|
正月十五已过，2019的新年算彻底结束了。
聚会、抢红包、走亲访友…回家的日子总是喜悦的，但每年回家买票的忧愁总是让明媚的心情笼上一层阴霾。
火车票抢不到，大巴车耗时长，飞机票一定是大部分人不到万不得已的最后选择。但是，问题来了......
经常买机票的朋友不知道有没有发现，机票的价格通常“阴晴不定”。3个月前是一个价格，2个月1个月1周前又是另一个价格；有时候白天和凌晨价格还大有来去，价格也时涨时跌。就我同事，过年前定好了高铁票，临走时看了一眼机票发现跌完比高铁票还便宜，果断退了买机票。更有甚者，不同账号登陆的价格还不一样…
这么骚的操作到底是怎么实现的？其实这些都是基于消费者数据的精细化营销。
RFM就是一种典型的对客户分类然后针对性营销的模型。他是由R(最近消费时间间隔)、F(消费频次)和M(消费总额)三个指标构成，通过该模型识别出高价值客户，但该模型并不完全适合所有行业。如航空行业，直接使用M指标并不能反映客户的真实价值，因为“长途低等舱”可能没有“短途高等舱”价值高，所以得根据实际行业灵活调整RFM模型的指标。
国内外航空公司常用的一种定价方法是价格歧视（哼，因为我穷就要歧视我？）。歧视价格的形式有很多。例如，美州航空公司1992年将纽约至伦敦间的经济舱分为五种价格：2084美元、918美元、599美元、439美元、379美元。根据航空客户价值分析特色LRFMC模型，将客户聚类为重要保持客户，重要发展客户，重要挽留客户，一般客户，低价值客户，从而针对每种类别的客户制定对应的价格和服务。
聚类分析？这是啥新鲜玩意儿？
事实上，聚类分析是一种非常常见的数据分析手段，它根据样本之间的距离或者说是相似性（亲疏性），把越相似、差异越小的样本聚成一类（簇），最后形成多个簇，使同一个簇内部的样本相似度高，不同簇之间差异性高。简单来说就是尽量把类似的样本聚在一起，不同的样本分开。聚类分析算法很多，比较经典的有K-Means算法和层次聚类法。
我们用FineBI来给大家解析一下这个套路。使用FineBI的自助数据集功能就可以完整的完成数据清洗-字段设置-增加计算列-聚类分析的操作，甚至在FineBI中还可以调用已经写好的Python代码进行数据处理。
背景
- 针对不同类型客户，进行精准的价格与服务设置，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
挖掘目标
- 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，制定相应的价格策略
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。
综上，我们采用聚类的办法进行识别客户价值，以LRFMC模型为基础：
LRFMC模型指标含义：
（1） L：会员入会时间距观测窗口结束的月数。
（2） R：客户最近一次乘坐公司飞机距离观测窗口结束的月数。
（3） F：客户在观测窗口内乘坐公司飞机的次数。
（4） M：客户在观测窗口内累计的飞行里程碑。
（5） C：客户在观测窗口内乘坐仓位所对应的折扣系数的平均值。
总体流程如下图：
2.数据说明
标记指标为本次案例使用到的相关数据，其中总票价用来进行数据过滤，其余数据经过处理后作为聚类用例
3.数据预处理
3.1数据预处理
在FineBI中新建航空LRFMC模型业务包用于此次分析，将准备好的.csv格式的原始数据上传至业务包内。
通过观察可以看出，原始数据中存在票价为空值、票价为0、折扣率最小值为0、飞行公里数大于0的记录。票价为空值的原因可能是乘客不存在登机记录，其他数据可能是乘客乘坐0折机票或积分兑换造成。
3.2数据清洗
通过数据的探索分析发现数据中存在票价为空值、票价为0、折扣率最小值为0、飞行公里数大于0的记录。由于这块的数据所占比重较小，故采用丢弃的处理办法。
1.删除空值
2.仅保留票价不为0，或折扣率和总飞行公里数同时为0的记录
3.3属性约束
航空公司的客户价值模型为LRFMC，即入会时间、距最近乘机月数、飞行次数，飞行里程，平均折扣。原始数据中与LRFMC指标相关的6个属性为 FFP_DATE、 LOAD_TIME、 FLIGHT_COUNT、 avg_discount、 SEG_KM_SUM、 LAST_TO_END
我们需要在以上6个属性的基础之上，提取出LRFMC指标:
L = （LOAD_TIME - FFP_DATE ）/ 30（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）
R = LAST_TO_END / 30（客户最近一次乘坐航班距观测窗口结束的月数）
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）
完成了数据的过滤，计算，筛选操作，我们就得到了我们的LRFMC模型的5个指标啦！
3.4标准化处理
虽然得到了LRFMC模型的五个指标，但通过观察可以发现，这些数据之间的量级是不同的，差距甚至达到了千万倍的级别，量纲不同进行训练不能真实的反映数据的变动规律，想要建立建立正确的模型，还需要对数据进行标准化处理。FineBI数据挖掘的聚类功能已经内置了标准化计算的过程，无需额外设置即可完成标准化的处理。但是在这一步中，由于我们在之前已经写过了使用Python进行标准化的代码，这里正好尝试一下FineBI数据挖掘模块新增的直接调用Python代码的功能。
Python代码：
在我们的自主数据集中继续添加Python分析过程，将原代码中的输入输出由原来的excel文件改为FineBI中的数据流PY_INPUT和PY_OUTPUT即可。
标准化后的部分数据，可以看到指标之间已经在同一量级上。
至此我们已经完成了数据的预处理过程，下面就可以使用处理好的数据进行模型的构建了
4.构建模型及模型应用
4.1客户聚类
在自助数据集中添加快速挖掘步骤，选取聚类，聚类指标全选LRFMC五个指标，聚类数填5，最大迭代次数使用默认的自动，距离函数使用默认的欧式距离。
新建一张仪表板，用来进行结果的查看
聚类结果如下表：
4.2数据可视化
针对聚类结果，对各客户群进行特征的分析。 画出客户群体数目柱状图：
类似的，只需要在仪表板中新建组件，简单拖拽指标就可以使用FineBI完成一副可视化分析的dashboard啦。
4.3客户价值分析
将制作好的组件组合成一张仪表板进行分析：
我们重点关注的是L，F，M，从可视化dashboard中可以看到：
客户群1——12957人，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。
客户群0——13657人，重要发展客户：R（最近乘坐航班）低，F（乘坐次数）高，M（里程数）也不低，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。
客户群3——17392人，重要挽留客户：C（平均折扣率高，舱位较高）、F（乘坐次数）、M（里程数）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。
客户群4——7829人，一般与低价值客户：C、F、M、L都较低，但L高。他们可能是在公司打折促销时才会乘坐本公司航班。
客户群2——10464人，低价值客户：各方面的数据都是比较低的，属于一般或低价值用户
因此，针对这5类客户，航空公司可能采取的措施有：
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
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。
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。
综上，航空公司的套路就被我们识破了，先根据模型先把顾客的价值分类，然后再给不同类别的顾客差别定价，满满的套路啊。FineBI出马就是这么简简单单，明明白白。终于知道我的机票为啥这么贵了，哎，我还要攒钱娶媳妇儿呢
希望这篇文章别被航空公司的看到，要是他们用了FineBI，那后果不堪设想啊，无需编程就可以实现数据加工，拖拖拽拽就能实现强大的数据分析功能，大大节约企业成本......
此时此刻我脑海里的航空公司老板是这样的：
55555555......求老板们放我们一马
看到这你是不是想开航空公司了？可能你没那么多钱，哈哈，但是你可以学会FineBI去帮航空公司赚钱啊！搏一搏单车变摩托，小投入，大回报，连课程都给大家安排好啦！
相关阅读：
一个工具带来的思维转变——BI工程师实战班学习分享
编辑于 2019-2-27 20:14
编辑于 2019-2-27 20:16
| 
