背景介绍
背景处理
准确的客户分类的结果是企业优化营销资源的重要依据,该课程利用航空公司提供的数据,利用 Kmeans聚类方法,对航空公司的客户进行了分类,来识别出不同的客户群体,从来发现有用的客 户,从而对不同价值的客户类别提供个性化服务,指定相应的营销策略。
该案例不仅适用于客户营销手段,还可以适用于多种商业坏境,例如:移动运营商维护,游戏会员 维护,超市会员维护等场景
学习目标
熟悉客户价值分析的步骤和流程
通过该流程掌握处理原理
了解RFM、LRFMC模型的基本原理
如果进行用户价值评分
掌握K-Means算法的基本原理和使用方法
K-means算法原理回顾
从分类的客户信息中提炼客户价值,以制定相应的营销策略
将数据信息进行反馈,反洗潜在价值
任务描述
借助航空公司客户数据,对客户进行分类。
数据清洗
特征处理
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。
格局商业格局不同,进行处理
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
帮助更好为公司进行精准营销,更好盈利
过程分析
认知客户价值分析
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%。
PS:这些经验也许并不完全准确,但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。
客户价值分析的流程和步骤
实现步骤
抽取航空公司数据
对数据进行预处理:数据清洗,特征构建和数据标准化等操作
基于RFM模型,使用KMeans算法进行客户分群(维护过程可微调模型)
针对模型结果得到的不同客户群,分析客户价值,制定对应的定制化营销方案
客户分群建模
RFM模型
识别客户价值应用最广泛的模型是通过3个指标来进行客户细分,识别出高价值客户,简称RFM模 型。
R(Recency):时近效应,指最近一次消费时间与截止时间的间隔。间隔越短,对提供的商品或是 服务最有可能感兴趣。
F(Frequency):频次效应,指顾客在某段时间内所消费的次数。频率越高的顾客其忠诚度也就 越高,顾客价值也就越大。
M(Monetary):能力效应,指顾客在某段时间内所消费的金额。金额越大表明其消费能力越大, 这就是所谓“20%的顾客贡献了80%的销售额”的二八法则
RFM模型缺陷及优化方案
在RFM模型中,消费金额(Monetary)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的影响,同样消费金额的不同旅客对航空公司的价 值是不同的。
例如,一位购买长航线、低等级舱位票的旅客与一位购买短航线、高等级舱位票的旅客相比,后者 对于航空公司而言价值可能更高。因此这个指标并不适用于航空公司的客户价值分析。
我们选择客户在一定时间内积累的飞行里程M和客户字一定时间内乘坐舱位所对应的折扣系数的平均值C两个指标代替消费金额。此外,考虑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个指标。
LRFMC模型
根据航空客户特点,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五个指标作为航空公司识别客户价值指标,记为LRFMC模型
针对航空公司LRFMC模型,如果采用传统的RFM模型分析的属性分箱方法(如下图),虽然也能 够识别出最有价值客户,但是细分的客户群太多(有8个客户群),提供了针对营销 的成本。因此,本案例采用聚类的方法识别客户价值。通过对航空公司客户价值LRFMC模型的五个 指标进行K-Means聚类,识别出最有价值客户。
聚类应用效果
数据特点分析
数据分析最终的目的是针对分析结果提出并开展一系列的运营/营销策略,以期帮助企业发展。 在本实例中,运营策略有三个方向:
提高活跃度:提高一般客户、低价值客户的活跃度。将其转化为优质客户
提高留存率:与重要挽留客户互动,提高这部分用户的留存率
提高付费率:维系重要保持客户、重要发展客户的忠诚度,保持企业良好收入
每个方向对应不同的策略,如会员升级、积分兑换、交叉销售、发放折扣券等手段:
会员升级与保级(积分削减等)
在会员升级或保级评价的时间点前,对接近但尚未达到要求的较高消费客户进行提醒或促销活动,提高客户满意 度。
首次兑换
对接近但尚未达到标准的会员进行提醒或促销活动,提高客户满意度。
交叉销售
通过与非航空类企业的合作,使客户在其他消费过程中获得本公司积分,增强与公司联系,提高忠诚度
总结
获取新客户成本远大于维持老客,应努力维系客户关系水平,保持优质客户。
差异化管理、精准营销,提高客户忠诚度、满意度,延长客户高水平消费。
航空价值分析预测
通过聚类算法,预测航空用户的类别,进行精准营销处理
import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import matplotlib
import warnings
warnings.filterwarnings('ignore')
一、数据查看
接着将数据读取到程序中,并查看每个特征属性的相关信息,以便对“脏”数据进行处理
datafile = "data/air_data.csv"
data = pd.read_csv(datafile, encoding="utf-8")
数据大小查看
print(data.shape)
数据信息查看
print(data.info())
(62988, 44)
<class ‘pandas.core.frame.DataFrame’>
RangeIndex: 62988 entries, 0 to 62987
Data columns (total 44 columns):
MEMBER_NO 62988 non-null int64
FFP_DATE 62988 non-null object
FIRST_FLIGHT_DATE 62988 non-null object
GENDER 62985 non-null object
FFP_TIER 62988 non-null int64
WORK_CITY 60719 non-null object
WORK_PROVINCE 59740 non-null object
WORK_COUNTRY 62962 non-null object
AGE 62568 non-null float64
LOAD_TIME 62988 non-null object
FLIGHT_COUNT 62988 non-null int64
BP_SUM 62988 non-null int64
EP_SUM_YR_1 62988 non-null int64
EP_SUM_YR_2 62988 non-null int64
SUM_YR_1 62437 non-null float64
SUM_YR_2 62850 non-null float64
SEG_KM_SUM 62988 non-null int64
WEIGHTED_SEG_KM 62988 non-null float64
LAST_FLIGHT_DATE 62988 non-nu