Python經(jīng)濟(jì)大數(shù)據(jù)分析 課件 第7章 Python應(yīng)用航空公司客戶價(jià)值分析

第7章航空公司客戶價(jià)值分析1分析方法與過(guò)程目錄背景與挖掘目標(biāo)2上機(jī)實(shí)驗(yàn)3拓展思考4信息時(shí)代的來(lái)臨使得企業(yè)營(yíng)銷焦點(diǎn)從產(chǎn)品中心轉(zhuǎn)變?yōu)榭蛻糁行?，客戶關(guān)系管理成為企業(yè)的核心問(wèn)題。客戶關(guān)系管理的關(guān)鍵問(wèn)題是客戶分類，通過(guò)客戶分類，區(qū)分無(wú)價(jià)值客戶、高價(jià)值客戶，企業(yè)針對(duì)不同價(jià)值的客戶制定優(yōu)化的個(gè)性化服務(wù)方案，采取不同營(yíng)銷策略，將有限營(yíng)銷資源集中于高價(jià)值客戶，實(shí)現(xiàn)企業(yè)利潤(rùn)最大化目標(biāo)。準(zhǔn)確的客戶分類結(jié)果是企業(yè)優(yōu)化營(yíng)銷資源分配的重要依據(jù)，客戶分類越來(lái)越成為客戶關(guān)系管理中亟待解決的關(guān)鍵問(wèn)題之一。案例背景面對(duì)激烈的市場(chǎng)競(jìng)爭(zhēng)，各個(gè)航空公司都推出了更優(yōu)惠的營(yíng)銷方式來(lái)吸引更多的客戶，國(guó)內(nèi)某航空公司面臨著常旅客流失、競(jìng)爭(zhēng)力下降和航空資源未充分利用等經(jīng)營(yíng)危機(jī)。通過(guò)建立合理的客戶價(jià)值評(píng)估模型，對(duì)客戶進(jìn)行分群，分析比較不同客戶群的客戶價(jià)值，并制定相應(yīng)的營(yíng)銷策略，對(duì)不同的客戶群提供個(gè)性化的客戶服務(wù)是必須的和有效的。結(jié)合該航空公司已積累的大量的會(huì)員檔案信息和其乘坐航班記錄，實(shí)現(xiàn)以下目標(biāo)。借助航空公司客戶數(shù)據(jù)，對(duì)客戶進(jìn)行分類。對(duì)不同的客戶類別進(jìn)行特征分析，比較不同類客戶的客戶價(jià)值。對(duì)不同價(jià)值的客戶類別提供個(gè)性化服務(wù)，制定相應(yīng)的營(yíng)銷策略。案例背景1分析方法與過(guò)程目錄背景與挖掘目標(biāo)2上機(jī)實(shí)驗(yàn)3拓展思考4分析方法與過(guò)程1.航空公司行業(yè)內(nèi)競(jìng)爭(zhēng)的現(xiàn)狀民航的競(jìng)爭(zhēng)除了三大航空公司之間的競(jìng)爭(zhēng)之外，還將加入新崛起的各類小型航空公司、民營(yíng)航空公司，甚至國(guó)外航空巨頭。航空產(chǎn)品生產(chǎn)過(guò)剩，產(chǎn)品同質(zhì)化特征愈加明顯，于是航空公司從價(jià)格、服務(wù)間的競(jìng)爭(zhēng)逐漸轉(zhuǎn)向?qū)蛻舻母?jìng)爭(zhēng)。分析方法與過(guò)程2.航空公司行業(yè)外競(jìng)爭(zhēng)的現(xiàn)狀隨著高鐵、動(dòng)車等鐵路運(yùn)輸?shù)呐d建，航空公司受到巨大沖擊。航空客戶價(jià)值分析案例的流程步驟如下：抽取航空公司2012年4月1日至2014年3月31日的數(shù)據(jù)。對(duì)抽取的數(shù)據(jù)進(jìn)行數(shù)據(jù)探索分析與預(yù)處理，包括數(shù)據(jù)缺失值與異常值的探索分析，數(shù)據(jù)清洗，特征構(gòu)建，標(biāo)準(zhǔn)化等操作。基于RFM模型，使用K-Means算法進(jìn)行客戶分群。針對(duì)模型結(jié)果得到不同價(jià)值的客戶，采用不同的營(yíng)銷手段，提供定制化的服務(wù)。分析方法與過(guò)程總體流程分析方法與過(guò)程數(shù)據(jù)探索分析：從航空公司系統(tǒng)內(nèi)的客戶基本信息、乘機(jī)信息以及積分信息等詳細(xì)數(shù)據(jù)中，根據(jù)末次飛行日期（LAST_FLIGHT_DATE），以2014年3月31日為結(jié)束時(shí)間，選取寬度為兩年的時(shí)間段作為分析觀測(cè)窗口，抽取觀測(cè)窗口2012年4月1日至2014年3月31日內(nèi)有乘機(jī)記錄的所有客戶的詳細(xì)數(shù)據(jù)形成歷史數(shù)據(jù)，總共62988條記錄。其中包含了如會(huì)員卡號(hào)，入會(huì)時(shí)間，性別，年齡，會(huì)員卡級(jí)別，工作地城市，工作地所在省份，工作地所在國(guó)家，觀測(cè)窗口結(jié)束時(shí)間，觀測(cè)窗口乘機(jī)積分，飛行公里數(shù)，飛行次數(shù)，飛行時(shí)間，乘機(jī)時(shí)間間隔，平均折扣率等44個(gè)屬性。分析方法與過(guò)程數(shù)據(jù)探索分析：從航空公司系統(tǒng)內(nèi)的客戶基本信息、乘機(jī)信息以及積分信息等詳細(xì)數(shù)據(jù)中，根據(jù)末次飛行日期（LAST_FLIGHT_DATE），以2014年3月31日為結(jié)束時(shí)間，選取寬度為兩年的時(shí)間段作為分析觀測(cè)窗口，抽取觀測(cè)窗口2012年4月1日至2014年3月31日內(nèi)有乘機(jī)記錄的所有客戶的詳細(xì)數(shù)據(jù)形成歷史數(shù)據(jù)，總共62988條記錄。航空公司數(shù)據(jù)屬性如下表所示。分析方法與過(guò)程

屬性名稱屬性說(shuō)明客戶基本信息MEMBER_NO會(huì)員卡號(hào)FFP_DATE入會(huì)時(shí)間FIRST_FLIGHT_DATE第一次飛行日期GENDER性別FFP_TIER會(huì)員卡級(jí)別WORK_CITY工作地城市WORK_PROVINCE工作地所在省份WORK_COUNTRY工作地所在國(guó)家AGE年齡分析方法與過(guò)程

屬性名稱屬性說(shuō)明乘機(jī)信息FLIGHT_COUNT觀測(cè)窗口內(nèi)的飛行次數(shù)LOAD_TIME觀測(cè)窗口的結(jié)束時(shí)間LAST_TO_END最后一次乘機(jī)時(shí)間至觀測(cè)窗口結(jié)束時(shí)長(zhǎng)AVG_DISCOUNT平均折扣率SUM_YR觀測(cè)窗口的票價(jià)收入SEG_KM_SUM觀測(cè)窗口的總飛行公里數(shù)LAST_FLIGHT_DATE末次飛行日期AVG_INTERVAL平均乘機(jī)時(shí)間間隔MAX_INTERVAL最大乘機(jī)間隔積分信息EXCHANGE_COUNT積分兌換次數(shù)EP_SUM總精英積分PROMOPTIVE_SUM促銷積分PARTNER_SUM合作伙伴積分POINTS_SUM總累計(jì)積分POINT_NOTFLIGHT非乘機(jī)的積分變動(dòng)次數(shù)BP_SUM總基本積分第一步：描述性統(tǒng)計(jì)分析通過(guò)對(duì)原始數(shù)據(jù)觀察發(fā)現(xiàn)數(shù)據(jù)中存在票價(jià)為空值的記錄，同時(shí)存在票價(jià)最小值為0、折扣率最小值為0但總飛行公里數(shù)大于0的記錄。票價(jià)為空值的數(shù)據(jù)可能是客戶不存在乘機(jī)記錄造成。其它的數(shù)據(jù)可能是客戶乘坐0折機(jī)票或者積分兌換造成。每列屬性觀測(cè)值中空值個(gè)數(shù)、最大值、最小值，如下表所示。分析方法與過(guò)程屬性名稱空值記錄數(shù)最大值最小值SUM_YRUM_YR_21382341880…………SEG_KM_SUM0580717368avg_discount01.50第二步：分布分析——客戶基本信息分布分析分別從客戶基本信息、乘機(jī)信息、積分信息3個(gè)角度進(jìn)行數(shù)據(jù)探索，尋找客戶的分布規(guī)律。選取客戶基本信息中入會(huì)時(shí)間、性別、會(huì)員卡級(jí)別和年齡字段進(jìn)行探索分析，探索客戶的基本信息分布狀況，得到各年份會(huì)員入會(huì)人數(shù)直方圖、會(huì)員性別比例餅圖、會(huì)員各級(jí)別人數(shù)條形圖、會(huì)員年齡分布箱型圖。分析方法與過(guò)程第二步：分布分析——客戶基本信息分布分析入會(huì)人數(shù)隨年份增長(zhǎng)而增加在2012年達(dá)到最高峰。分析方法與過(guò)程第二步：分布分析——客戶基本信息分布分析男性會(huì)員明顯比女性會(huì)員多。分析方法與過(guò)程第二步：分布分析——客戶基本信息分布分析絕大部分會(huì)員為4級(jí)會(huì)員，僅有少數(shù)會(huì)員為5級(jí)和6級(jí)會(huì)員。分析方法與過(guò)程第二步：分布分析——客戶基本信息分布分析大部分會(huì)員年齡集中在30~50歲之間，極少量的會(huì)員年齡小于20歲或高于60歲，且存在一個(gè)超過(guò)100歲的異常數(shù)據(jù)。分析方法與過(guò)程第二步：分布分析——客戶乘機(jī)信息分布分析選取最后一次乘機(jī)至結(jié)束的時(shí)長(zhǎng)、客戶乘機(jī)信息中飛行次數(shù)、總飛行公里數(shù)進(jìn)行探索分析，探索客戶的乘機(jī)信息分布狀況。客戶最后一次乘機(jī)至結(jié)束的時(shí)長(zhǎng)、客戶乘機(jī)信息中飛行次數(shù)、總飛行公里數(shù)的箱線圖分析方法與過(guò)程分析方法與過(guò)程第二步：分布分析——客戶積分信息分布分析選取積分兌換次數(shù)、總累計(jì)積分進(jìn)行探索分析，探索客戶的積分信息分布狀況客戶積分兌換次數(shù)直方圖和總累計(jì)積分分布箱線圖。分析方法與過(guò)程分析方法與過(guò)程第二步：分布分析——客戶積分信息分布分析直方圖可以看出絕大部分客戶的兌換次數(shù)在0~10的區(qū)間內(nèi)，這表示大部分客戶都很少進(jìn)行積分兌換。箱線圖可以看出，一部分客戶集中在箱體中，少部分客戶分散分布在箱體上方，這部分客戶的積分要明顯高于箱體內(nèi)的客戶。分析方法與過(guò)程第三步：相關(guān)性分析客戶信息的屬性間存在相關(guān)性，選取入會(huì)時(shí)間、會(huì)員卡級(jí)別、客戶年齡、飛行次數(shù)、總飛行公里數(shù)、最近一次乘機(jī)至結(jié)束時(shí)長(zhǎng)、積分兌換次數(shù)、總累計(jì)積分屬性，通過(guò)相關(guān)系數(shù)矩陣與熱力圖分析各屬性間的相關(guān)性。分析方法與過(guò)程第三步：相關(guān)性分析相關(guān)系數(shù)FFP_TIERFLIGHT_COUNTLAST_TO_ENDSEG_KM_SUMEXCHANGE_COUNTPoints_SumAGEffp_yearFFP_TIER1.0000000.582447-0.2063130.5223500.3423550.5592490.076245-0.116510FLIGHT_COUNT0.5824471.000000-0.4049990.8504110.5025010.7470920.075309-0.188181LAST_TO_END-0.206313-0.4049991.000000-0.369509-0.169717-0.292027-0.0276540.117913SEG_KM_SUM0.5223500.850411-0.3695091.0000000.5078190.8530140.087285-0.171508EXCHANGE_COUNT0.3423550.502501-0.1697170.5078191.0000000.5785810.032760-0.216610Points_Sum0.5592490.747092-0.2920270.8530140.5785811.0000000.074887-0.163431AGE0.0762450.075309-0.0276540.0872850.0327600.0748871.000000-0.242579ffp_year-0.116510-0.1881810.117913-0.171508-0.216610-0.163431-0.2425791.000000分析方法與過(guò)程第三步：相關(guān)性分析相關(guān)系數(shù)矩陣和熱力圖可以看出部分屬性間具有較強(qiáng)的相關(guān)性，如FLIGHT_COUNT（飛行次數(shù)）屬性與SEG_KM_SUM（總公里數(shù)）屬性；也有部分屬性與其他屬性的相關(guān)性都較弱，如AGE（年齡）屬性與EXCHANGE_COUNT（積分兌換次數(shù)）屬性。分析方法與過(guò)程數(shù)據(jù)預(yù)處理方法：數(shù)據(jù)清洗屬性歸約數(shù)據(jù)變換分析方法與過(guò)程數(shù)據(jù)預(yù)處理——數(shù)據(jù)清洗通過(guò)對(duì)數(shù)據(jù)觀察發(fā)現(xiàn)原始數(shù)據(jù)中存在票價(jià)為空值，票價(jià)最小值為0、折扣率最小值為0、總飛行公里數(shù)大于0的記錄。票價(jià)為空值的數(shù)據(jù)可能是客戶不存在乘機(jī)記錄造成。其他的數(shù)據(jù)可能是客戶乘坐0折機(jī)票或者積分兌換造成。由于原始數(shù)據(jù)量大，這類數(shù)據(jù)所占比例較小，對(duì)于問(wèn)題影響不大，因此對(duì)其進(jìn)行丟棄處理。同時(shí)，數(shù)據(jù)探索時(shí)發(fā)現(xiàn)部分年齡大于100記錄，也進(jìn)行丟棄處理，具體處理方法如下。（1）丟棄票價(jià)為空的記錄。（2）保留票價(jià)不為0的，或者平均折扣率不為0且總飛行公里數(shù)大于0的記錄。（3）丟棄年齡大于100的記錄。使用pandas對(duì)滿足清洗條件的數(shù)據(jù)進(jìn)行丟棄，處理方法為滿足清洗條件的一行數(shù)據(jù)全部丟棄。分析方法與過(guò)程數(shù)據(jù)預(yù)處理——屬性歸約通過(guò)航空公司客戶數(shù)據(jù)識(shí)別不同價(jià)值的客戶，識(shí)別客戶價(jià)值應(yīng)用最廣泛的模型是RFM模型。RFM模型介紹R（Recency）指的是最近一次消費(fèi)時(shí)間與截止時(shí)間的間隔。通常情況下，最近一次消費(fèi)時(shí)間與截止時(shí)間的間隔越短，對(duì)即時(shí)提供的商品或是服務(wù)也最有可能感興趣。F（Frequency）指顧客在某段時(shí)間內(nèi)所消費(fèi)的次數(shù)?？梢哉f(shuō)消費(fèi)頻率越高的顧客，也是滿意度越高的顧客，其忠誠(chéng)度也就越高，顧客價(jià)值也就越大。M（Monetary）指顧客在某段時(shí)間內(nèi)所消費(fèi)的金額。消費(fèi)金額越大的顧客，他們的消費(fèi)能力自然也就越大，這就是所謂“20%的顧客貢獻(xiàn)了80%的銷售額”的二八法則。分析方法與過(guò)程數(shù)據(jù)預(yù)處理——屬性歸約RFM模型結(jié)果解讀RFM模型包括3個(gè)特征，無(wú)法用平面坐標(biāo)系來(lái)展示，所以這里使用三維坐標(biāo)系進(jìn)行展示，如圖711所示，x軸表示R特征（Recency），y軸表示F特征（Frequency），z軸表示M指標(biāo)（Monetary）。每個(gè)軸一般會(huì)用5級(jí)表示程度，1為最小，5為最大。分析方法與過(guò)程數(shù)據(jù)預(yù)處理——屬性歸約航空客戶價(jià)值分析的LRFMC模型在RFM模型中，消費(fèi)金額表示在一段時(shí)間內(nèi)，客戶購(gòu)買該企業(yè)產(chǎn)品金額的總和。由于航空票價(jià)受到運(yùn)輸距離，艙位等級(jí)等多種因素影響，同樣消費(fèi)金額的不同旅客對(duì)航空公司的價(jià)值是不同的，比如一位購(gòu)買長(zhǎng)航線，低等級(jí)艙位票的旅客與一位購(gòu)買短航線，高等級(jí)艙位票的旅客相比，后者對(duì)于航空公司而言價(jià)值可能更高。因此這個(gè)特征并不適合用于航空公司的客戶價(jià)值分析。分析方法與過(guò)程數(shù)據(jù)預(yù)處理——屬性歸約航空客戶價(jià)值分析的LRFMC模型客戶關(guān)系長(zhǎng)度L，消費(fèi)時(shí)間間隔R，消費(fèi)頻率F，飛行里程M和折扣系數(shù)的平均值C五個(gè)特征作為航空公司識(shí)別客戶價(jià)值特征，如下表所示，記為L(zhǎng)RFMC模型。模型LRFMC航空公司LRFMC模型會(huì)員入會(huì)時(shí)間距觀測(cè)窗口結(jié)束的月數(shù)客戶最近一次乘坐公司飛機(jī)距觀測(cè)窗口結(jié)束的月數(shù)客戶在觀測(cè)窗口內(nèi)乘坐公司飛機(jī)的次數(shù)客戶在觀測(cè)窗口內(nèi)累計(jì)的飛行里程客戶在觀測(cè)窗口內(nèi)乘坐艙位所對(duì)應(yīng)的折扣系數(shù)的平均值分析方法與過(guò)程數(shù)據(jù)預(yù)處理——屬性歸約航空客戶價(jià)值分析的LRFMC模型原始數(shù)據(jù)中屬性太多，根據(jù)航空公司客戶價(jià)值LRFMC模型，選擇與LRFMC指標(biāo)相關(guān)的六個(gè)屬性：FFP_DATE、LOAD_TIME、FLIGHT_COUNT、AVG_DISCOUNT、SEG_KM_SUM、LAST_TO_END。刪除與其不相關(guān)、弱相關(guān)或冗余的屬性，屬性選擇后的數(shù)據(jù)集如下表。FFP_DATELOAD_TIMELAST_TO_ENDFLIGHT_COUNTSEG_KM_SUMavg_discount2006/11/22014/3/3112105807170.9616392007/2/192014/3/3171402936781.2523142007/2/12014/3/31111352837121.2546762008/8/222014/3/3197232813361.0908702009/4/102014/3/3151523099280.970658………………分析方法與過(guò)程數(shù)據(jù)預(yù)處理——數(shù)據(jù)變換數(shù)據(jù)變換是將數(shù)據(jù)轉(zhuǎn)換成“適當(dāng)?shù)摹备袷?，以適應(yīng)挖掘任務(wù)及算法的需要。主要采用的數(shù)據(jù)變換方式：屬性構(gòu)造數(shù)據(jù)標(biāo)準(zhǔn)化分析方法與過(guò)程數(shù)據(jù)預(yù)處理——數(shù)據(jù)變換由于原始數(shù)據(jù)中并沒(méi)有直接給出LRFMC五個(gè)指標(biāo)，需要通過(guò)原始數(shù)據(jù)提取這五個(gè)指標(biāo)。會(huì)員入會(huì)時(shí)間距觀測(cè)窗口結(jié)束的月數(shù)L＝會(huì)員入會(huì)時(shí)長(zhǎng)客戶最近一次乘坐公司飛機(jī)距觀測(cè)窗口結(jié)束的月數(shù)R＝最后一次乘機(jī)時(shí)間至觀察窗口末端時(shí)長(zhǎng)（單位：月）客戶在觀測(cè)窗口內(nèi)乘坐公司飛機(jī)的次數(shù)F＝觀測(cè)窗口的飛行次數(shù)（單位：次）分析方法與過(guò)程數(shù)據(jù)預(yù)處理——數(shù)據(jù)變換客戶在觀測(cè)時(shí)間內(nèi)在公司累計(jì)的飛行里程M＝觀測(cè)窗口總飛行公里數(shù)（單位：公里）客戶在觀測(cè)時(shí)間內(nèi)乘坐艙位所對(duì)應(yīng)的折扣系數(shù)的平均值C＝平均折扣率（單位：無(wú)）在完成五個(gè)指標(biāo)的數(shù)據(jù)提取后，對(duì)每個(gè)指標(biāo)數(shù)據(jù)分布情況進(jìn)行分析，其數(shù)據(jù)的取值范圍如表所示。從表中數(shù)據(jù)可以發(fā)現(xiàn)，五個(gè)指標(biāo)的取值范圍數(shù)據(jù)差異較大，為了消除數(shù)量級(jí)數(shù)據(jù)帶來(lái)的影響，需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。屬性名稱LRFMC最小值12.230.0323680.14最大值114.6324.372135807171.5分析方法與過(guò)程數(shù)據(jù)預(yù)處理——數(shù)據(jù)變換標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化處理后，形成ZL、ZR、ZF、ZM、ZC五個(gè)屬性的數(shù)據(jù)。ZLZRZFZMZC1.43571897-0.9449551614.0341287526.761369961.295550581.30716214-0.91190189.0732856713.12697012.868199021.32839171-0.889866238.7189397412.653583452.880973210.65848092-0.416101510.7815908212.540723061.994729740.38603481-0.922919599.9237159113.898847781.3443455……………分析方法與過(guò)程模型構(gòu)建：客戶價(jià)值分析模型構(gòu)建主要由兩個(gè)部分構(gòu)成，第一個(gè)部分根據(jù)航空公司客戶五個(gè)指標(biāo)的數(shù)據(jù)，對(duì)客戶作聚類分群。第二部分結(jié)合業(yè)務(wù)對(duì)每個(gè)客戶群進(jìn)行特征分析，分析其客戶價(jià)值，并對(duì)每個(gè)客戶群進(jìn)行排名?？蛻艟垲惪蛻魞r(jià)值分析分析方法與過(guò)程模型構(gòu)建——客戶聚類采用K-Means聚類算法對(duì)客戶數(shù)據(jù)進(jìn)行客戶分群，聚成五類（需要結(jié)合業(yè)務(wù)的理解與分析來(lái)確定客戶的類別數(shù)量）。使用scikit-learn庫(kù)下的聚類子庫(kù)（sklearn.cluster）可以實(shí)現(xiàn)K-Means聚類算法。使用標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行聚類，對(duì)數(shù)據(jù)進(jìn)行聚類分群的結(jié)果如表所示。分析方法與過(guò)程模型構(gòu)建——客戶聚類聚類類別聚類個(gè)數(shù)聚類中心ZLZRZFZMZC客戶群1157390.052191-0.002647-0.226745-0.2311680.052191客戶群2121250.483380-0.7993732.4831982.4247220.308632客戶群34182-0.3136561.686290-0.574022-0.536823-0.173324客戶群424661-0.700220-0.414859-0.161162-0.160978-0.255071客戶群553361.160682-0.377298-0.086907-0.094843-0.155919分析方法與過(guò)程模型構(gòu)建——客戶價(jià)值分析針對(duì)聚類結(jié)果進(jìn)行特征分析，繪制客戶分群雷達(dá)圖。分析方法與過(guò)程模型構(gòu)建——客戶價(jià)值分析結(jié)合業(yè)務(wù)分析，通過(guò)比較各個(gè)特征在群間的大小對(duì)某一個(gè)群的特征進(jìn)行評(píng)價(jià)分析。總結(jié)出每個(gè)群的優(yōu)勢(shì)和弱勢(shì)特征，具體結(jié)果如表所示。注：正常字體表示最大值，加粗字體表示次大值，斜體字體表示最小值，帶下劃線的字體表示次小值。群類別優(yōu)勢(shì)特征弱勢(shì)特征客戶群1CRFM客戶群2LRFMC

客戶群3

LRFMC客戶群4RLC客戶群5LFM

分析方法與過(guò)程模型構(gòu)建——客戶價(jià)值分析定義5個(gè)等級(jí)的客戶類別：重要保持客戶，重要發(fā)展客戶，重要挽留客戶，一般客戶，低價(jià)值客戶。每種客戶類別的特征如圖所示。分析方法與過(guò)程模型應(yīng)用：根據(jù)對(duì)各個(gè)客戶群進(jìn)行特征分析，采取下面的一些營(yíng)銷手段和策略，為航空公司的價(jià)值客戶群管理提供參考。會(huì)員的升級(jí)與保級(jí)：航空公司可以在對(duì)會(huì)員升級(jí)或保級(jí)進(jìn)行評(píng)價(jià)的時(shí)間點(diǎn)之前，對(duì)那些接近但尚未達(dá)到要求的較高消費(fèi)客戶進(jìn)行適當(dāng)提醒甚至采取一些促銷活動(dòng)，刺激他們通過(guò)消費(fèi)達(dá)到相應(yīng)標(biāo)準(zhǔn)。這樣既可以獲得收益，同時(shí)也提高了客戶的滿意度，增加了公司的精英會(huì)員。首次兌換：采取的措施是從數(shù)據(jù)庫(kù)中提取出接近但尚未達(dá)到首次兌換標(biāo)準(zhǔn)的會(huì)員，對(duì)他們進(jìn)行提醒或促銷，使他們通過(guò)消費(fèi)達(dá)到標(biāo)準(zhǔn)。一旦實(shí)現(xiàn)了首次兌換，客戶在本公司進(jìn)行再次消費(fèi)兌換就比在其他公司進(jìn)行兌換要容易許多，在一定程度上等于提高了轉(zhuǎn)移的成本。交叉銷售：通過(guò)發(fā)行聯(lián)名卡等與非航空類企業(yè)的合作，使客戶在其他企業(yè)的消費(fèi)過(guò)程中獲得本公司的積分，增強(qiáng)與公司的聯(lián)系，提高他們的忠誠(chéng)度。1分析方法與過(guò)程目錄背景與挖掘目標(biāo)2上機(jī)實(shí)驗(yàn)3拓展思考4實(shí)驗(yàn)?zāi)康牧私釱-Means聚類算法在客戶價(jià)值分析實(shí)例中的應(yīng)用。利用pandas快速實(shí)現(xiàn)數(shù)據(jù)z-score（標(biāo)準(zhǔn)差）標(biāo)準(zhǔn)化以及用scikit-learn的聚類庫(kù)實(shí)現(xiàn)K-Means聚類。上機(jī)實(shí)驗(yàn)實(shí)驗(yàn)內(nèi)容依據(jù)航空公司客戶價(jià)值分析的LRFMC模型提取客戶信息的LRFMC指標(biāo)。對(duì)其進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化并保存后，采用K-Means算法完成客戶的聚類，分析每類的客戶特征，從而獲得每類的客戶價(jià)值。利用pandas庫(kù)讀入LRFMC指標(biāo)文件，分別計(jì)算各個(gè)指標(biāo)的均值與其標(biāo)準(zhǔn)差，使用標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化公式完成LRFMC指標(biāo)的標(biāo)準(zhǔn)化，并將標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行保存。編寫(xiě)Python程序，完成客戶的K-Means聚類，獲得聚類中心與類標(biāo)號(hào)。輸出聚類中心的特征圖，并統(tǒng)計(jì)每個(gè)類別的客戶數(shù)。上機(jī)實(shí)驗(yàn)實(shí)驗(yàn)方法與步驟實(shí)驗(yàn)一對(duì)L、R、F、M、C五個(gè)指標(biāo)進(jìn)行z-score（標(biāo)準(zhǔn)差）標(biāo)準(zhǔn)化。導(dǎo)入pandas，使用read_excel()函數(shù)將待標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化的數(shù)據(jù)“上機(jī)實(shí)驗(yàn)/data/zscoredata.xls”讀入到Python中。使用mean()與std()方法，獲得L、R、F、M、C五個(gè)指標(biāo)的平均值與標(biāo)準(zhǔn)差。根據(jù)z-score（標(biāo)準(zhǔn)差）標(biāo)準(zhǔn)化公式，其中是標(biāo)準(zhǔn)化后的變量值；是實(shí)際變量值，為變量的算術(shù)平均值，是變量的標(biāo)準(zhǔn)差，進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化。上機(jī)實(shí)驗(yàn)實(shí)驗(yàn)方法與步驟實(shí)驗(yàn)二使用read_excel函數(shù)將航空數(shù)據(jù)預(yù)處理后的數(shù)據(jù)讀入Python工作空間，截取最后5列數(shù)據(jù)作為K-Means算法的輸入數(shù)據(jù)。調(diào)用KMeans函數(shù)對(duì)步驟①中的數(shù)據(jù)進(jìn)行聚類，得到聚類標(biāo)號(hào)和聚