航空公司案例分析

最新推荐文章于 2024-05-27 14:37:48 发布
最新推荐文章于 2024-05-27 14:37:48 发布
阅读量969 收藏 2
点赞数 1
分类专栏： 数据分析 文章标签： 聚类 数据挖掘 机器学习 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45686244/article/details/124984226
版权

问题描述

读入air_Customer.xls表中航空公司客户乘坐航班记录数据，利用RFM模型和和聚类方法对航空公司的客户价值进行识别，并提出相应的营销方案。

面对激烈的市场竞争，航空公司面临着常旅客流失、竞争力下降和航空资源未充分利用等经营危机。航空公司希望通过建立合理的客户价值评估模型，对客户进行分群，推出了更优惠的营销方式来吸引更多的客户，并制定相应的营销策略，提供个性化的客户服务来改善目前的危机。
现收集到某航空公司客户乘坐航班记录数据，数据表的字段信息描述如下：
（注：数据表导出日期为2008年4月1日（观测窗口时间））
在这里插入图片描述
（1）请根据所给提示结合RFM模型构造新变量LRFMC；
L：会员入会时间距观测窗口结束的月数
R：客户最近一次乘坐公司飞机距观测窗口结束的月数
F：客户在观测窗口内乘坐公司飞机的次数
M：客户在观测窗口内累计的飞行里程
C：客户在观测窗口内乘坐舱位所对应的折扣系数的平均值
（2）在第（1）问的基础上，选择k_means方法对客户进行聚类，选择最优聚类个数，并说明理由。
（3）输出最优聚类的类别特征：各类的类中心点及客户数。
（4）对不同类别的客户进行特征分析，判断不同类别客户的客户价值。
（5）对不同价值的客户类别制定相应的营销策略。

分析

预处理

datafile读文件
resultfile保存这段代码处理后的文件

import pandas as pd
import numpy as np
datafile = 'C:/Users/Administrator/Desktop/dy_homework/air_Customer.csv'
resultfile = 'C:/Users/Administrator/Desktop/dy_homework/explore.xlsx'

data = pd.read_csv(datafile, encoding='utf-8')  # 读取原始数据，指定UTF-8编码
explore = data.describe(percentiles=[], include='all').T
# 包括对数据的基本描述，percentiles参数是指定计算多少的分为数表；T是转置，转置后更方便查阅
# print(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
'''
describe()函数自动计算的字段有count(非空值数)、unique(唯一值数)、top(频数最高者)、freq(最高频数)、mean(平均值)、std(方差)、
min(最小值)、50%(中位数)、max(最大值)
'''

explore.to_excel(resultfile)

接下来对异常值进行处理，例如：总飞行公里数要大于0；平均折扣也要在0-1之间；飞行次数也要大于0。

datafile = 'C:/Users/Administrator/Desktop/dy_homework/air_Customer.csv'
cleanedfile = 'C:/Users/Administrator/Desktop/dy_homework/data_cleaned.csv'

data = pd.read_csv(datafile, encoding='utf-8')  # 读取原始数据，指定UTF-8编码
# data = data[data['SUM_YR_1'].notnull()*data['SUM_YR_2'].notnull()]  # 票价非空值才保留，SUM_YR是观测窗口的票价收入
data['SEG_KM_SUM(M)'] = data['SEG_KM_SUM(M)'].replace({-1:np.NaN})
data['FLIGHT_COUNT(F)'] = data['FLIGHT_COUNT(F)'].replace({-1:np.NaN})
data['AVG_DISCOUNT(C)'] = data['AVG_DISCOUNT(C)'].replace({0:np.NaN})
# 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'] != 0
# index2 = data['SUM_YR_2'] != 0
index = (data['SEG_KM_SUM(M)'] > 0) & (data['FLIGHT_COUNT(F)'] >0) & (data['AVG_DISCOUNT(C)'] >0) & (data['AVG_DISCOUNT(C)'] <= 1)  # 观测窗口的总飞行公里数，平均折扣率,飞行次数不同时为0的数据保留
len(data[index])

2821
到此数据还剩2821个

第一问

接下来就完成第一下问，针对LRFMC五个新变量，我们确定哪些需要通过计算得到，哪些可以直接在表中获得。

data = data[index]

data.to_csv(cleanedfile)


selectedfile = 'C:/Users/Administrator/Desktop/dy_homework/data_selected.csv'
data = data[['ob_time', 'FFP_DATE', 'LAST_FLIGHT_DATE', 'FLIGHT_COUNT(F)', 'SEG_KM_SUM(M)', 'AVG_DISCOUNT(C)']]  # 选取指标相关数据
data.to_csv(selectedfile,index=None)


changedfile = 'C:/Users/Administrator/Desktop/dy_homework/data_changed.csv'
selectedfile = 'C:/Users/Administrator/Desktop/dy_homework/data_selected.csv'
data=pd.read_csv(selectedfile, encoding='utf-8')
lt = pd.to_datetime(data['ob_time'])  # 将LOAD_TIME转为日期属性
fpd = pd.to_datetime(data['FFP_DATE'])  # 将FFP_DATE转为日期属性
data['LOAD_TIME'] = lt - fpd  # 得到日期偏移量
lpd = pd.to_datetime(data['LAST_FLIGHT_DATE'])  # 将FFP_DATE转为日期属性
data['LAST_TO_END'] = lt - lpd  # 得到日期偏移量
data['LOAD_TIME'] = data['LOAD_TIME'].map(lambda x: x/np.timedelta64(1,'M'))  # 计算L，转换为月份精度
data['LAST_TO_END'] = data['LAST_TO_END'].map(lambda x: x/np.timedelta64(1,'M'))  # 计算L，转换为月份精度
del(data['ob_time'])
del(data['FFP_DATE'])
del(data['LAST_FLIGHT_DATE'])  # 删除FFP_DATE列
data
FLIGHT_COUNT(F)SEG_KM_SUM(M)AVG_DISCOUNT(C)LOAD_TIMELAST_TO_END
0318770.00.65830396.0348266.505267
12435087.00.61594796.0348263.745457
2920660.00.52227195.8048422.759810
31223071.00.51108491.6979810.985647
432897.00.95416673.7592153.121214
..................
28161117835.00.64378773.6935053.022649
281721691.00.78018973.20068210.316434
28181018516.00.74893874.9091361.182776
28191220501.00.64912160.2558576.965235
28201816318.00.73369274.1206183.811167

2821 rows × 5 columns

data.columns = ['F', 'M', 'C','L', 'R']  # 表头重命名
# print(data)
data.to_csv(changedfile,index=False)

explore = data.describe(percentiles=[], include='all')
explore = explore.loc[['min', 'max']]
explore.index = ['最小值', '最大值']  # 表头重命名
print(explore)

         F         M     C           L          R
最小值    2.0     746.0  0.14   12.057742   0.032855
最大值  139.0  220948.0  1.00  112.987946  23.885501

datafile = 'C:/Users/Administrator/Desktop/dy_homework/data_changed.csv'  # 需要进行标准化的数据文件
zscoredfile = 'C:/Users/Administrator/Desktop/dy_homework/zscored_data.xlsx'  # 标准差化后的数据存储路径文件

# 标准化处理
data = pd.read_csv(datafile)
data = (data - data.mean(axis=0))/(data.std(axis=0))  # 标准化变换
data.columns = ['Z'+i for i in data.columns]  # 表头重命名
print(data)

data.to_excel(zscoredfile, index=False)


            ZF        ZM        ZC        ZL        ZR
0    -0.595733  0.043707 -0.209124  1.010249  0.211250
1     0.740168  0.764876 -0.498602  1.010249 -0.276537
2    -0.214047  0.127240 -1.138835  1.002927 -0.450747
3    -0.023204  0.233800 -1.215292  0.872166 -0.764325
4    -0.595733 -0.657839  1.812955  0.301004 -0.386870
...        ...       ...       ...       ...       ...
2816 -0.086819  0.002382 -0.308328  0.298912 -0.404291
2817 -0.659348 -0.711141  0.623909  0.283221  0.884862
2818 -0.150433  0.032481  0.410321  0.337617 -0.729483
2819 -0.023204  0.120213 -0.271879 -0.128936  0.292548
2820  0.358482 -0.064665  0.306122  0.312511 -0.264923

[2821 rows x 5 columns]

第二问

通过拐点法找最优k值

最优聚类个数为4。通过簇内平方和计算最优聚类个数：在不同k值计算簇内离差平方和，然后通过可视化找到“拐点”所对应的k值。随着簇数量增加，簇中样本量会越来越少，导致目标函数值越来越小。重点关注斜率的变化，当斜率突然由大变小时，且之后斜率变化缓慢，则认为突然变化的点就是寻找的目标点。

from sklearn.cluster import KMeans
def k_SSE(X, clusters):
    # 选择连续的K种不同的值
    K = range(1,clusters+1)
    # 构建空列表用于存储总的簇内离差平方和
    TSSE = []
    for k in K:
        # 用于存储各个簇内离差平方和
        SSE = []
        kmeans = KMeans(n_clusters=k)
        kmeans.fit(X)
        # 返回簇标签
        labels = kmeans.labels_
        # 返回簇中心
        centers = kmeans.cluster_centers_
        # 计算各簇样本的离差平方和，并保存到列表中
        for label in set(labels):
            SSE.append(np.sum((X.loc[labels == label,]-centers[label,:])**2))
        # 计算总的簇内离差平方和 
        TSSE.append(np.sum(SSE))

    # 中文和负号的正常显示
    plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
    plt.rcParams['axes.unicode_minus'] = False
    # 设置绘图风格
    plt.style.use('ggplot')
    # 绘制K的个数与GSSE的关系
    plt.plot(K, TSSE, 'b*-')
    plt.xlabel('簇的个数')
    plt.ylabel('簇内离差平方和之和')
    # 显示图形
    plt.show()
    return TSSE




import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
from sklearn.cluster import KMeans
TSSE=k_SSE(data,10)
TSSE

在这里插入图片描述

[14099.999999999996,
 10301.074026505783,
 8151.053877330114,
 6506.058163441127,
 5678.227456785575,
 4979.564193265437,
 4406.092543286752,
 4058.569425309114,
 3762.6360291064634,
 3528.0051549783893]

进行kmeans求解

from sklearn.cluster import KMeans
outputfile = 'C:/Users/Administrator/Desktop/dy_homework/cluster_result.xlsx'



# 调用K-Means算法，进行聚类分析

kmodel = KMeans(n_clusters=4)
kmodel.fit(data)  # 训练模型

# 储存结果
cc = pd.DataFrame(kmodel.cluster_centers_, columns=['ZL','ZR','ZF','ZM','ZC'], index=['客户群1', '客户群2',
                                                                                      '客户群3', '客户群4']) # 查看聚类中心
# print(cc)
labels = kmodel.labels_  # 查看各样本对应的类别
# print(labels)
# print(pd.Series(kmodel.labels_).value_counts().sort_index())
labels = pd.Series(labels).value_counts().sort_index()
# print(labels)
df = pd.DataFrame(labels)  # 创建df对象保存结果
df.columns = ['聚类个数']
df.index = ['客户群1', '客户群2', '客户群3', '客户群4']

df = pd.concat([df, cc], axis=1)  # 按列标签合并两个表格
# print(df)
df.to_excel(outputfile)

第三问

import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl

mpl.rcParams['font.sans-serif'] = ['KaiTi', 'SimHei', 'FangSong']  # 汉字字体,优先使用楷体，如果找不到楷体，则使用黑体
mpl.rcParams['font.size'] = 12  # 字体大小
mpl.rcParams['axes.unicode_minus'] = False  # 正常显示负号


labels = data.columns  #标签
print(labels)
k = 5 #数据个数
plot_data = kmodel.cluster_centers_
print(plot_data)
color = ['b', 'g', 'r', 'c', 'y'] #指定颜色

angles = np.linspace(0, 2*np.pi, k, endpoint=False)
plot_data = np.concatenate((plot_data, plot_data[:,[0]]), axis=1) # 闭合
angles = np.concatenate((angles, [angles[0]])) # 闭合
# print(angles)

fig = plt.figure()
ax = fig.add_subplot(111, polar=True) #polar参数！！
for i in range(len(plot_data)):
  ax.plot(angles, plot_data[i], 'o-', color = color[i], label = '客户群'+str(i+1), linewidth=2)# 画线

ax.set_rgrids(np.arange(0.01, 4.0, 0.5), np.arange(-1, 3.0, 0.5), fontproperties="SimHei")
ax.set_thetagrids(angles[0:5] * 180/np.pi, labels, fontproperties="SimHei")
plt.legend(loc = 4)
# plt.show()
plt.savefig('C:/Users/Administrator/Desktop/dy_homework/雷达分析图.jpg',dpi=1000)


Index(['ZF', 'ZM', 'ZC', 'ZL', 'ZR'], dtype='object')
[[-0.28433083 -0.2727946  -0.33890014 -1.14563901 -0.2503591 ]
 [ 2.63367953  2.61083606  0.36957347  0.47399235 -0.80651588]
 [-0.05017461 -0.06703803  0.14099292  0.74987043 -0.420287  ]
 [-0.55648188 -0.52639694  0.07744735 -0.03878303  1.75654073]]

即：
表格展示如此

在这里插入图片描述
通过雷达图进行后续分析。

第四五问

通过雷达图和表格数据进行分析。
非专业，仅供参考：
根据雷达图分析得到客户群特征描述表：

群类别优势特征弱势特征
客户群1R（最大）F（最小）M（最小）
客户群3M（最大）F（最大）R（最小）
客户群3L（最大）
客户群4L（最小）

五个指标的含义为：平均折扣率（C）、最近乘坐过本公司航班（R）、乘坐次数（F）、里程（M）、入会时长（L），根据指标的含义定义四个等级的客户类别：
A. 重要保持客户：这类客户F和M高、R低、C较高。对这类用户，公司应优先将资源投放到他们身上，对他们进行差异化管理和一对一营销，提高这类客户的忠诚度和满意度，尽可能延长这类客户的高水平消费。
B. 重要挽留客户：这类客户L最高，入会时间最长，但M和F相对不高。公司应根据这些客户的最近消费时间、消费次数的变化情况，推测客户消费的异动状况，并列出客户名单，对其重点联系，采取一定营销手段，延长客户的生命周期。
C. 重要发展客户：这类客户L最短，是近期刚入会的客户，虽然M和F都较低，但是潜在价值客户。公司要努力加强这类客户的满意度，增加他们在本公司的乘机消费，提高他们转向竞争对手的转移成本，使他们逐渐成为公司的忠诚客户。
D. 低价值客户：这类客户R最高，F和M最低，L也较短。这类客户黏性低，不建议花费太多资源在这类客户身上。

则：

客户群排名排名意义
客户群21重要保持客户
客户群42重要发展客户
客户群33重要挽留客户
客户群14低价值客户
小馆长布鲁克
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
美国西南航空成功案例分析PPT课件.ppt
06-14
美国西南航空成功案例分析，美国西南航空成功案例分析课件，美国西南航空成功案例分析PPT
数据分析案例-航空公司客户价值分析（聚类）
m0_64336780的博客
05-12 2万+
目录 项目背景 原始数据情况 挖掘目标 分析方法与过程 加载数据 数据预处理 构建模型 项目背景 在企业的客户关系管理中，对客户分类，区分不同价值的客户。针对不同价值的客户提供个性化服务方案，采取不同营销策略，将有限营销资源集中于高价值客户，实现企业利润最大化目标。在竞争激烈的航空市场里，很多航空公司都推出了优惠的营销方式来吸引更多的客户。在此种环境下，如何将公司有限的资源充分利用，提示企业竞争力，为企业带来更多的利益。 广泛用于分析客户价值的是RFM模型，它是通过三个指标（..
数据挖掘案例-航空公司客户价值分析
最新发布
记录学习路上的一些拙见
05-27 1998
数据挖掘案例-航空公司客户价值分析
数据分析案例-航空公司满意度数据可视化
m0_64336780的博客
06-13 1万+
本数据来源于Kaggle，原始数据共有103904条，共23个特征，具体各变量含义如下：Gender：乘客性别（女、男）Customer Type：客户类型（Loyal customer, disloyal customer）Age：乘客的实际年龄Type of Travel：乘客的飞行目的（个人旅行、商务旅行）Class：乘客飞机的旅行等级（商务舱、经济舱、经济舱）Flight Distance：本次行程的飞行距离。
Python数据分析案例09——航空公司客户聚类分析
weixin_46277779的博客
09-27 1万+
Python航空公司客户聚类分析案例，K均值聚类，FRM模型，客户分层制定策略。
python数据分析之航空公司客户价值分析
weixin_42036641的博客
05-16 9458
一.引言        本篇文章是根据航空公司提供的乘客个人信息，通过建立合理的客户价值评估模型，对客户进行分群，比较分析不同客户群的特点和价值，来指定相应的营销策略，从而减少客户流失，挖掘出潜在客户，实现盈利。在这里是用K-means聚类方法来对乘客进行分群的。    源数据部分如下图所示：各属性解释如下：二.数据探索    通过调用describe()函数对数据进行一个大致的了解，主要是查看缺...
航空公司案列分析
wutanghua的博客
09-18 287
""" 了解航空现状 了解 40个特征--每个特征的含义 观察窗口---2012-04-01 ----2014-03-31，我们给定的数据 就是观察窗口内的数据 # 丢弃票价为空的记录-----保留票价不为空的记录 # 丢弃票价为0 ，折扣不为0，飞行里程大于0 的数据 -----没花钱，而且还乘坐飞机了 # ===》保留票价>0 ,折扣不为0 ，飞行里程大于0 ...
某航空公司案例分析.pptx
10-14
某航空公司案例分析.pptx
航空公司客户价值分析案例数据air_data.csv下载
03-28
该数据为某航空公司一段时间内有乘机记录的所有客户的形成的历史数据，44个特征，总共62988条记录。
捷运航空公司的兴衰案例分析.pptx
10-24
捷运航空公司的兴衰案例分析.pptx
美联航空案例分析.docx
12-22
【美联航空搜索引擎营销案例分析】 美国联合航空公司（United Air Lines）在2007年第一季度的营销策略中，巧妙地运用了搜索引擎广告这一工具，实现了销售业绩的显著增长。这一案例揭示了搜索引擎营销的几个核心要素...
航空公司客户价值大数据分析源代码含数据python版
04-05
航空公司客户价值大数据分析全部的源代码，使用python编写，含数据部分
数据分析案例——航空公司客户价值分析
weixin_43576422的博客
07-18 4886
特征构造 原始数据包含四十多个特征，如何利用这些特征？由于特征数较多，我们并不需要利用上所有的特征。 １、RFM模型 本项目的目标是客户价值分析，即通过航空公司客户数据识别不同价值的客户，识别客户价值应用最广泛的模型是RFM模型。 R（Recency）指的是最近一次消费时间与截止时间（采集数据）的间隔。 F（Frequency）指顾客在某段时间内所消费的次数。 M（Monetary）指顾客在某段时间内所消费的金额。 2、RFM模型结果解读 RFM模型包括三个特征，使用三维坐标系进行展示，如图所示。 X
数据分析之航空公司客户价值分析
qq_38336343的博客
03-06 5269
航空公司客户价值分析 1.挖掘背景与目标 开启了第一个数据分析的项目，针对于航空公司价值的分析。客户关系管理的关键问题是客户分类，通过客户分类，区别无价值客户，高价值客户，企业针对不同价值的客户制定优化的个性化服务方案，采取不同的营销策略，将有限营销资源集中于高价值客户，实现企业利润最大化目标。 1）借助航空公司客户数据，对客户分类。 2）对不同的客户类别进行特征分析，比较不同客户的...
kmeans算法示例--航空公司数据分析
qq_39112101的博客
09-18 1822
航空公司的excel表中的各个数据对应的含义如下 航空价值分析步骤如下 航空数据分析雷达图如下 解决方案 步骤如下 了解航空数据的含义，观察窗口就是时间段 丢弃票价为空的数据 保留票价大于0，折扣不为0,飞行里程大于0的数据，---花钱坐飞机 筛选特征时，筛选出与LRFMC五特征相关的数据 构建特征的时候需要构建LRFMC五特征模型 进行异常值处理 3s...
实战1--航空公司客户价值分析（画图篇）
Jophy222的博客
07-02 1880
数据基本信息的探索 第一步：根据数据的实际情况的掌握（数据的空值数量，最大值，最小值，四分位等等） # 对数据进行基本的探索 import pandas as pd # 第一行为标签 data_file = '读取文件地址' # 数据探索结果表 result_file = '.结果存入地址' # 需要用文本编辑器将数据转换为UTF-8编码 data = pd.read_csv(data_file, encoding='utf-8') # 包括对数据的基本描述使用discribe()函数；percentil
数据分析案例-航班准点分析
m0_64336780的博客
05-08 8088
数据集为美国各州机场的航班信息，包含出发地，目的地，是否出 发延迟15分钟，是否到达延迟15分钟等。 加载数据 import numpy as np import pandas as pd import matplotlib.pyplot as plt #支持中文显示 plt.rcParams['font.family']='Kaiti' # 使用非unicode的负号，当使用中文时候要设置 plt.rcParams['axes.unicode_minus']=False data = pd.re..
R:航空公司客户价值分析实战
热门推荐
wanglingli95的博客
03-04 2万+
一、背景及挖掘目标1、行业背景随着大数据的来临，传统的商业模式正在被一个新的营销模式—“数据化营销”所替代，采取不同的营销策略，将有限的资源集中在高价值的客户上，实现企业利润的最大化目标。面对激烈的市场竞争，国内的某航空公司面临着旅客流失、竞争力下降、航空资源未充分利用等危机，通过建立合理的客户价值评估模型，对客户进行分群，分析比较不同客户群的客户价值，并制定相应的营销策略，对不同的客户群提供个性...
python数据挖掘项目——航空公司客户价值分析（详解）
hu_666666的博客
10-09 1万+
广泛用于分析客户价值的是RFM模型，它是通过三个指标（最近消费时间间隔(Recency)、消费频率(Frequency)、消费金额(Monetary)）来进行客户细分，识别出高价值的客户。如果分析航空公司客户价值，此模型不再适用，存在一些缺陷和不足：在模型中，消费金额表示在一段时间内，客业产品金额的总和。因航空票价受到运输距离、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。因此这个指标并不适合用于航空公司的客户价值分析。
航空公司客户价值分析案例
05-25
航空公司客户价值分析是指对航空公司的客户数据进行深入分析，以评估客户的价值和贡献。通过这种分析，航空公司可以更好地了解其客户，从而制定更有效的营销策略和客户关系管理计划。 以下是一个航空公司客户价值分析的案例： 假设一家航空公司想要了解其客户的价值和贡献，以便更好地满足客户需求并提高客户忠诚度。为了实现这一目标，该公司收集了大量客户数据，包括客户的购买历史、旅行偏好、个人信息等。 接下来，该公司使用数据挖掘技术对客户数据进行分析和建模。通过分析客户数据，该公司得出以下结论： 1. 高价值客户：该公司的高价值客户通常是那些经常旅行、消费水平较高的客户。这些客户对公司的收入贡献很大，因此需要特别关注和重视。 2. 低价值客户：该公司的低价值客户通常是那些仅偶尔乘坐飞机、消费水平较低的客户。这些客户对公司的收入贡献较小，因此需要采取措施提高其忠诚度和消费水平。 3. 客户偏好：通过分析客户的旅行偏好，该公司发现不同类型的客户有不同的偏好和需求。例如，商务旅客更注重舒适和便利，而休闲旅客则更注重价格和旅游体验。 综合以上结论，该公司决定制定一系列针对不同类型客户的营销策略和客户关系管理计划。例如，对于高价值客户，该公司将提供更加个性化的服务和优惠，以提高其忠诚度和消费水平；对于低价值客户，该公司将提供更多的优惠和奖励，以鼓励其增加消费和频率。此外，该公司还将根据客户偏好和需求，提供不同类型的服务和产品，以满足客户的需求和提高客户满意度。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

小馆长布鲁克

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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