《Python数据分析与挖掘实战》学习笔记——航空公司客户价值分析

1.背景

准确的客户分类是企业优化营销资源分配的重要依据。
数据：航空公司的会员档案信息和乘坐航班记录
目标：（1）用户分类 （2）不同客户类别特征分析，比较客户价值
（3）不同客户提供不同营销策略

2.分析

已有的最广泛的模型：RFM模型
三个指标分别是：最近消费时间间隔（Recency）、消费频率（Frequency）、消费金额（Monetary）
在具体场景：航空客户价值分析，选择客户在一定时间积累的飞行里程M和客户在一定时间内乘坐舱位所对应的折扣系数平均值C两个指标代替消费金额。并加入会员入会时间的长短作为特征L（客户关系长度）。
新得到的模型为LRFMC（客户关系长度、消费频率、飞行里程、折扣系数平均值），采用K-Means聚类不同客户。
思考：建立其他背景的模型时应当怎样考虑，先根据经验建立简单模型，再根据建立出的模型效果进行加入不同的特征测试？或者直接选出所有特征，再做特征选择

1. 数据抽取
   选取宽度为两年的时间段（2012-04-01~2014-03-31）作为分析观测窗口,62988条数据。

2. 数据探索分析

import pandas as pd

datafile = r"F:\jpt_f\python_data_analysis_all\chapter7\data\air_data.csv"
resultfile  = r'my_tmp/explore.xls'

data = pd.read_csv(datafile, encoding='utf-8')
explore = data.describe(percentiles=[], include='all').T
explore['null'] = len(data)-explore['count']
explore = explore[['null', 'max', 'min']]
explore.columns = [u'空值数', u'最大值', u'最小值']
explore.to_excel(resultfile)

结果输出为前四列，最后一列自己加的（为了方便看特征含义）：