[机器学习笔记] 用Python进行航空公司客户价值分析笔记

用Python进行航空公司客户价值分析（数据分析）

学习资料：

参考图书：《Python数据分析与挖掘实战》（机械工业出版社）第7章

参考博文：https://blog.csdn.net/a857553315/article/details/79177524

https://blog.csdn.net/weixin_39722361/article/details/79225305?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task

https://www.kesci.com/home/project/5a71818f94eaea7410491462

---

目标

书中介绍了背景，要求根据背景通过数据挖掘实现如下目标：

• 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

---

分析方法和过程

FRM模型（Frequency Recency Monetary）

F：消费频率

R：最近消费时间间隔

M：消费金额

传统的RFM模型分析的属性分箱方法，如图所示。它是依据属性的平均值进行划分，其中大于平均值得表示为向上的箭头（↑），小于平均值的表示为向下的箭头（↓），虽然也能够识别出最具有价值的客户，但是细分的客户群太多，提高了针对性营销的成本。

书中采用了LRFMC模型的五个指标进行K-Means聚类，识别出最有价值的客户。

L：客户关系长度

R：消费时间间隔

F：消费频率

M：飞行里程

C：平均值

为什么选择这五个指标呢？

• 选择客户在一定时间内积累的飞行里程M和客户在一定时间内乘坐舱位所对应的折扣系数的平均值C两个指标代替了消费金额。
• 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指标。

指标含义：

模型	L	R	F	M	C
LRFMC模型	会员入会时间距观测窗口结束的月数	客户最近一次乘坐公司飞机距观测窗口结束的月数	客户在观测窗口内乘坐公司