提问
 找回密码
 立即注册

QQ登录

只需一步,快速开始

扫一扫,极速登录

惊!原来我们是这么被航空公司坑的

研究猿  版主
发表于 2019-2-27 20:14:31 | 显示全部楼层 |取消关注该作者的回复
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。


截图201902271927203523.png

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…

截图201902271927512077.png

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?

截图201902271928316823.png

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。

老规矩,先送上免费激活码:点击免费获得FineBI激活码

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


  • 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。
截图201902271930218487.png

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:

截图201902271930474468.png

2.数据说明

截图201902271931579023.png

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。

3.1.gif

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

截图201902271932254171.png

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)

截图201902271932402054.png

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:

截图201902271933335328.png

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。

截图201902271932543547.png

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。

截图201902271933534177.png

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。

4.1.gif

新建一张仪表板,用来进行结果的查看

聚类结果如下表:

截图201902271935507338.png

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:

4.2.gif

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:

截图201902271936439553.png

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

  • 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。

  • 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。


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:

截图201902271937186408.png

55555555......求老板们放我们一马

截图201902272008219178.png

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  
此帖共有 282 位番薯登录后查看

已有3人关注本帖

vector920326孙艳
回复

使用道具 举报

laobiah 社区微信达人 渐入佳境(Lv2)
发表于 2019-2-28 08:24:49 | 显示全部楼层 |取消关注该作者的回复
大神大神啊。。
  • 评论

回复 支持 反对

使用道具 举报

haigang 社区微信达人实名认证 初出茅庐(Lv3)
发表于 2019-2-28 08:42:52 | 显示全部楼层 |取消关注该作者的回复
好文,收藏学习
  • 评论

回复 支持 反对

使用道具 举报

JerrySong 社区微信达人 渐入佳境(Lv2)
发表于 2019-2-28 09:09:27 | 显示全部楼层 |取消关注该作者的回复
66666
  • 评论

回复 支持 反对

使用道具 举报

emilyhhy 社区微信达人 渐入佳境(Lv2)
发表于 2019-2-28 13:03:56 | 显示全部楼层 |取消关注该作者的回复
  • 评论

回复 支持 反对

使用道具 举报

郁金香  初出茅庐(Lv3)
发表于 2019-3-1 10:58:18 | 显示全部楼层 |取消关注该作者的回复
好文要顶
  • 评论

回复 支持 反对

使用道具 举报

邢旭军 社区微信达人 初学乍练(Lv1)
发表于 2019-3-8 22:49:42 | 显示全部楼层 |取消关注该作者的回复
半夜起来撸一把,一把几个亿啊
来自安卓客户端来自安卓客户端
  • 评论

回复 支持 反对

使用道具 举报

小木888 社区微信达人 渐入佳境(Lv2)
发表于 2019-4-18 15:17:56 | 显示全部楼层 |取消关注该作者的回复
{:fan的ge01gif:}非常好,突出bi的特点
  • 评论

回复 支持 反对

使用道具 举报

小木888 社区微信达人 渐入佳境(Lv2)
发表于 2019-4-22 16:09:14 | 显示全部楼层 |取消关注该作者的回复
能发给数据让练习下吗?
  • 评论

回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册  

本版积分规则

FineBI新手训练营第三期
任务进行中

联系管理员@兔子酱|联系帆软|免责声明|手机版|帆软社区|Copyright © 帆软软件有限公司 ( 苏ICP备14031611号-3 )

GMT+8, 2019-5-20 20:55 , Processed in 0.496798 second(s), 134 queries , Gzip On.

返回顶部 返回列表