司客戶價(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。最后通過聚類的結(jié)果，選出客戶價(jià)值排行，并且制定相應(yīng)策略

贊賞作者

本文作者

無小意，Python中文社區(qū)專欄作者，知乎：無小意丶，金融學(xué)在讀學(xué)生，從零開始自學(xué)Python以及相關(guān)的數(shù)據(jù)技能，對(duì)于Python學(xué)習(xí)，只想說別猶豫。

blog：http://blog.csdn.net/weixin_39722361

在編程狗公眾號(hào)底部回復(fù)0204，

獲取本文完整源碼下載地址

點(diǎn)擊閱讀原文，加入CodingGo編程社區(qū)

總結(jié)

以上是生活随笔為你收集整理的利用K-Means聚类进行航空公司客户价值分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。

上一篇： VTK曲面切割三维画线切割
下一篇： panda读取excel文件内容时出错，

日韩av黄I国产麻豆传媒I国产91av视频在线观看I日韩一区二区三区在线看I美女国产在线I麻豆视频国产在线观看I成人黄色短片

利用K-Means聚类进行航空公司客户价值分析

1.背景與挖掘目標(biāo)

1.1背景

1.2挖掘目標(biāo)

2.分析方法與過程

2.1分析方法

2.2挖掘步驟

2.3數(shù)據(jù)抽取

2.4探索性分析

2.3數(shù)據(jù)預(yù)處理

屬性規(guī)約

數(shù)據(jù)變換

模型構(gòu)建

1.客戶聚類

2.客戶價(jià)值分析

3.模型應(yīng)用

4.小結(jié)

總結(jié)