Python数据分析与应用第7讲航空公司客户价值分析.ppt

大数据，成就未来 * 大数据挖掘专家 * 大数据挖掘专家 大数据，成就未来 航空公司客户价值分析 * 目录 分析航空公司现状 1. 行业内竞争 民航的竞争除了三大航空公司之间的竞争之外，还将加入新崛起的各类小型航空公司、民营航空公司，甚至国外航空巨头。航空产品生产过剩，产品同质化特征愈加明显，于是航空公司从价格、服务间的竞争逐渐转向对客户的竞争。 分析航空公司现状 2. 行业外竞争 随着高铁、动车等铁路运输的兴建，航空公司受到巨大冲击。 目前航空公司已积累了大量的会员档案信息和其乘坐航班记录。 以2014-03-31为结束时间，选取宽度为两年的时间段作为分析观测窗口，抽取观测窗口内有乘机记录的所有客户的详细数据形成历史数据，44个特征，总共62988条记录。数据特征及其说明如右表所示。 分析航空公司现状 航空公司数据特征说明 ? 特征名称 特征说明 客户基本信息 MEMBER_NO 会员卡号 FFP_DATE 入会时间 FIRST_FLIGHT_DATE 第一次飞行日期 GENDER 性别 FFP_TIER 会员卡级别 WORK_CITY 工作地城市 WORK_PROVINCE 工作地所在省份 WORK_COUNTRY 工作地所在国家 AGE 年龄 航空公司客户数据说明 表 名 特征名称 特征说明 乘机信息 FLIGHT_COUNT 观测窗口内的飞行次数 LOAD_TIME 观测窗口的结束时间 LAST_TO_END 最后一次乘机时间至观测窗口结束时长 AVG_DISCOUNT 平均折扣率 SUM_YR 观测窗口的票价收入 SEG_KM_SUM 观测窗口的总飞行公里数 LAST_FLIGHT_DATE 末次飞行日期 AVG_INTERVAL 平均乘机时间间隔 MAX_INTERVAL 最大乘机间隔 积分信息 EXCHANGE_COUNT 积分兑换次数 EP_SUM 总精英积分 PROMOPTIVE_SUM 促销积分 PARTNER_SUM 合作伙伴积分 POINTS_SUM 总累计积分 POINT_NOTFLIGHT 非乘机的积分变动次数 BP_SUM 总基本积分 续表 原始数据中包含40多个特征，利用这些特征做些什么呢？我们又该从哪些角度出发呢？ 思考 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，比较不同类别客户的客户价值。 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。 项目目标 结合目前航空公司的数据情况，可以实现以下目标。 公司收入的80%来自顶端的20%的客户。 20%的客户其利润率100%。 90%以上的收入来自现有客户。 大部分的营销预算经常被用在非现有客户上。 5%至30%的客户在客户金字塔中具有升级潜力。 客户金字塔中客户升级2%，意味着销售收入增加10%，利润增加50%。 这些经验也许并不完全准确，但是它揭示了新时代客户分化的趋势，也说明了对客户价值分析的迫切性和必要性。 了解客户价值分析 客户营销战略倡导者Jay & Adam Curry从国外数百家公司进行了客户营销实施的经验中提炼了如下经验。 熟悉航空客户价值分析的步骤与流程 航空客户价值分析项目的总体流程如图所示。 目录 通过对数据观察发现原始数据中存在票价为空值，票价最小值为0，折扣率最小值为0，总飞行公里数大于0的记录。票价为空值的数据可能是客户不存在乘机记录造成。 处理方法：丢弃票价为空的记录。 其他的数据可能是客户乘坐0折机票或者积分兑换造成。由于原始数据量大，这类数据所占比例较小，对于问题影响不大，因此对其进行丢弃处理。 处理方法：丢弃票价为0，平均折扣率不为0，总飞行公里数大于0的记录。 处理数据缺失值与异常值 航空公司客户原始数据存在少量的缺失值和异常值，需要清洗后才能用于分析。 本项目的目标是客户价值分析，即通过航空公司客户数据识别不同价值的客户，识别客户价值应用最广泛的模型是RFM模型。 R（Recency）指的是最近一次消费时间与截止时间的间隔。通常情况下，最近一次消费时间与截止时间的间隔越短，对即时提供的商品或是服务也最有可能感兴趣。 F（Frequency）指顾客在某段时间内所消费的次数。可以说消费频率越高的顾客，也是满意度越高的顾客，其忠诚度也就越高，顾客价值也就越大。 M（Monetary）指顾客在某段时间内所消费的金额。消费金额越大的顾客，他们的消费能力自然也就越大，这就是所谓“20%的顾客贡献了80%的销售额”的二八法则。 构建航空客户价值分析的关键特征 1. RFM模型介绍 RFM模型包括三个特征，使用三维坐标系进行展示，如图所示。X轴表示Recency，Y轴表示Frequency，Z轴表示Monetary，每个轴一般会分成5级表示程度，1为最小，5为最大。 构建