R语言商务数据分析实战第3章-航空公司客户价值分课件.ppt

1、1预处理航空客户数据目录了解航空公司现状与客户价值分析2使用K-Means算法进行客户分群3小结4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

2、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。航空公司客户数据说明 表 名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

3、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 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。案例目

4、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案例的总体流程

5、如图所示。1预处理航空客户数据目录了解航空公司现状与客户价值分析2使用K-Means算法进行客户分群3小结4 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。本案例的目标是客户

6、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

7、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。构建航空客户价值分析的关键特征2. RFM模型结果解读在RFM模型中，消费金额表示在一段时间内，客户购买该企业产品金额的总和，由于航空票价受到运输距离，舱位等级等多种因素影响，同样消费金额的不同旅客对航空公司的价值是不同的，因此这个特征并不适合用于航空公司的客户价值分析。构建航空客户价值分析的关键特征3. 传统RFM模型在航空行业的缺陷本案例选择客户在一定时间内累积的飞行里程M和客户在一定时间内乘坐舱位所对应

8、的折扣系数的平均值C两个特征代替消费金额。此外，航空公司会员入会时间的长短在一定程度上能够影响客户价值，所以在模型中增加客户关系长度L，作为区分客户的另一特征。本案例将客户关系长度L，消费时间间隔R，消费频率F，飞行里程M和折扣系数的平均值C作为航空公司识别客户价值的关键特征（如表所示），记为LRFMC模型。构建航空客户价值分析的关键特征4. 航空客户价值分析的LRFMC模型模型LRFMC航空公司LRFMC模型会员入会时间距观测窗口结束的月数客户最近一次乘坐公司飞机距观测窗口结束的月数客户在观测窗口内乘坐公司飞机的次数客户在观测窗口内累计的飞行里程客户在观测窗口内乘坐舱位所对应的折扣系数的平均

9、值完成五个特征的构建以后，对每个特征数据分布情况进行分析，其数据的取值范围如表所示。从表中数据可以发现，五个特征的取值范围数据差异较大，为了消除数量级数据带来的影响，需要对数据做标准化处理。标准化LRFMC五个特征特征名称LRFMC最小值12.170.0323680.14最大值114.5724.372135807171.5LOAD_TIMEFFP_DATELAST_TO_ENDFLIGHT_COUNTSEG_KM_SUMAVG_DISCOUNT2014/3/312013/3/1623141268501.022014/3/312012/6/266651847300.762014/3/312009

10、/12/8233603871.272014/3/312009/12/101236622591.022014/3/312011/8/251422547301.36标准化LRFMC五个特征L、R、F、M和C五个特征的数据示例，上图为原始数据，下图为标准差标准化处理后的数据。LRFMC1.44-0.9514.0326.761.301.31-0.919.0713.132.871.33-0.898.7212.652.880.66-0.420.7812.541.990.39-0.929.9213.901.341预处理航空客户数据目录了解航空公司现状与客户价值分析2使用K-Means算法进行客户分群3小结4

11、K-Means聚类算法是一种基于质心的划分方法，输入聚类个数k，以及包含n个数据对象的数据库，输出满足误差平方和最小标准的k个聚类。算法步骤如下。 从n个样本数据中随机选取k个对象作为初始的聚类中心。 分别计算每个样本到各个聚类质心的距离，将样本分配到距离最近的那个聚类中心类别中。 所有样本分配完成后，重新计算k个聚类的中心。 与前一次计算得到的k个聚类中心比较，如果聚类中心发生变化，转(2)，否则转(5)。 当质心不发生变化时停止并输出聚类结果。了解K-Means聚类算法1. 基本概念K-Means聚类算法是在数值类型数据的基础上进行研究，然而数据分析的样本复杂多样，因此要求不仅能够对特征为

12、数值类型的数据进行分析，还要适应数据类型的变化，对不同特征做不同变换，以满足算法的要求。了解K-Means聚类算法2. 数据类型 K-Means算法在R语言中实现的核心函数为kmeans，来源于stats软件包，其基本语法如下。kmeans(x, centers, iter.max = 10, nstart = 1, algorithm = c(Hartigan-Wong, Lloyd, Forgy,MacQueen) 常用参数及其说明，如表所示。了解K-Means聚类算法3. kmeans函数及其参数介绍参数名称说 明x接收matrix或dataframe。表示进行聚类分析的数据集。无默认。

13、centers接收int。表示初始类的个数或者初始类的中心。无默认。iter.max接收int。表示最大迭代次数。默认为10。nstart接收int。表示选择随机起始中心点的次数。默认为1。algorithm接收特定character(Hartigan-Wong, Lloyd, Forgy, MacQueen)。默认为Hartigan-Wong。 K-Means模型构建完成后可以通过属性查看不同的信息，如表所示。了解K-Means聚类算法3. kmeans函数及其参数介绍属性说明cluster返回int。表示每个点被分配到的簇。centers返回num。表示聚类中心矩阵。totss返回int。

14、表示所生成簇的总体距离平方和。withinss返回num。表示每个簇内的距离平方和。betweenss返回num。表示每个簇之间的距离平方和。size返回int。表示每个簇内的数量。分析聚类结果对数据进行聚类分群的结果如表所示。聚类类别聚类个数聚类中心LRFMC客户群153360.483-0.7992.4832.4250.309客户群241710.056-0.003-0.226-0.2292.200客户群3157421.160-0.377-0.087-0.095-0.156客户群424663-0.700-0.415-0.161-0.161-0.254客户群512132-0.3131.686-0

15、.574-0.537-0.173分析聚类结果针对聚类结果进行特征分析，如图所示。分析聚类结果结合业务分析，通过比较各个特征在群间的大小对某一个群的特征进行评价分析，从而总结出每个群的优势和弱势特征，具体结果如表所示。群类别优势特征弱势特征客户群1FMR 客户群2CRFM客户群3FML 客户群4 LC客户群5 FMR分析聚类结果基于特征描述，本案例定义五个等级的客户类别：重要保持客户，重要发展客户，重要挽留客户，一般客户，低价值客户。每种客户类别的特征如图所示。 会员的升级与保级：航空公司可以在对会员升级或保级进行评价的时间点之前，对那些接近但尚未达到要求的较高消费客户进行适当提醒甚至采取一些促

16、销活动，刺激他们通过消费达到相应标准。这样既可以获得收益，同时也提高了客户的满意度，增加了公司的精英会员。 首次兑换：采取的措施是从数据库中提取出接近但尚未达到首次兑换标准的会员，对他们进行提醒或促销，使他们通过消费达到标准。一旦实现了首次兑换，客户在本公司进行再次消费兑换就比在其他公司进行兑换要容易许多，在一定程度上等于提高了转移的成本。 交叉销售：通过发行联名卡等与非航空类企业的合作，使客户在其他企业的消费过程中获得本公司的积分，增强与公司的联系，提高他们的忠诚度。模型应用根据对各个客户群进行特征分析，采取下面的一些营销手段和策略，为航空公司的价值客户群管理提供参考。1分析方法与过程目录了解航空公司现状与客户价值分析2使用K-Means算法进行客户分群3小结4本案例结合航空公司客户价值分析的案例，重点介绍了数据分析算法中K-Means聚类算法在客户价值分析中的应用。针对RFM客户价值分析模型的不足，使用K-Means算法构建了航空客户价值分析LRFMC模型，详细描述了数据分析的整个过程。小结