柳睿

航空市場(chǎng)競(jìng)爭(zhēng)的加煎和航空業(yè)的發(fā)展，要求國(guó)內(nèi)航空公司必須利用大量數(shù)據(jù)中隱含的知識(shí)才能抓住時(shí)機(jī)。如此，客戶是企業(yè)至關(guān)重要的成功因素和利潤(rùn)來源。將數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于客戶關(guān)系管理，能夠?yàn)槠髽I(yè)提供經(jīng)營(yíng)和決策的量化依據(jù)，使企業(yè)能夠把握重點(diǎn)，分輕重急緩，有效利用有限資源，拓展利潤(rùn)上升空間。

針對(duì)客戶關(guān)系管理中客戶價(jià)值這一問題，通過對(duì)航空公司現(xiàn)有數(shù)據(jù)倉(cāng)庫(kù)中客戶信息的分析，本文采用RFM模型得到必要指標(biāo)變量，再運(yùn)用Kmeans算法對(duì)RFM所褥出的指標(biāo)進(jìn)行聚類，將客戶群遜分為價(jià)值不同的五類客戶群，并對(duì)每個(gè)客戶群進(jìn)行分析和總結(jié)，提出了針對(duì)每類客戶群的營(yíng)銷策略。

RMF模型客戶價(jià)值分析 Kmeans

背景介紹

航空公司同樣也面臨這樣的何如劃分客戶群的問題，而客戶細(xì)分就是能夠解決這種問題的關(guān)鍵。國(guó)內(nèi)某航空公司市場(chǎng)面臨旅客流失、資源為充分利用等經(jīng)營(yíng)危機(jī)。因此本文的日標(biāo)足利用某航空公司的會(huì)員檔案信息和其航班乘坐記錄，通過建市合理的客戶價(jià)值評(píng)估模型，對(duì)客戶進(jìn)行分群，分析比較不同客戶群的客戶價(jià)值，并制定相應(yīng)的個(gè)性化營(yíng)銷策略。本文運(yùn)用RFM模型對(duì)客戶分類。

數(shù)據(jù)描述與預(yù)處理

（1）數(shù)據(jù)統(tǒng)計(jì)分析

原始數(shù)據(jù)含有44個(gè)變量屬性，我們對(duì)原始數(shù)據(jù)有個(gè)初步的描述理解。由數(shù)據(jù)可知男性在觀測(cè)窗幾內(nèi)飛行次數(shù)遠(yuǎn)超與女性。會(huì)員級(jí)別為4的客戶飛行次數(shù)最多，其次足會(huì)員級(jí)別為5的客戶，會(huì)員級(jí)別為6的客戶飛行次數(shù)最少，可以知道級(jí)別越高（4級(jí)最高，6級(jí)最低）飛行次數(shù)越多，可能是由于級(jí)別越高，得到的折扣率相對(duì)較高。

（2）數(shù)據(jù)預(yù)處理

在本案例中，以2014年3月31日為結(jié)束時(shí)間，選取寬度為兩年的時(shí)間段作為分析觀測(cè)窗口（也就是時(shí)間間隔為2012年4月1H至2014年3月31日），抽取觀測(cè)窗幾以內(nèi)有乘機(jī)記錄的所有客戶的詳細(xì)數(shù)據(jù)形成歷史數(shù)據(jù)，并將數(shù)據(jù)分為三個(gè)維度，分別是客戶基本信息、乘機(jī)信息和積分信息，總共包含會(huì)員卡號(hào)、入會(huì)時(shí)間、年齡、工作地所在省份、觀測(cè)窗口的結(jié)束時(shí)間、乘機(jī)積分、飛行公里數(shù)等44個(gè)變量屬性。

首先對(duì)數(shù)據(jù)做預(yù)處理，因?yàn)榭偣灿?萬多條記錄，而缺失值占比較小，所以面對(duì)有缺失值或異常值的情況，選擇贏接刪去。原始數(shù)據(jù)存在票價(jià)為0、折扣率最小為0、總飛行公里數(shù)大于0的記錄，票價(jià)最小為0的有可能，很有可能是折扣為0或是會(huì)員積分兌換，所以在此刪去票價(jià)為0、平均折扣率為0，總飛行公里數(shù)大于0的記錄和總飛行總數(shù)大于0的記錄。

再有一個(gè)是變量太多的問題，面對(duì)這個(gè)，選擇和RFM模型相關(guān)的變量，R、F、M分別代表消費(fèi)時(shí)間間隔、消費(fèi)頻率和消費(fèi)金額。但是在航空公司這樣一個(gè)特殊的環(huán)境中，消費(fèi)金額并不能代表客戶的消費(fèi)能力與水平，因?yàn)槟承┓e分兌換也同樣能夠使票價(jià)為0，所以選用總行程代替消費(fèi)水平。最終決定以下5個(gè)指標(biāo)。

R：最后一次飛行距離結(jié)束的月數(shù)；F：乘坐飛機(jī)次數(shù)；M：飛行總里程數(shù)；C：折扣系數(shù)的平均數(shù)；L：會(huì)員人會(huì)至觀測(cè)結(jié)束的月數(shù)。

通過計(jì)算可以得出除了F和M以外，其他變量相關(guān)性不高。當(dāng)然這個(gè)也是可以理解的，隨著飛行次數(shù)的增多，飛行總里程數(shù)也會(huì)相應(yīng)增多，但是為了構(gòu)建RFM模型需要這指標(biāo)變量，多以便將F和M同時(shí)放入其中。

模型建立

價(jià)值分析模型最重要的是對(duì)客戶進(jìn)行分群，這里根據(jù)以上5個(gè)指標(biāo)對(duì)客戶進(jìn)行分群。當(dāng)然，在此之前為了排除量綱對(duì)模型的影響首先要將指標(biāo)標(biāo)準(zhǔn)化。我們將客戶劃分為重要價(jià)值客戶、重要發(fā)展客戶、重要挽留客戶和一般價(jià)值、低價(jià)值客戶5類。為了得到這個(gè)結(jié)果，需要對(duì)客戶數(shù)據(jù)根據(jù)以上指標(biāo)進(jìn)行聚類分析，在此選用kmeans算法。

通過Kmeans算法，可以聚類出以上5類，并且個(gè)數(shù)幾乎相等，劃分比較鮮明。得到的聚類結(jié)果如下：

由上表，對(duì)聚類結(jié)果進(jìn)行特征分析，其中客戶群1（類1）在M、F屬性上最大，在R的屬性上最??；客戶群2在L屬性上最大，在M、F上最??；客戶群3在R上最大，在M、F上最?。豢蛻羧?在c上最大，在M、F上最??；客戶群5在各個(gè)屬性上相對(duì)都普遍偏小。因此我們可以對(duì)此分類。

營(yíng)銷策略

由于每個(gè)類別都有顯著不同的表現(xiàn)特征，所以將其分為5類。

重要價(jià)值客戶：這類客戶的平均折扣率會(huì)比較高，因?yàn)樗俗呐撐坏燃?jí)較高。同時(shí)他們的最后一次飛行距離結(jié)束的月數(shù)（R）應(yīng)較低并且乘坐次數(shù)（F）或者飛行總里程數(shù)（M）較高，對(duì)于航空公司是重要價(jià)值客戶，是最為理想的客戶類型，對(duì)航空公司的貢獻(xiàn)最大。所以應(yīng)該將資源優(yōu)先投放在他們身上，是這類客戶滿意度上升，提高其忠誠(chéng)度與滿意度，盡可能延長(zhǎng)這類客戶的高水平消費(fèi)。

重要發(fā)展客戶：這類客戶的人會(huì)時(shí)間（L）較短，最近乘坐時(shí)間距離觀測(cè)窗口結(jié)束時(shí)間較短，但是F或M較低。他們是潛在價(jià)值客戶，有很大的發(fā)展前景，一旦把握住了這樣的客戶會(huì)為公司創(chuàng)造巨大的利益。航空公司要努力促使這類客戶增加在本公司的乘機(jī)消費(fèi)。通過客戶價(jià)值的提升，加強(qiáng)這類客戶的滿意度，從而逐漸是他們成為公司的忠誠(chéng)客戶。

重要挽留客戶：這類客戶的入會(huì)時(shí)間（C）較長(zhǎng)，同時(shí)乘坐次數(shù)（F）和總里程數(shù)（M）較高，但是R很高，也就足已經(jīng)較長(zhǎng)時(shí)間沒有乘坐過本公司的航班了。這類客戶若不注意挽留很有可能造成客戶流失。航空公司要做到隨時(shí)為他們發(fā)送相應(yīng)的這家機(jī)票或者其他營(yíng)銷信息，刺激消費(fèi)，重點(diǎn)觀察這類客戶的最近消費(fèi)時(shí)間、消費(fèi)次數(shù)等的變化，及時(shí)對(duì)他們的營(yíng)銷信息作出調(diào)整。

一般價(jià)值客戶：這類客戶縮成航班的平均折扣率（C）較低，較長(zhǎng)時(shí)間沒有乘坐過本航空公司航班（R）較高，人會(huì)時(shí)間也短。這類客戶正常處理，在公司搞活動(dòng)，打折促銷時(shí)對(duì)其發(fā)送營(yíng)銷信息，來保持和客戶之間的聯(lián)系即可。

低價(jià)值客戶：這類客戶縮成航班的平均折扣率（C）很低，較長(zhǎng)時(shí)間沒有乘坐過本航空公司航班（R）較高，人會(huì)時(shí)間也短。這類客戶對(duì)公司的貢獻(xiàn)很小，對(duì)他們的營(yíng)銷策略同上一般價(jià)值客戶。

然后將客戶群5類與上述類別一一對(duì)應(yīng)，可得到以下表。

[1]賀昌正.基于數(shù)據(jù)分組處理方法的聚類分析模型[J]系統(tǒng)工程學(xué)報(bào)，2008，23 （2），222-227

[2]曾玉.信息檢索的模糊聚類分析模型[J]情報(bào)學(xué)報(bào)，2004，23（4）：433-436

[3]劉開第.上市公司殼資源質(zhì)量的聚類分析模型[J]數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2002，19（9），72-75

[4]蘇瑛.聚類分析模型在房地產(chǎn)投資決策中的應(yīng)用研究[J]西安建筑科技大學(xué)，2004