基于數據挖掘的航空公司客戶價值分析

數據挖掘有三大步驟

第一數據籌備，第二數據挖掘，第三結果表達和解釋。數據籌備包含數據集成，數據選擇，目標數據預處理。數據挖掘主要是對預處理后的數據進行挖掘。結果表達和解釋即我們所說的結果可視化。

基于數據挖掘的航空公司客戶價值分析

航空客戶信息，包含會員檔案信息和其他乘坐航班記錄信息等。識別客戶價值的最廣泛的模型是通過RFM模型來識別出高價值的客戶： 

Recency： 最近消費時間間隔 

Frequency： 消費頻率 

Monetary： 消費金額 

然而，同樣的消費金額的不同旅客對航空公司的價值不同，例如買長航線、低等倉的旅客和買短航線、高等倉的旅客消費金額相同 ，但是價值卻是不同的。顯然后者更有價值。因此這個指標可能不合適，故選擇客戶在一定時間內的飛行里程M和乘坐艙位所對應的折扣系數C。同時，因為航空公司會員的加入時間一定程度上可以影響客戶價值，所以我們在航空公司客戶價值分析模型中添加客戶關系長度 L，當做區分客戶價值的另一個指標，所以我們構建出LRFMC 模型。

L：會員入會時間距觀測窗口結束的時間 

R：客戶最近一次乘坐公司分級距觀測窗口結束的時間（月數） 

F：客戶在觀測窗口內乘坐公司飛機的次數 

M：客戶在觀測窗口內累計的飛行里程 

C：客戶在觀測窗口內乘坐艙位所對應的折扣系數的平均值

使用聚類分析的方法把客戶進行分類，并且分析客戶群的特征，分析客戶價值。

>>>>

第一步：數據抽取  

（1）以 2014年3月31日為結束日期，選取寬度為兩年的時間段作為分析觀測窗口，抽取觀測窗口內有乘機記錄的所有顧客的詳細資料形成歷史數據。對于后來新增客戶信息利用數據中最大的某個時間作為結束時間，采用同樣的方法進行抽取，形成增量數據。

（2）根據末次飛行日期從航空公司系統內抽取 2012年4月1日至 2014年3月31 日內所有所有乘客的詳細數據，共 62988 條記錄。

>>>>

第二步：數據探索分析

在原始數據中存在票價為空的情況，票價為空值的數據有可能是航空客戶未有乘機記錄造成的。票價最小值為 0，折扣率最小值為 0，總飛行里程不為 0 的數據有可能是顧客使用 0 折機票或者是使用積分兌換的機票造成的。

>>>>

第三步：數據預處理

（1）數據清洗：從航空公司業務和數據挖掘建模需要考慮篩選出需要的數據。

A）不需要票價為空的數據。B）不需要票價為 0，平均折扣率不為 0，總飛行里程不為 0 的數據。

（2）屬性規約。在原始數據中數據屬性太多，我們只需要與LRFMC 模型相關的 6 個數據屬性，所以我們需要刪除不相關，弱相關和冗余的數據屬性。

（3）數據變換。A）數據屬性構造 B）數據標準化

>>>>

第四步：建構模型

構建航空公司客戶價值分析 LRFMC 模型

A：客戶 K-Means 聚類分析

采用 K-Means 辦法對所有客戶數據進行聚類分析，將客戶數據聚為 5 類。（具體情況具體分析，必須依據實際狀況決定分幾類）

B：客戶價值分析

對聚類結果進行屬性分析：顧客群 1 在 L、M 屬性上最??；顧客群 2 在 R 屬性上最大，在 F、M 上最??；客戶群 3 在屬性 F、M 上最大，在 R 上最??；客戶群 4 在屬性 L 上最大；客戶群 5 在屬性 C 上最大。

根據航空公司業務定義為五個等級的客戶類別：重要保持客戶，重要發展客戶，重要挽留客戶，普通價值客戶，低價值客戶。根據每種客戶群類型的特征對客戶群進行客戶價值排名，以便獲得高價值客戶的信息。

C：模型應用

根據每種客戶群的特征，可以采取更多個性化服務和營銷策略。

隨著數據量爆炸式的激增，數據挖掘技術與工具將得到更廣泛的使用和發展。航空業的下一個大動作就在大數據和大數據挖掘分析領域。航空企業將通過數據分析了解旅客細分、旅客趨勢，找到將信息變成吸引旅客、增強旅客忠誠度的產品和服務。

今天，航空業在大數據捕捉和分析領域還不是走在前面的行業，但十年后，航空業也許成為這一領域的領頭羊。