背景与挖掘目标
背景:
信息时代的来临使得企业营销焦点从产品中心变为客户中心
针对不同类型的客户,进行精准营销,实现企业利润最大化
准确分类是企业优化营销资源分配的重要依据
目标:
借助航空公司客户数据,对客户进行分类
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
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
分析方法与过程
本案例目标是客户价值识别,即通过航空公司客户数据识别不同价值的客户
本案例总共确定了五个指标,消费时间间隔R,客户关系长度L,消费频率F,飞行里程M和折扣系数的平均值C,记做LRFMC模型
挖掘步骤:
1)从航空公司,选择性抽取与新增数据抽取,形成历史数据和增量数据
2)对步骤一的两个数据,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,属性规约、清洗和变换
3)利用步骤2中的已处理数据作为建模数据,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,指定定制化的营销服务,或者针对性的优惠与关怀。(重点维护老客户)
数据抽取:
1)选取,2014-03-31为结束时间,选取宽度为两年的时间段,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,采用目前的时间作为重点,形成新增数据
数据探索分析:
1)本案例的探索分析是对数据进行缺失值和异常值分析
2)原始数据中存在票价为控制,折扣率为0,飞行公里数为0。票价为空值,可能是不存在飞行记录,其他空值可能是,飞机票来自于积分兑换等渠道
3)查找每列属性观测值中空值的个数、最大值、最小值的代码如下
数据探索的代码
得到的是每个属性观测值空值个数,最大值,最小值
数据预处理:
(1)数据清洗
1)丢弃票价为空记录
2)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
1)选择与LRFMC指标相关的属性
2)删除与其不相关、弱相关或冗余的属性
规约后的数据
(3)数据变换
-
数据变换是将原始数据转换成“适当”的格式,以适应挖掘任务和算法的需要
-
本案例,主要采用数据变换的方式构造LRFMC的五个指标
-
L=LOAD_TIME-FFP_DATE(会员入会时间距观测窗口结束的月数=观测窗口的结束时间-入会时间(单位:月))
-
R=LAST_TO_END(客户最近一次乘坐公司距观测窗口结束的月数=最后一次。。。)
-
F=FLIGHT_COUNT(观测窗口内的飞行次数)
-
M=SEG_KM_SUM(观测窗口的总飞行里程)
-
C=AVG_DISCOUNT(平均折扣率)
然后进行标准化处理
标准化后的数据
模型构建
利用了k-means算法对客户进行了分群,聚成了5类
然后画了图,不同客户分群的概率密度函数图
分群2的概率密度图
分群3的概率密度图
分群4的概率密度图
分群5的概率密度图
然后画了一个折线图,每个节点上的客户群的属性值,代表了该客户群的该属性的程度
red:客户群1 、 pink:客户群2 、yellow:客户群3、 green:客户群4 、black:客户群5
然后进行客户的价值分析:
客户群1 L很高,可以看做是重要的挽留客户,因为让用户的时间长,但是F和M较低
客户群2 可以看做是一般客户
客户群3 F M 很高,L也不低,可以看做是重要保持客户
客户群4 C特别高,其余都低,低价值客户
客户群 5 可以看做是重要发展客户
客户群 | 客户价值排名 | 排名含义 |
客户群3 | 1 | 重要保持 |
客户群5 | 2 | 重要发展 |
客户群1 | 3 | 重要挽留 |
客户群2 | 4 | 一般客户 |
客户群4 | 5 | 低价值客户 |
重要保持客户:
这类客户平均折扣率(C)较高(一般所乘航班的舱位等级较高)。最近乘坐航班(R)低,乘坐的次数(F)或里程较高(M),他们是航空公司的高价值客户,是最为理想的客户类型,对公司贡献最大,所占比例小,最优先的目标,进行差异化管理,提高满意度。
重要发展客户:
这类客户平均折扣率(C)较高(一般所乘航班的舱位等级较高),最近乘坐航班(R)低,乘坐的次数(F)或里程较低(M),入会时长L短,他们是潜在价值客户。虽然说,当前价值不高,但是却有很大的发展潜力,促使这类客户在本公司消费和合作伙伴处消费。通过客户价值提升,加强满意度,促使称为忠诚客户。
重要挽留客户:
这类客户平均折扣率(C)(一般所乘航班的舱位等级较高),乘坐的次数(F)或里程(M)较高,但是很长时间没乘坐本公司航班(R)或频率变小,增加与这类客户的互动,了解情况,采取一定手段,延长客户生命周期。
一般与低价值客户:
这类客户所乘坐航班平均折扣率C、乘坐次数F里程M低以及入会时间L短,较长时间无乘坐R高。他们可能是在公司打折促销时才会乘坐本公司航班。