航空公司客户价值分析

柳睿

航空市场竞争的加煎和航空业的发展，要求国内航空公司必须利用大量数据中隐含的知识才能抓住时机。如此，客户是企业至关重要的成功因素和利润来源。将数据挖掘、机器学习技术应用于客户关系管理，能够为企业提供经营和决策的量化依据，使企业能够把握重点，分轻重急缓，有效利用有限资源，拓展利润上升空间。

针对客户关系管理中客户价值这一问题，通过对航空公司现有数据仓库中客户信息的分析，本文采用RFM模型得到必要指标变量，再运用Kmeans算法对RFM所褥出的指标进行聚类，将客户群逊分为价值不同的五类客户群，并对每个客户群进行分析和总结，提出了针对每类客户群的营销策略。

RMF模型客户价值分析 Kmeans

背景介绍

航空公司同样也面临这样的何如划分客户群的问题，而客户细分就是能够解决这种问题的关键。国内某航空公司市场面临旅客流失、资源为充分利用等经营危机。因此本文的日标足利用某航空公司的会员档案信息和其航班乘坐记录，通过建市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，并制定相应的个性化营销策略。本文运用RFM模型对客户分类。

数据描述与预处理

（1）数据统计分析

原始数据含有44个变量属性，我们对原始数据有个初步的描述理解。由数据可知男性在观测窗几内飞行次数远超与女性。会员级别为4的客户飞行次数最多，其次足会员级别为5的客户，会员级别为6的客户飞行次数最少，可以知道级别越高（4级最高，6级最低）飞行次数越多，可能是由于级别越高，得到的折扣率相对较高。

（2）数据预处理

在本案例中，以2014年3月31日为结束时间，选取宽度为两年的时间段作为分析观测窗口（也就是时间间隔为2012年4月1H至2014年3月31日），抽取观测窗几以内有乘机记录的所有客户的详细数据形成历史数据，并将数据分为三个维度，分别是客户基本信息、乘机信息和积分信息，总共包含会员卡号、入会时间、年龄、工作地所在省份、观测窗口的结束时间、乘机积分、飞行公里数等44个变量属性。

首先对数据做预处理，因为总共有6万多条记录，而缺失值占比较小，所以面对有缺失值或异常值的情况，选择赢接删去。原始数据存在票价为0、折扣率最小为0、总飞行公里数大于0的记录，票价最小为0的有可能，很有可能是折扣为0或是会员积分兑换，所以在此删去票价为0、平均折扣率为0，总飞行公里数大于0的记录和总飞行总数大于0的记录。

再有一个是变量太多的问题，面对这个，选择和RFM模型相关的变量，R、F、M分别代表消费时间间隔、消费频率和消费金额。但是在航空公司这样一个特殊的环境中，消费金额并不能代表客户的消费能力与水平，因为某些积分兑换也同样能够使票价为0，所以选用总行程代替消费水平。最终决定以下5个指标。

R：最后一次飞行距离结束的月数；F：乘坐飞机次数；M：飞行总里程数；C：折扣系数的平均数；L：会员人会至观测结束的月数。

通过计算可以得出除了F和M以外，其他变量相关性不高。当然这个也是可以理解的，随着飞行次数的增多，飞行总里程数也会相应增多，但是为了构建RFM模型需要这指标变量，多以便将F和M同时放入其中。

模型建立

价值分析模型最重要的是对客户进行分群，这里根据以上5个指标对客户进行分群。当然，在此之前为了排除量纲对模型的影响首先要将指标标准化。我们将客户划分为重要价值客户、重要发展客户、重要挽留客户和一般价值、低价值客户5类。为了得到这个结果，需要对客户数据根据以上指标进行聚类分析，在此选用kmeans算法。

通过Kmeans算法，可以聚类出以上5类，并且个数几乎相等，划分比较鲜明。得到的聚类结果如下：

由上表，对聚类结果进行特征分析，其中客户群1（类1）在M、F属性上最大，在R的属性上最小；客户群2在L属性上最大，在M、F上最小；客户群3在R上最大，在M、F上最小；客户群4在c上最大，在M、F上最小；客户群5在各个属性上相对都普遍偏小。因此我们可以对此分类。

营销策略

由于每个类别都有显著不同的表现特征，所以将其分为5类。

重要价值客户：这类客户的平均折扣率会比较高，因为所乘坐的舱位等级较高。同时他们的最后一次飞行距离结束的月数（R）应较低并且乘坐次数（F）或者飞行总里程数（M）较高，对于航空公司是重要价值客户，是最为理想的客户类型，对航空公司的贡献最大。所以应该将资源优先投放在他们身上，是这类客户满意度上升，提高其忠诚度与满意度，尽可能延长这类客户的高水平消费。

重要发展客户：这类客户的人会时间（L）较短，最近乘坐时间距离观测窗口结束时间较短，但是F或M较低。他们是潜在价值客户，有很大的发展前景，一旦把握住了这样的客户会为公司创造巨大的利益。航空公司要努力促使这类客户增加在本公司的乘机消费。通过客户价值的提升，加强这类客户的满意度，从而逐渐是他们成为公司的忠诚客户。

重要挽留客户：这类客户的入会时间（C）较长，同时乘坐次数（F）和总里程数（M）较高，但是R很高，也就足已经较长时间没有乘坐过本公司的航班了。这类客户若不注意挽留很有可能造成客户流失。航空公司要做到随时为他们发送相应的这家机票或者其他营销信息，刺激消费，重点观察这类客户的最近消费时间、消费次数等的变化，及时对他们的营销信息作出调整。

一般价值客户：这类客户缩成航班的平均折扣率（C）较低，较长时间没有乘坐过本航空公司航班（R）较高，人会时间也短。这类客户正常处理，在公司搞活动，打折促销时对其发送营销信息，来保持和客户之间的联系即可。

低价值客户：这类客户缩成航班的平均折扣率（C）很低，较长时间没有乘坐过本航空公司航班（R）较高，人会时间也短。这类客户对公司的贡献很小，对他们的营销策略同上一般价值客户。

然后將客户群5类与上述类别一一对应，可得到以下表。

[1]贺昌正.基于数据分组处理方法的聚类分析模型[J]系统工程学报，2008，23 （2），222-227

[2]曾玉.信息检索的模糊聚类分析模型[J]情报学报，2004，23（4）：433-436

[3]刘开第.上市公司壳资源质量的聚类分析模型[J]数量经济技术经济研究，2002，19（9），72-75

[4]苏瑛.聚类分析模型在房地产投资决策中的应用研究[J]西安建筑科技大学，2004