1 背景与挖掘目标
1.1 背景
1、航空公司业务竞争激烈，企业营销焦点从产品中心转为客户中心；
2、针对不同类型客户，进行精准营销，实现利润最大化；
3、建立合理的客户价值评估模型，进行客户分类，是解决问题的关键。
1.2 挖掘目标
1、借助航空公司客户数据，对客户进行分类；
2、对不同的客户类别进行特征分析，比较不同类客户的客户价值；
3、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。
2 分析方法与过程
2.1 分析方法
1、首先，明确目标是客户价值识别；
2、识别客户价值，应用最广泛的客户细分模型是通过三个指标：最近消费时间间隔（Recency）、消费频率（Frequency）、消费金额（Monetary）；
3、以上模型简称 RFM 模型，作用是：识别出高价值的客户。
- 消费金额，一般表示一段时间内，消费的总额。但是，因为航空票价收到距离和舱位等级多种因素的影响，同样消费金额的旅客对航空公司价值不同。
- 因此，需要修改指标。选定变量，舱位因素=舱位所对应的折扣系数的平均值=C，距离因素=一定时间内累积的飞行里程=M。
- 再考虑到，航空公司的会员系统，用户的入会时间长短能在一定程度上影响客户价值，所以增加指标L=入会时间长度=客户关系长度
- 总共确定了五个指标，最近消费时间间隔R，消费频率F，飞行里程 M和折扣系数的平均值C，客户关系长度L
- 以上指标，作为航空公司识别客户价值指标，记为LRFMC模型
4、若采用传统RFM模型分析的属性分箱方法，如下图，它是依据，各属性的平均值进行划分。缺点是：细分客户群太多，精准营销成本太高。
5、综上，本案例以 LRFMC 五个指标为基础，采用聚类（K-Means）的方法，识别客户价值。
6、本案例，总体流程如下图：
2.2 挖掘步骤
1、从数据源进行数据抽取，选择性抽取与新增数据抽取，形成历史数据和增量数据；
2、对步骤1的两个数据，进行数据探索性分析和预处理，主要有缺失值与异常值的分析处理，数据的属性规约、清洗和变换；
3、利用步骤2处理后的数据作为建模数据，基于旅客价值的LRFMC模型进行客户分群，对各个客户群再进行特征分析，识别有价值客户；
4、针对模型结果得到不同价值的客户，采用不同的营销手段，提供定制化的营销服务，或者针对性的优惠与关怀。（重点维护老客户）。
2.3 数据抽取
1、以2014-03-31为结束时间，选取宽度为两年的时间段（2012-4-1至2014-3-31），作为观测窗口，抽取观测窗口内所有客户的详细数据，形成历史数据；
2、对于后续新增的客户信息，以新增数据中最新的时间点作为结束时间，形成新增数据。
2.4 探索性分析
1、探索性分析，主要对数据进行缺失值和异常值分析。
2、发现，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，可能是不存在乘机记录。其他数据可能是，飞机票为0折扣或来自于积分兑换等；
3、查找每列属性观测值中空值的个数、最大值、最小值，结果如下。
2.5 数据预处理
1、数据清洗
- 丢弃票价为空的记录；
- 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。
2、属性规约
- 原始数据中属性太多，根据航空公司客户价值LRFMC模型，选择与模型相关的六个属性。
- 删除不相关、弱相关或冗余属性，如会员卡号、性别等。
- 与模型相关的六个属性分别是：FFP_DATE、LOAD_TIME、FLIGHT_COUNT、SEG_KM_SUM、LAST_TO_END、avg_discount
3、数据变换
- 数据变换就是将数据转换成“适当”的格式，以适应挖掘任务及算法的需要；
- 本例主要采用的数据变换方法是：属性构造和数据标准化；
- LRFMC 5个指标需要通过原始数进行提取，计算方式如下：
L = LOAD_TIME - FFP_DATE
R = LAST_TO_END
F = FLIGHT_COUNT
M = SEG_KM_SUM
C = avg_discount
- 5个指标的取值范围差异较大，需进行标准化处理，消除数量级的影响；
2.6 模型构建
模型的构建主要包括两部分：1、根据指标数据，对客户作聚类分群；2、结合业务对每个客户群进行特征分析，分析其客户价值，并对每个客户群进行排名。
1、客户聚类
采用K-Means算法对客户数据进行客户分群，聚成五类（需结合业务的理解与分析来确定客户的类别数量）
绘制客户群特征雷达图：
针对“客户群特征分析图”所示的聚类结果，结合业务进行特征分析。
我们重点关注的是L（户关系长度
）
、F（消费频率）、M（飞行里程）三个指标：
- 客户群1（Customers 1）在C属性上最大，可定义为重要挽留客户；
- 客户群2（Customers 2）在R属性上最大，在F、M属性上最小，可定义为低价值客户；
- 客户群3（Customers 3）在F、M属性上最大，在R属性上最小，可定义为重要保持客户；
- 客户群4（Customers 4）在L、C属性上最小，可定义为一般客户；
- 客户群5（Customers 5）在L属性上最大，可定义为重要发展客户；
每种客户类别的特征如下：
- 重要保持客户：C（平均折扣率较高、仓位等级较高）、F（乘坐次数）、M（里程）较高，R（最近乘坐航班）低。应将资源优先投放到这类客户身上，进行差异化管理，提高客户的忠诚度和满意度。
- 重要发展客户：C较高，R、F、M较低。这类客户入会时长（L）短、当前价值低、发展潜力大，应促使客户增加在本公司和合作伙伴处的消费。
- 重要挽留客户：C、F 或 M 较高，R较高 或 L变小，客户价值变化的不确定性高。应掌握客户最新信息、维持与客户的互动。
- 一般和低价值客户：C、F、M、L低、R较高。这类客户可能在打折促销时才会选择消费。
3 模型应用
1）会员升级与保级（积分削减等）
在会员升级或保级评价的时间点前，对接近但尚未达到要求的较高消费客户进行提醒或促销活动，提高客户满意度。
2）首次兑换
对接近但尚未达到标准的会员进行提醒或促销活动，提高客户满意度。
3）交叉销售
通过与非航空类企业的合作，使客户在其他消费过程中获得本公司积分，增强与公司联系，提高忠诚度。
4 小结
- 获取新客成本远大于维持老客，应努力维系客户关系水平，保持优质客户。
- 差异化管理、精准营销，提高客户忠诚度、满意度，延长客户高水平消费。