客户价值分析

一.概述

背景：某航空公司需要以客户为中心，按照客户的需求，在对客户的特点了解上使用不同的营销手段，目的是争取更多新客户，降低客户流失率，降低服务成本，提高业务收入，增加 ARPU值（average revenue per user 每个用户的平均收益，一般以月为单位），进行精准的市场营销策略制定。

目标: 对公众客户（客户分为公众客户、商业客户即公司、大客户）进行分群，根据客户信息，对客户进行分类。针对不同类型客户进行特征提取，分析不同类型客户的价值。采取个性化服务，根据客户类型，制定相应营销策略。

**方法：**识别客户价值应用最广泛的模型是RFM模型。

• 最近消费时间间隔（Recency）

• 消费频率（Frenquency）

• 消费金额（Monetary）

**模型修改：**由于航空公司票价受到飞行距离、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。因此单纯的RFM模型并不是适用航空客户价值分析。所以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的平均折扣率C两个指标代替消费金额。另外再增加一个指标就是会员入会时间，这个指标在一定程度也会影响客户价值。
最终指标：L：入会时间 R：最近乘坐航班 F：飞行次数 M：累积飞行里程 C：平均折扣率 （LRFMC模型）

总体流程图如下

项目数据说明：

构造LRFMC指标：

L=LOAD_TIME - FFP_DATE(观测窗口的结束时间 - 入会时间)
R=LAST_TO_END(最后一次乘坐飞机距观测窗口结束的时长)
F=FLIGHT_COUNT(观测窗口内的飞行次数)
M=SEG_KM_SUM(观测窗口内的总飞行里程)
C=AVG_DISCOUNT(平均折扣率)

二. 数据探索分析

导包：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
datafile= 'air_data.csv' 

data = pd.read_csv(datafile, encoding = 'utf-8') #读取原始数据，指定UTF-8编码。
data.shape #查看数据结构

# 对数据的描述，探索性分析
explore = data.describe().T # T是转置，转置后更方便查阅。
explore

explore['null'] = len(data)-explore['count'] # describe()函数自动计算非空值数，需要手动计算空值数
explore = explore[['null', 'max', 'min']]
explore.columns = ['空值数', '最大值', '最小值'] # 表头重命名
explore

通过观察发现原始数据中存在票价为空，票价最小值为0，折扣率最小值为0、总飞行记录大于0的记录。

票价为空可能是客户不存在乘机记录，其他数据可能是客户乘坐0折机票，可将这些数据删掉。

三. 数据预处理

过滤

a.票价为空的记录
b.票价为0、平均折扣率不为0、总飞行距离大于0的记录 （可能是积分兑换）

（1）数据清洗

data=data[data['SUM_YR_1'].notnull()*data['SUM_YR_2'].notnull()]# 保留票价非空值 【SUM_YR_1和SUM_YR_2分别表示第一年、第二年总票价】

# 只保留票价非零的，或者平均折扣率与总飞行公里数同时为0的记录。
index1 = data['SUM_YR_1