数据挖掘 | 航空公司客户流失预测

该博客分析了航空公司客户流失预测的重要性,通过对飞行次数的比较为老客户打标签,选择了相关特征,并使用Python进行数据预处理和随机森林建模。尽管预测准确率不高,但提出了通过调整超参数、尝试其他模型和优化特征选择来提升预测效果。
摘要由CSDN通过智能技术生成

之前的一篇博客介绍了关于航空公司客户价值分析,今天的这篇博客将对航空公司的客户的流失进行预测。采用的是相同的数据集。

1. 背景

客户流失对企业利润的增长造成的负面影响很大。客户与航空公司之间的关系越长久,给公司带来的利润就会越高。所以,流失一个客户比获得一个新客户对公司带来的损失更大,因为要获得新客户需要再销售、市场、广告和人员工资等方面花费很多的成本,并且大多数新客户产生的利润并不如老客户高。

因此,在国内航空市场竞争日益激烈的背景下,航空公司在客户流失方面应该高度重视。本次项目的目的是根据航空公司的数据对老客户的流失做出预测。

2. 建模前

客户流失预测主要针对老客户。这里的老客户的界定是飞行次数大于 6 次。

2.1 类别标记

接下来给老客户打标签,将第二年飞行次数与第一年飞行次数相比比例小于50%的标记为流失客户,记为 1;将第二年飞行次数与第一年飞行次数相比比例大于等于50%的标记为非流失客户,记为 0。

用Python实现的方法如下:

airline['class'] = airline['L1Y_Flight_Count'] / airline['P1Y_Flight_Count']

def class(x):
    if x >= 0.5: return 0
    else
  • 3
    点赞
  • 49
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值