数据挖掘实战：带你做客户价值分析(附代码)

1. 背景

• 航空公司业务竞争激烈，从产品中心转化为客户中心
  
• 针对不同类型客户，进行精准营销，实现利润最大化
  
• 建立客户价值评估模型，进行客户分类，是解决问题的办法
  

2. 挖掘目标

• 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

详情数据见数据集内容中的air_data.csv和客户信息属性说明。

分析方法与过程

1. 分析方法

• 首先，明确目标是客户价值识别
  
• 识别客户价值，应用最广泛的模型是三个指标（消费时间间隔（Recency）,消费频率（Frequency）,消费金额（Monetary））
  
• 以上指标简称RFM模型，作用是识别高价值的客户
  
• 消费金额，一般表示一段时间内，消费的总额。但是，因为航空票价收到距离和舱位等级的影响，同样金额对航空公司价值不同
  
• 因此，需要修改指标。选定变量，舱位因素=舱位所对应的折扣系数的平均值=C，距离因素=一定时间内积累的飞行里程=M
  
• 再考虑到，航空公司的会员系统，用户的入会时间长短能在一定程度上影响客户价值，所以增加指标L=入会时间长度=客户关系长度
  
• 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
  
• 以上指标，作为航空公司识别客户价值指标，记为LRFMC模型
  
• 如果采用传统的RFM模型，如下图。它是依据，各个属性的平均值进行划分，但是，细分的客户群太多，精准营销的成本太高。

• 综上，这次案例，采用聚类的办法进行识别客户价值，以LRFMC模型为基础
  
• 我有几张阿里云幸运券分享给你，用券购买或者升级阿里云相应产品会有特惠惊喜哦！把想要买的产品的幸运券都领走吧！快下手，马上就要抢光了。
  
• 本案例，总体流程如下图
  

2.挖掘步骤

• 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
  
• 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
  
• 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
  
• 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）
• 原文链接