机器学习原理与实战-第9章-航空公司客户价值分析.pptx

航空公司客户价值分析 1数据准备目录目标分析2特征工程3模型训练4性能度量5 目前，全球经济环境和市场环境正在悄然发生改变，企业的业务也在逐步由产品为主导向客户需求为主导转型。一种全新的“以客户为中心”的业务模式正在形成并被提升到前所未有的高度。随着中国社会经济的发展，我国民航已经从卖方市场转变为买方市场，再加上铁路提速和全国公路网日益完善，不同运输方式间的竞争日趋激烈，航空公司面临的压力越来越大。航空公司属于典型的服务行业，其目的是获取更多的利润，然而当今航空公司产品同质化现象严重，并且竞争激烈，客户资源成为航空公司最为短缺的资源，谁拥有的客户资源多，谁的核心竞争力就强，获得的利润就会更多。背景 客户营销战略的倡导者Jay Curry 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。公司收入的80%来自顶端的20%的客户。20%的客户带来的利润率能够达到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%。背景 虽然这些经验也许并不完全准确，但是客户作为航空公司的主要利润来源，要求航空公司不断地认识、发现、开发和满足客户的需求，与客户建立一种稳定的客户关系。这一现实情况揭示了新时代客户分化的趋势，而这种趋势说明了进行客户价值分析的必要性。目前各航空公司都已认识到这一关键因素，并且将客户价值分析作为公司发展战略之一。本案例将在航空公司客户数据的基础上，建立合理的客户价值模型，对客户进行分群，分析比较不同客户群的客户价值，为企业提供更精准的策略依据，帮助企业制定更加符合市场行情和企业现状的营销策略，为企业带来更多的利润。背景 目前该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年3月31日为结束时间抽取两年内有乘机记录的所有客户的详细数据。数据包含会员卡号、入会时间、性别、年龄、会员卡级别、工作地城市、工作地所在省份、工作地所在国家、观测窗口结束时间、观测窗口乘机积分、飞行公里数、飞行次数、飞行时间、乘机时间间隔、平均折扣率等特征。数据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 数据说明特征名称特征说明客户基本信息WORK_PROVINCE工作地所在省份WORK_COUNTRY工作地所在国家AGE年龄乘机信息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 数据说明特征名称特征说明乘机信息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 结合目前航空公司的数据情况，可以实现以下目标。借助航空公司客户数据，对客户进行分群。对不同的客户类别进行特征分析，比较不同客户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。分析目标 本案例的总体流程主要包括以下4个步骤。抽取航空公司2012年4月1日至2014年3月31日的数据。对抽取的数据进行数据清洗、特征构建和标准化等操作。基于RFM模型，使用K-Means算法进行客户分群。针对模型结果得到不同价值的客户，采用不同的营销手段，提供定制化的服务。分析目标 航空公司客户价值分析总体流程如下图所示。分析目标 1数据准备目录目标分析2特征工程3模型训练4性能度量5 国内某航空公司提供的原始数据尚未经过处理，数据质量可能尚未达到可以直接用于建模的程度，可能存在缺失值、异常值等问题，这些问题会导致建立的模型不够精确，为尽可能地排除干扰因素、保证模型的可靠性，需要进行必要的数据准备。数据准备 由于航空公司客户乘机记录信息数据量很大，因此在获取数据时，对原始数据进行截取，以2014年3月31日为结束时间，选取宽度为两年（2012年4月1日~2014年3月31日）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，总共62988条记录。截取数据后对数据进行探索，在数据探索过程中，发现数据中存在缺失值和异常值，具体