7 航空公司客户价值分析

7.1 了解航空公司现状与客户价值分析

7.1.1 了解航空公司现状

  目前航空公司已积累了大量的会员档案信息和其乘坐航班记录。
  以2014-03-31为结束时间，选取宽度为两年的时间段作为分析观测窗口，抽取观测窗口内有乘机记录的所有客户的详细数据形成历史数据，44个特征，总共62988条记录。其中包含了会员卡号、入会时间、性别、年龄、会员卡级别、工作地城市、工作地所在省份、工作地所在国家、观测的窗口结束时间、总累计积分、观测窗口的总飞行千米数、观测窗口内的飞行次数、平均乘机时间间隔和平均折扣系数等特征。
  数据特征及其说明如下表所示：

  结合目前航空公司的数据情况，可以实现以下目标。

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，比较不同类别客户的客户价值。
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。

7.1.2 认识客户价值分析

  客户营销战略倡导者Jay & Adam Curry从国外数百家公司进行了客户营销实施的经验中提炼了如下经验。
公司收入的80%来自顶端的20%的客户。
20%的客户其利润率100%。
90%以上的收入来自现有客户。
大部分的营销预算经常被用在非现有客户上。
5%至30%的客户在客户金字塔中具有升级潜力。
客户金字塔中客户升级2%，意味着销售收入增加10%，利润增加50%。
  这些经验也许并不完全准确，但是它揭示了新时代客户分化的趋势，也说明了对客户价值分析的迫切性和必要性。

7.1.3 熟悉航空客户价值分析的步骤与流程

  航空客户价值分析项目的总体流程如图所示，主要包括4个步骤：

1. 抽取航空公司2012年4月1日到2014年3月31日的数据。
2. 对抽取的数据进行数据清洗、特征构建和标准化等操作。
3. 基于RFM模型，使用K-Means算法进行客户分群。
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，提供定制化的服务。
   

7.2 预处理航空客户数据

  航空公司客户原始数据存在少量的缺失值和异常值，需要清洗后才能用于分析。同时由于原始数据的特征过多，不便直接用于客户价值分析，因此需要对特征进行筛选，挑选出衡量客户价值的关键特征。
  对航空客户数据进行预处理可以分为3个步骤：

1. 处理数据缺失值与异常值。
2. 结合RFM模型筛选特征。
3. 标准化筛选后的数据。

7.2.1 处理数据缺失值与异常值

  通过对数据观察发现原始数据中存在票价为空值，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。
  票价为空值的数据可能是客户不存在乘机记录造成。其他的数据可能是客户乘坐0折机票或者积分兑换造成。由于原始数据量大，这类数据所占比例较小，对于问题影响不大，因此对其进行丢弃处理。
处理方法：
  1.丢弃票价为空的记录。
  2.保留票价非0，或者平均折扣率不为0且总飞行公里数大于0的记录。

7.2.2 构建航空客户价值分析的关键特征

  本项目的目标是客户价值分析，即通过航空公司客户数据识别不同价值的客户，识别客户价值应用最广泛的模型是RFM模型。

1. RFM模型介绍

  R（Recency）指的是最近一次消费时间与截止时间的间隔。通常情况下，最近一次消费时间与截止时间的间隔越短，对即时提供的商品或是服务也最有可能感兴趣。
  F（Frequency）指顾客在某段时间内所消费的次数。可以说消费频率越高的顾客，也是满意度越高的顾客，其忠诚度也就越高，顾客价值也就越大。
  M（Monetary）指顾客在某段时间内所消费的金额。消费金额越大的顾客，他们的消费能力自然也就越大，这就是所谓“20%的顾客贡献了80%的销售额”的二八法则。

2. RFM模型结果解读

  RFM模型包括三个特征，使用三维坐标系进行展示，如图所示。X轴表示Recency，Y轴表示Frequency，Z轴表示Monetary，每个轴一般会分成5级表示程度，1为最小，5为最大。

3. 传统RFM模型在航空行业的缺陷

  在RFM模型中，消费金额表示在一段时间内，客户购买该企业产品金额的总和，由于航空票价受到运输距离，舱位等级等多种因素影响，同样消费金额的不同旅客对航空公司的价值是不同的，因此这个特征并不适合用于航空公司的客户价值分析。

4. 航空客户价值分析的LRFMC模型

  本项目选择客户在一定时间内累积的飞行里程M和客户在一定时间内乘坐舱位所对应的折扣系数的平均值C两个特征代替消费金额。此外，航空公司会员入会时间的长短在一定程度上能够影响客户价值，所以在模型中增加客户关系长度L，作为区分客户的另一特征。
  本项目将客户关系长度L，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作为航空公司识别客户价值的关键特征（如下表所示），记为LRFMC模型。

  根据LRFMC模型，选择与LRFMC特征相关的6个特征：FFP_DATE、LOAD_TIME、FLIGHT_COUNT、AVG_DISCOUNT、SEG_KM_SUM、LAST_TO_END。删除与其不相关、弱相关或冗余的特征，例如会员卡号、性别、工作地、年龄等。
L = LOAD_TIME - FFP_DATE
R = LAST_TO_END
F =