背景与挖掘目标

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。

129ba69a216b61aeb076a3e7855eb23586f4e0a6

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
本案例，总体流程如下图

40b757351211d163ee5135f051f4a47faed42f7f

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）

3. 数据抽取

选取，2014-03-31为结束时间，选取宽度为两年的时间段，作为观测窗口，抽取观测窗口内所有客户的详细数据，形成历史数据
对于后续新增的客户信息，采用目前的时间作为重点，形成新增数据

4. 探索性分析

本案例的探索分析，主要对数据进行缺失值和异常值分析
发现，存在票价为控制，折扣率为0，飞行公里数为0。票价为空值，可能是不存在飞行记录，其他空值可能是，飞机票来自于积分兑换等渠道
查找每列属性观测值中空值的个数、最大值、最小值的代码如下

import pandas as pd

datafile= r'/home/kesci/input/date27730/air_data.csv' #航空原始数据,第一行为属性标签

resultfile = r'/home/kesci/work/test.xls' #数据探索结果表

data = pd.read_csv(datafile, encoding = 'utf-8') #读取原始数据，指定UTF-8编码（需要用文本编辑器将数据装换为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位数表（如1/4分位数、中位数等）；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 = [u'空值数', u'最大值', u'最小值'] #表头重命名

print('-----------------------------------------------------------------以下是处理后数据')

print(explore)
'''这里只选取部分探索结果。

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）'''

-----------------------------------------------------------------以下是处理前数据

count unique top freq mean std 

MEMBER_NO 62988 NaN NaN NaN 31494.5 18183.2 

FFP_DATE 62988 3068 2011/01/13 184 NaN NaN 

FIRST_FLIGHT_DATE 62988 3406 2013/02/16 96 NaN NaN 

GENDER 62985 2 男 48134 NaN NaN 

FFP_TIER 62988 NaN NaN NaN 4.10216 0.373856 

WORK_CITY 60719 3310 广州 9385 NaN NaN 

WORK_PROVINCE 59740 1185 广东 17507 NaN NaN 

WORK_COUNTRY 62962 118 CN 57748 NaN NaN 

...

-----------------------------------------------------------------以下是处理后数据

空值数 最大值 最小值

MEMBER_NO 0 62988 1

FFP_DATE 0 NaN NaN

FIRST_FLIGHT_DATE 0 NaN NaN

GENDER 3 NaN NaN

FFP_TIER 0 6 4

WORK_CITY 2269 NaN NaN

WORK_PROVINCE 3248 NaN NaN

WORK_COUNTRY 26 NaN NaN

AGE 420 110 6

LOAD_TIME 0 NaN NaN

FLIGHT_COUNT 0 213 2

BP_SUM 0 505308 0

...

5. 数据预处理

数据清洗
丢弃票价为空记录
丢弃票价为0、平均折扣率不为0、总飞行公里数大于0的记录

import pandas as pd

datafile= '/home/kesci/input/date27730/air_data.csv' #航空原始数据,第一行为属性标签

cleanedfile = '' #数据清洗后保存的文件

data = pd.read_csv(datafile,encoding='utf-8') #读取原始数据，指定UTF-8编码（需要用文本编辑器将数据装换为UTF-8编码）

data = data[data['SUM_YR_1'].notnull() & data['SUM_YR_2'].notnull()] #票价非空值才保留
#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

index3 = (data['SEG_KM_SUM'] == 0) & (data['avg_discount'] == 0) #该规则是“与”,书上给的代码无法正常运行，修改'*'为'&'

data = data[index1 | index2 | index3] #该规则是“或”

print(data)
# data.to_excel(cleanedfile) #导出结果

————————————————————以下是处理后数据————————

MEMBER_NO FFP_DATE FIRST_FLIGHT_DATE GENDER FFP_TIER \

0 54993 2006/11/02 2008/12/24 男 6 

1 28065 2007/02/19 2007/08/03 男 6 

2 55106 2007/02/01 2007/08/30 男 6 

3 21189 2008/08/22 2008/08/23 男 5 

4 39546 2009/04/10 2009/04/15 男 6 

5 56972 2008/02/10 2009/09/29 男 6 

6 44924 2006/03/22 2006/03/29 男 6 

7 22631 2010/04/09 2010/04/09 女 6 

8 32197 2011/06/07 2011/07/01 男 5 

9 31645 2010/07/05 2010/07/05 女 6

6. 属性规约

原始数据中属性太多，根据航空公司客户价值LRFMC模型，选择与模型相关的六个属性
删除其他无用属性，如会员卡号等等

def reduction_data(data):

data = data[['LOAD_TIME', 'FFP_DATE', 'LAST_TO_END', 'FLIGHT_COUNT', 'SEG_KM_SUM', 'avg_discount']]
# data['L']=pd.datetime(data['LOAD_TIME'])-pd.datetime(data['FFP_DATE'])
# data['L']=int(((parse(data['LOAD_TIME'])-parse(data['FFP_ADTE'])).days)/30)

d_ffp = pd.to_datetime(data['FFP_DATE'])

d_load = pd.to_datetime(data['LOAD_TIME'])

res = d_load - d_ffp

data2=data.copy()

data2['L'] = res.map(lambda x: x / np.timedelta64(30 * 24 * 60, 'm'))

data2['R'] = data['LAST_TO_END']

data2['F'] = data['FLIGHT_COUNT']

data2['M'] = data['SEG_KM_SUM']

data2['C'] = data['avg_discount']

data3 = data2[['L', 'R', 'F', 'M', 'C']]
return data3

data3=reduction_data(data)

print(data3)

————————————以下是以上代码处理后数据————————————
L R F M C

0 90.200000 1 210 580717 0.961639

1 86.566667 7 140 293678 1.252314

2 87.166667 11 135 283712 1.254676

3 68.233333 97 23 281336 1.090870

4 60.533333 5 152 309928 0.970658

5 74.700000 79 92 294585 0.967692

6 97.700000 1 101 287042 0.965347

7 48.400000 3 73 287230 0.962070

8 34.266667 6 56 321489 0.828478

7. 数据变换

意思是，将原始数据转换成“适当”的格式，用来适应算法和分析等等的需要
本案例，主要采用数据变换的方式为属性构造和数据标准化 3.需要构造LRFMC的五个指标
L=LOAD_TIME-FFP_DATE(会员入会时间距观测窗口结束的月数=观测窗口的结束时间-入会时间（单位：月）)
R=LAST_TO_END（客户最近一次乘坐公司距观测窗口结束的月数=最后一次。。。）
F=FLIGHT_COUNT(观测窗口内的飞行次数)
M=SEG_KM_SUM(观测窗口的总飞行里程)
C=AVG_DISCOUNT(平均折扣率)

def zscore_data(data):

data = (data - data.mean(axis=0)) / data.std(axis=0)

data.columns = ['Z' + i for i in data.columns]
return data

data4 = zscore_data(data3)

data4

————————————以下是以上代码处理后数据————————————
ZL ZR ZF ZM ZC

0 1.435707 -0.944948 14.034016 26.761154 1.295540

1 1.307152 -0.911894 9.073213 13.126864 2.868176

2 1.328381 -0.889859 8.718869 12.653481 2.880950

3 0.658476 -0.416098 0.781585 12.540622 1.994714

4 0.386032 -0.922912 9.923636 13.898736 1.344335

5 0.887281 -0.515257 5.671519 13.169947 1.328291

模型构建

1. 客户聚类

利用K-Means聚类算法对客户数据进行客户分群，聚成五类（根据业务理解和需要，分析与讨论后，确定客户类别数量）。

代码如下：

inputfile = r'/home/kesci/input/date27730/zscoreddata.xls' #待聚类的数据文件

k = 5 #需要进行的聚类类别数
#读取数据并进行聚类分析

data = pd.read_excel(inputfile) #读取数据
#调用k-means算法，进行聚类分析

kmodel = KMeans(n_clusters = k, n_jobs = 4) #n_jobs是并行数，一般等于CPU数较好

kmodel.fit(data) #训练模型

r1 = pd.Series(kmodel.labels_).value_counts()

r2 = pd.DataFrame(kmodel.cluster_centers_)

r = pd.concat([r2, r1], axis=1)

r.columns = list(data.columns) + ['类别数目']
# print(r)
# r.to_excel(classoutfile,index=False)

r = pd.concat([data, pd.Series(kmodel.labels_, index=data.index)], axis=1)

r.columns = list(data.columns) + ['聚类类别']

print(kmodel.cluster_centers_)

print(kmodel.labels_)

r

[[-0.70078704 -0.41513666 -0.1607619 -0.16049688 -0.25665898]
[-0.31411607 1.68662534 -0.57386257 -0.53661609 -0.17243195]
[ 0.48347647 -0.79941777 2.48236495 2.42356419 0.30943042]
[ 1.16033496 -0.37744106 -0.0870043 -0.09499704 -0.15836889]
[ 0.05165705 -0.00258448 -0.23089344 -0.23513858 2.17775056]]
[3 3 3 ... 3 3 3]
ZL ZR ZF ZM ZC 聚类类别

0 1.689882 0.140299 -0.635788 0.068794 -0.337186 3

1 1.689882 -0.322442 0.852453 0.843848 -0.553613 3

2 1.681743 -0.487707 -0.210576 0.158569 -1.094680 3

3 1.534185 -0.785184 0.002030 0.273091 -1.148787 3

4 0.890167 -0.426559 -0.635788 -0.685170 1.231909 4

5 -0.232618 -0.690983 -0.635788 -0.603898 -0.391293 0

6 -0.496949 1.996225 -0.706656 -0.661752 -1.311107 1

就剩下最后一步，画图：

def density_plot(data):

plt.rcParams['font.sans-serif']=['SimHei']

plt.rcParams['axes.unicode_minus']=False

p=data.plot(kind='kde',linewidth=2,subplots=True,sharex=False)

[p[i].set_ylabel('密度') for i in range(5)]

[p[i].set_title('客户群%d' %i) for i in range(5)]

plt.legend()

plt.show()
return plt

density_plot(data4)

e113ff21e0fc37070e4c9a8eeff70186e2812f48

 clu = kmodel.cluster_centers_ 

x = [1,2,3,4,5]

colors = ['red','green','yellow','blue','black']

for i in range(5):

plt.plot(x,clu[i],label='clustre '+str(i),linewidth=6-i,color=colors[i],marker='o')

plt.xlabel('L R F M C')

plt.ylabel('values')

plt.show()

客户群1：red，
客户群2：green，
客户群3：yellow，
客户群4：blue，
客户群5：black

a26caf71a0aff54468d25d74b9b7d2de48d825d6

客户关系长度L，消费时间间隔R，消费频率F，飞行里程M，折扣系数的平均值C。

横坐标上，总共有五个节点，按顺序对应LRFMC。

对应节点上的客户群的属性值，代表该客户群的该属性的程度。

2. 客户价值分析

我们重点关注的是L，F，M，从图中可以看到：

客户群4[blue] 的F,M很高，L也不低，可以看做是重要保持的客户；
客户群3[yellow] 重要发展客户
客户群1[red] 重要挽留客户，原因：入会时间长，但是F,M较低
客户群2[green] 一般客户
客户群5[black] 低价值客户
重要保持客户：R（最近乘坐航班）低，F（乘坐次数）、C（平均折扣率高，舱位较高）、M（里程数）高。最优先的目标，进行差异化管理，提高满意度。
重要发展客户：R低，C高，F或M较低，潜在价值客户。虽然说，当前价值不高，但是却有很大的发展潜力，促使这类客户在本公司消费和合作伙伴处消费。
重要挽留客户：C、F、M较高，但是较长时间没有乘坐（R）小。增加与这类客户的互动，了解情况，采取一定手段，延长客户生命周期。
一般与低价值客户：C、F、M、L低，R高。他们可能是在公司打折促销时才会乘坐本公司航班。

3. 模型应用

会员的升级与保级（积分兑换原理相同）
会员可以分为，钻石，白金，金卡，银卡…
部分客户会因为不了解自身积分情况，错失升级机会，客户和航空公司都会有损失
在会员接近升级前，对高价值客户进行促销活动，刺激他们消费达到标准，双方获利

4. 交叉销售

通过发行联名卡与非航空公司各做，使得企业在其他企业消费过程中获得本公司的积分，增强与本公司联系，提高忠诚度。

5. 管理模式

企业要获得长期的丰厚利润，必须需要大量稳定的、高质量的客户
维持老客户的成本远远低于新客户，保持优质客户是十分重要的
精准营销中，也有成本因素，所以按照客户价值排名，进行优先的，特别的营销策略，是维持客户的关键。

6.小结

本文，结合航空公司客户价值案例的分析，重点介绍了数据挖掘算法中K-Means聚类算法的应用。针对，传统RFM模型的不足，结合案例进行改造，设定了五个指标的LRFMC模型。最后通过聚类的结果，选出客户价值排行，并且制定相应策略。

原文发布时间为：2018-03-6

本文来自云栖社区合作伙伴“ 数据派THU”，了解相关信息可以关注“ 数据派THU”微信公众号

数据挖掘实战：带你做客户价值分析(附代码)