基于K-Means算法的航空公司客户价值分析*

咸阳师范学院计算机学院 刘淑英 邹燕飞 李红

随着航空公司间的激烈竞争，如何使客户与公司的关系进一步发展是航空公司目前面临的挑战，传统方法并不能够较好的解决该问题。通过采用K-Means算法进行建模，分析航空公司客户特征客户价值，将现有客户价值和潜在客户价值，通过分析发现不同特征的客户具有不同的客户价值。该研究表明，通过客户价值特征建模分析，可以为航空公司的发展提供决策依据，该技术不仅可以对客户价值进行分析也可以使其应用相关客户价值广泛应用。

0 引言

新冠疫情的爆发让各个国家的经济陷入了危机，航空公司用户数骤减，航空企业的发展也面临瓶颈。如何成功吸引客户使航空企业得到更好的发展，成为各个公司函待解决的问题。根据帕累托原理，公司80%的收入来自于20%的用户，其余20%的销售收入占公司营销管理成本的80%[1]。本文通过K-Means聚类算法的研究，将其应用于航空客户价值分析，从而为多个航空企业提供客户价值分析的技术支持。

1 方法介绍

1.1 CRM理论介绍

客户关系管理，简称为CRM，是一种营销战术，旨在尽可能全面、深入地了解各种有价值的客户信息，并不断提高用户粘性，以完成公司的持续高收益[2-3]。客户关系管理的根本理论主要包含以下内容。

1.1.1 关系营销理论

营销间的关系主要强调消费者开支质量，增强与客户的沟通，努力实现共赢的大好局面。在与客户关系上多花费时间，能够最大化拥有客户量。

1.1.2 一对一营销理论

该理论主要强调客户的尊重度，尽可能满足客户的需求，达成客户的意向，以朋友式关系处理客户关系，清楚每个客户的需求差异，从而更及时高效掌握客户资源。

1.1.3 数据库营销

数据库中包括许多客户信息，通过这些信息，帮助企业在发现客户群和发现市场机遇方面能够做到准确快速，根据每个客户的需求差异，达到让顾客满意而做出的最低限度的支出[4]。

1.2 K-Means算法

聚类分析是根据分类模式的具体特征进行分类，通过相同的特征或者不同特征对数据样本进行分组，聚类分析能够识别事物的不同属性，因此，聚类分析可以更好实现事物的分类问题。聚类算法较多，其中应用最普遍的就是K-Means算法。客户价值运用辨认的更普遍的是RFM模型，该模型通过K-Means算法进行聚类分析，从而获得客户群之间的差异[5-6]。

K-Means算法是一种较典型的基于距离的非层次聚类算法，该算法的分析过程如下:

（1）在k个样本点中，随机选择一个样本作为初始的聚类类中心；（2）通过不断重复聚类类中心的选择；（3）计算采集到的各组中样本点的平均值，将每个样本点再次进行赋值，将其归为距离最近的组；（4）通过不断计算各组中样本距离的均值，不断更新该均值；（5）反复上述过程，一直到平均值变化较小。

聚类算法种类众多，此处，我们采用K-Means作为聚类算法，其主要优点是便于实现，易理解，运算速度快。K-Means算法中计算聚类中心，通过采用闽科夫斯基距离、欧氏距离和曼哈顿距离。我们在实际使用过程中，采用欧几里得距离完成。其计算如公式1。

2 模型分析

2.1 目标分析

我们根据获得的数据，需要完成差异化分组、差异化分析和指定营销战略。

2.2 分析方法与过程

针对客户价值分析应用，一般采用RFM模型，RFM模型主要是指消费总额、消费频率以及最近消费时间间隔三个指标，根据这个模型，能够完成客户的细分，挖掘出具有较高价值的客户[7-8]。

该模型也具有一定的应用局限，例如航空公司使用M只反映客户的真正价值，因此，我们可以选择购买飞机的人在一定时期内积累的平均距离C和空乘津贴系数，而不是消耗量。然而，由于时间才能使航空公司发现有价值的客户，客户关系的长度L添加客户价值分析模型等航空公司客户的价值评估模型，因此，我们通过LRFMC模型完成。航空公司客户价值分析总体流程图如图1所示。

图1 航空客户价值分析流程图Fig.1 Aviation customer value analysis flow chart

2.3 数据源选择

本文通过国内某航空公司2012年4月1日至2014年3月31日的客户信息数据作为数据源。其属性包括入会时间、第一次飞行日期、末次飞行日期、工作地城市、平均乘机时间间隔、积分兑换次数、总累计积分等属性。

3 模型创建

3.1 数据预处理

（1）通过观察数据，发现原始数据包含比率为空、最小零、最低贴现率为零和总里程高于零的记录。机票空的数据可能是因为乘客没有登记形成的。解决方法:甩掉票价为空的记录。

（2）其余信息可能是由客户提供机票零折扣或兑换积分构成的。这种类型的数据的一小部分是由于有大量原始数据，所以要将其去掉。解决方法:去掉票价为0，均匀折扣率不为0，行程数大于0的记录。

3.2 数据标准化

需要通过数据标准化来消除体积数据的影响。表1是使用标准化处理的数据。

表1 标准化数据Tab.1 Standardized data

3.3 模型构建

客户价值分析模型主要由两部分组成。第一部分根据航空公司客户五个指标的数据对客户作聚类分群；第二部分分析了每个客户组的特征和客户价值。

3.3.1 特征构建

在RFM模型中， 在消费量的同时，从最终用户公司购买一定数量的产品由于机票的交货距离，旅行受到几个因素的影响，因而不分析航空公司客户的价值。所以使用LRFMC模型进行特征构建。首先，将属性值给airline_selection，进行定义，接着加载日期，通过k-Means函数，做数据类型转化，将数据进行连接，合并特征。

3.3.2 聚类

根据项目理解和分析确定客户类别的数量，即为五类，设置聚类个数为5。

3.3.3 聚类结果

结合案例分析，通过对某一个群的特征与各个特征在群间的大小进行比较，并对结果进行评价分析。将每个特征群的优势和劣势体现出来，具体结果如表2所示。

表2 客户群体特征评价表Tab.2 Customer group characteristics evaluation table

3.4 客户价值分析

针对聚类结果，我们将客户类型定义为五个，一般客户与低价值客户、重要保持客户，重要发展客户和重要挽留客户。重要保持客户是航空公司的高价值客户，是最理想的客户类型，能够给航空公司带来更多利润，但人口比例很小。航空公司要想获取更多的利益，更多的资源应该投资于这些客户，提高用户粘性，并尽可能的使客户保持高消费。重要发展客户与公司的联络时间不长，是航空公司的潜在客户。虽然这些客户目前不能创造高价值，但他们有着较大潜力。

3.5 模型应用

在实际应用中，通过对不同客户群的特征进行分析，采取较好的营销方法，为航空公司的价值客户群管理者提供较好的参考。

3.5.1 会员的升级与保级

航空公司在对会员进行促销之前，可以发出适当的信息，或者针对最高级别的消费者，开展接近但尚未达到要求的促销活动，鼓励他们通过消费达到适当的标准。通过这种方式，不仅可以盈利，使客户对公司更加满意，还可以使公司的精英会员增加。

3.5.2 首次兑换

通过在数据中选择没有达到首次交换标准的用户，并经过消费确定或促进他们遵守标准。一旦完成了首次兑换，客户在本公司进行再次消费兑换要容易许多，在一定程度上等于使转移的成本增加。

3.5.3 交叉销售

通过不同的方式与非航空公司合作，使客户在消费过程中获得积分，增强用户粘性。

3.6 航空公司客户价值分析结论

通过上述对客户价值细分的讨论，不同的客户群我们采用不同的策略，主要为:一般客户，采取策略为多发送平时票价优惠信息；重要价值客户，采取策略为差异化管理且采用一对一营销；重要发展客户，采取策略为关联销售，并提高忠诚度；重要挽留客户，采取策略为给予特定的优惠政策，比如限时折扣等。

4 结论

通过客户价值分析，企业可以更加重视客户，合理计算和分类客户价值，制定合理的营销策略，确保公司未来的发展。识别并分析客户的价值是对企业非常重要的，可以方便调整业务以便于未来在竞争激烈的环境中可以脱颖而出，使用适当的数据挖掘和分析工具，完成客户价值的分析，使企业能够创造足够的营销方案去提高客户分类以及客户满意度和忠诚度。