航空公司客户价值分析(上)

最新推荐文章于 2020-12-19 17:10:31 发布

一个两个n多个

最新推荐文章于 2020-12-19 17:10:31 发布

阅读量1.2k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：实战 Data Ming 文章标签：客户价值识别

本文链接：https://blog.youkuaiyun.com/bug_12/article/details/97274820

该博客探讨了如何使用LRFMC模型（增加客户关系长度和平均折扣系数）对航空公司的客户价值进行识别。通过K-Means聚类方法，对数据进行预处理，包括数据清洗、属性规约，处理缺失值和异常值，以建立客户分类模型。案例基于《Python数据分析与挖掘实战》一书，并提供了相关代码和数据集。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本案例来自《Python数据分析与挖掘实战》一书，相关数据集可以在本书的电子资料中找到，下面的一些内容很多都是吸收了书上的内容然后加以改变。简单的介绍一下挖掘的背景与目标，挖掘的背景就是航空公司面临着客户流失、竞争力下降等问题，目标是需要建立一个合理的客户价值评估模型，对客户进行分类区分有价值客户与无价值客户，从而来重新分配资源。
本次项目的全部代码和数据集均在Github上有。
数据集在data目录下，air_data.csv。

分析方法

本次案例的目标是客户价值识别，即通过航空公司客户数据来识别不同价值的客户。识别客户价值应用的最广泛的模型是RFM模型，即通过Recency(最近消费时间间隔),Frequency(消费频率),Monetary(消费金额)来进行客户划分。本案例则是通过在此基础上再加上两个指标来训练模型，即是LRFMC模型，增加的两个指标为：L(客户关系长度)、C(平均折扣系数)。本次是运用聚类的方法对客户群进行分类，采用的聚类算法是K-Means方法。

数据探索

本次的数据探索主要是对数据进行缺失值分析与异常值分析，目的是为了分析出数据的规律以及异常值。查找每列属性观测值中空值个数、最大值、最小值，代码如下：

import pandas as pd
#读取数据
input_file = '../data/air_data.csv'
output_file = '../tmp/explore.xls'
data = pd.read_csv(input_file,encoding='utf-8')
explore = data.describe(percentiles=[],include='all')