航空公司客户分群

                       航空公司客户价值分析 

一、背景及挖掘目标

1、行业背景

随着大数据的来临，传统的商业模式正在被一个新的营销模式—“数据化营销”所替代，采取不同的营销策略，将有限的资源集中在高价值的客户上，实现企业利润的最大化目标。

面对激烈的市场竞争，国内的某航空公司面临着旅客流失、竞争力下降、航空资源未充分利用等危机，通过建立合理的客户价值评估模型，对客户进行分群，分析比较不同客户群的客户价值，并制定相应的营销策略，对不同的客户群提供个性化的客户服务是非常必要的。

2、挖掘目标

⑴借助航空公司的客户数据，对客户进行分类；

⑵对不同类的客户类别进行特征分析，比较不同类客户的客户价值；

⑶从营销角度讲，客户价值分析实际上是一个市场细分问题，解决市场细分问题比较常用的方法是聚类分析；

⑷对不同价值的客户类别提供个性化的服务，并且制定相应的营销策略，使得公司的利益最大化。

二、分析方法及流程

1、分析方法

RFM模型是衡量客户价值和客户创利能力的重要工具和手段，它通过一个客户的近期购买行为、购买的总体频次以及购买的总体金额三个指标来描述客户的价值状况。分别为：最近消费时间间隔(Recently)、消费频率(Frequency)、消费金额(Money)。

在RFM模型的基础上，结合具体的业务背景，来对航空公司进行客户价值分析。我们选择在一定时间内累积的飞行里程数(M)和客户在一定时间内乘坐舱位对应的折扣系数的平均值C来代替消费金额指标。此外，航空公司会员入会时间的长短在一定时间内会影响客户价值，模型中增加了客户关系长度指标L。

利用客户入会时长L、消费时间间隔R、消费频率F、飞行里程数M以及折扣系数的平均值C来作为航空公司识别客户价值指标，见表1，记为LRFMC模型。

表1：指标含义

指标	对应含义
L	会员入会时间距离观测窗口结束的月数
R	客户最后一次乘坐飞机距离观测窗口结束的月数
F	客户在观测窗口乘坐飞机的次数
M	客户在观测窗口内累计飞行里程数
C	客户在观测窗口乘坐舱位对应的折扣系数的平均值C

采用聚类分析的方法识别客户价值。通过对航空公司客户价值LRFMC五个指标进行K-Means聚类，识别最有价值客户。

2、分析流程

2.1分析流程

⑴从航空公司的数据源中进行数据提取；

⑵对数据进行数据探索以及数据预处理工作，包括数据的缺失值及异常值处理、数据的属性规约以及数据的变换等；

⑶对处理过的数据进行建模工作，基于旅客价值LRFMC模型进行客户分群，对各个客户进行特征提取，识别出有价值的客户；

⑷ 对不同价值的客户类别提供个性化的服务，并且制定相应的营销策略，使得公司的利益最大化。

具体数据分析流程如图1所示：

图1：LRFMC模型建模的总体流程

2.2数据抽取

选取时间宽度为两年的数据进行分析，抽取观测窗口有乘机记录的客户的详细数据形成历史数据。对后续新增客户的信息，按照后续新增数据最新的时间节点作为结束时间，形成新增数据。

查看数据维度

dim(hk)
[1] 44868    44

查看数据结构（前6行）

 head(hk)
  MEMBER_NO   FFP_DATE FIRST_FLIGHT_DATE   GENDER    FFP_TIER WORK_CITY
1     54993 2006/11/02        2008/12/24 鐢\xb7,6           .    鍖椾含
2     28065 2007/02/19        2007/08/03 鐢\xb7,6                鍖椾含
3     55106 2007/02/01        2007/08/30 鐢\xb7,6           .    鍖椾含
4     21189 2008/08/22        2008/08/23 鐢\xb7,5 Los Angeles        CA
5     39546 2009/04/10        2009/04/15 鐢\xb7,6      璐甸槼    璐靛窞
6     56972 2008/02/10        2009/09/29 鐢\xb7,6      骞垮窞    骞夸笢
  WORK_PROVINCE WORK