数据分析实战-利用K-Means进行航空公司客户价值识别

项目名称： 航空公司客户价值识别

项目地址 https://git.nowcoder.com/8256312/customer_value_recognition

系统简介：

1.挖掘目标

• 根据客户信息，对客户进行分类。
• 针对不同类型客户进行特征提取，分析不同类型客户的价值。
• 采取个性化服务，根据客户类型，制定相应营销策略。

2.数据说明

3.数据预处理

• 数据预分析
  对原始数据进行预分析，主要排查缺失值和异常值。分析原始数据的缺失值和异常值，根据分析结果，在数据处理阶段中进行相应处理。例如，属性值缺失，票价为0等。

统计每个属性的缺失值（空值）个数，并查找最大值和最小值，如下表。

• 数据清洗
  清洗条件：

  • 票价为空
  • 票价为0，平均折扣率不为0，总飞行公里数大于0
    处理方法：满足清洗条件的一行数据全部丢弃。

• 数据标准化

  • 属性规约
    客户价值LRFMC模型：

    • L——会员入会时间距观测窗口结束的月数
    • R——客户最后一次乘坐飞机距观测窗口结束的月数
    • F——客户在观测窗口内乘坐飞机的次数
    • M——客户在观测窗口内的总飞行里程
    • C——客户在观测窗口内乘坐的舱位对应折扣系数的平均值

    根据模型，选择与LRFMC相关的属性，删除与之不相关的属性，保存属性规约后的数据集。

  • 属性构造
    构造LRFMC指标：

    • L=LOAD_TIME - FFP_DATE(观测窗口的结束时间 - 入会时间)
    • R=LAST_TO_END(最后一次乘坐飞机距观测窗口结束的时长)
    • F=FLIGHT_COUNT(观测窗口内的飞行次数)
    • M=SEG_KM_SUM(观测窗口内的总飞行里程)
    • C=AVG_DISCOUNT(平均折扣率)

    注：LOAD_TIME和FFP_DATE均为日期，LAST_TO_END单位为日。

  • 数据标准化
    LRFMC指标取值范围如下表。
    为不同指标数量级不同所带来的影响，对数据进行标准差标准化。标准化后的部分数据集如下表。

构建模型

• 客户聚类
  利用K-Means聚类算法对客户数据进行客户分群，聚成五类。客户聚类结果如下表。

详细输出每一个客户所属类别，部分结果如下表。

• 客户价值分析
  依据聚类结果，对不同类型客户进行特征提取。从表中可以看出，客户群0的L、C属性均为最小，是最大客户群。客户群1的L属性为最大，属于大客户群。客户群2的R属性为最大，F、M属性均为最小，属于大客户群。客户群3的F、M属性均为最大，R属性为最小，属于小客户群。客户群4的C属性为最大，是最小客户群。

画出客户群体数目柱状图，如下。

画出客户群体特征雷达图，如下。

通过比较不同客户群的各指标在群间的大小，对各客户群进行评价分析。各项指标中，R指标小为优，L、F、M、C指标大为优。则可以得到不同客户群的优势和劣势，得到下表。

由表中可以看出，客户群0数量大，所乘航班折扣率很低，加入会员时间短，这类客户一般在机票打折时，才会乘坐公司航班，属于一般客户。客户群1数量较大，加入会员时间很长，但乘坐频率变小，属于重要挽留客户。客户群2数量中，乘坐次数很少，乘坐里程很小，很长时间没有乘坐公司航班，属于低价值客户。客户群3数量小，乘坐次数很多，乘坐里程很大，所乘航班折扣率较高，属于重要保持客户。客户群4数量小，所乘航班折扣率很高，属于重要发展客户。

客户价值排名：重要保持客户(3)>重要发展客户(4)>重要挽留客户(1)>一般客户(0)，客户群2是低价值客户。

模型应用

• 对于数量极少的客户群3，进行一对一精准营销。
• 对于数量极少的客户群4，实行里程数兑换机票。
• 对于数量较大的客户群1，提供会员升级提醒服务。
• 积极和非航空类企业合作，顾客在合作企业消费也可获得本航空公司奖励，增加客户与公司的联系。
   
   

欢迎大家参与牛客项目平台活动！助力项目还能参与抽奖~
原创区：https://www.nowcoder.com/discuss/210455
搬运区：https://www.nowcoder.com/discuss/210457