航空公司客户价值分析模型LRFCM模型

谈到用户分类模型,最被谈及的应该就是RFM模型了。大部分人常把RFM模型挂在嘴边,而在实际使用中的却很难真正的利用起来。这里暂时不去讨论RFM是好是坏。今天的介绍的是另外一个拓展的模型:航空公司客户价值分析模型LRFCM

RFM模型的复习

在客户分类中,RFM模型是一个经典的分类模型,模型利用通用交易环节中最核心的三个维度——最近消费(Recency)、消费频率(Frequency)、消费金额(Monetary)细分客户群体,从而分析不同群体的客户价值。在某些商业形态中,客户与企业产生连接的核心指标会因产品特性而改变。如互联网产品中,以上三项指标可以相应地变为下图中的三项:最近一次登录、登录频率、在线时长。

LRFCM模型简介

我们说RFM模型由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。考虑到商用航空行业与一般商业形态的不同,决定在RFM模型的基础上,增加2个指标用于客户分群与价值分析,得到航空行业的LRFMC模型:

  • L:客户关系长度。客户加入会员的日期至观测窗口结束日期的间隔。(反映可能的活跃时长)
  • R:最近一次乘机时间。最近一次乘机日期至观测窗口结束日期的间隔。(反映当前的活跃状态)
  • F:乘机频率。客户在观测窗口期内乘坐飞机的次数。(反映客户的忠诚度)
  • M:飞行总里程。客户在观测窗口期内的飞行总里程。(反映客户对乘机的依赖性)
  • C:平均折扣率。客户在观测窗口期内的平均折扣率。(舱位等级对应的折扣系数,侧面反映客户价值高低)

LRFCM实战

这里使用网上发布的一份数据做演示,数据地址:https://www.kaggle.com/vinzzhang/aircompanycustomerinfo

字段说明:

  • MEMBER_NO:会员卡号
  • FFP_DATE:入会日期(办理会员卡的日期)
  • FIRST_FLIGHT_DATE:第一次飞行日期
  • GENDER:性别
  • FFP_TIER:会员卡级别
  • WORK_CITY:工作地所在城市
  • WORK_PROVINCE:工作地所在身份
  • WORK_COUNTRY:工作地所在身份
  • AGE:年龄
  • LOAD_TIME:观测窗口的结束时间(选取样本的时间宽度,距离现在最近的时间)
  • FLIGHT_COUNT:观测窗口内的飞行次数(频数)
  • BP_SUM:观测窗口总基本积分(航空公里的里程就相当于积分,积累一定分数可以兑换奖品和免费里程)
  • EP_SUM_YR_1:第一年精英资格积分
  • EP_SUM_YR_2:第二年精英资格积分
  • SUM_YR_1:第一年总票价
  • SUM_YR_2:第二年总票价
  • SEG_KM_SUM:观测窗口总飞行公里数
  • WEIGHTED_SEG_KM:观测窗口总加权飞行公里数(Σ舱位折扣×航段距离)
  • LAST_FLIGHT_DATE:最后一次飞行日期
  • AVG_FLIGHT_COUNT:观测窗口季度平均飞行次数
  • AVG_BP_SUM:观测窗口季度平均基本积分累积
  • BEGIN_TO_FIRST:观察窗口内第一次乘机时间至MAX(观察窗口始端,入会时间)时长
  • LAST_TO_END:最后一次乘机时间至观察窗口末端时长
  • AVG_INTERVAL:平均乘机时间间隔
  • MAX_INTERVAL:观察窗口内最大乘机间隔
  • ADD_POINTS_SUM_YR_1:观测窗口中第1年其他积分(合作伙伴、促销、外航转入等)
  • ADD_POINTS_SUM_YR_2:观测窗口中第2年其他积分(合作伙伴、促销、外航转入等)
  • EXCHANGE_COUNT:积分兑换次数
  • avg_discount:平均折扣率
  • P1Y_Flight_Count:第1年乘机次数
  • L1Y_Flight_Count:第2年乘机次数
  • P1Y_BP_SUM:第1年里程积分
  • L1Y_BP_SUM:第2年里程积分
  • EP_SUM:观测窗口总精英积分
  • ADD_Point_SUM:观测窗口中其他积分(合作伙伴、促销、外航转入等)
  • Eli_Add_Point_Sum:非乘机积分总和
  • L1Y_ELi_Add_Points:第2年非乘机积分总和
  • Points_Sum:总累计积分
  • L1Y_Points_Sum:第2年观测窗口总累计积分
  • Ration_L1Y_Flight_Count:第2年的乘机次数比率
  • Ration_P1Y_Flight_Count:第1年的乘机次数比率
  • Ration_P1Y_BPS:第1年里程积分占最近两年积分比例
  • Ration_L1Y_BPS:第2年里程积分占最近两年积分比例
  • Point_NotFlight:非乘机的积分变动次数

1、数据准备

2、使用Kmeans进行聚类

从上图可大致确定拐点在5左右,接下来选择k=5进行聚类

聚类结果:

聚类中心点结果:

3、对聚类结果进行可是化展现

4、对聚类结果进行分析及定义

通过以上数据我们就可以根据具体每个分类得值进行会员划分:

将用户定义为5个等级:

  • 重要保持客户:
    • 平均折扣率高(C↑),最近有乘机记录(R↓),乘机次数高(F↑)或里程高(M↑)
    • 这类客户机票票价高,不在意机票折扣,经常乘机,是最理想的客户类型
    • 公司应优先将资源投放到他们身上,维持这类客户的忠诚度
  • 重要发展客户
    • 平均折扣率高(C↑),最近有乘机记录(R↓),乘机次数低(F↓)或里程低(M↓)
    • 这类客户机票票价高,不在意机票折扣,最近有乘机记录,但总里程低,具有很大的发展潜力
    • 公司应加强这类客户的满意度,使他们逐渐成为忠诚客户
  • 重要挽留客户
    • 平均折扣率高(C↑),乘机次数高(F↑)或里程高(M↑),最近无乘机记录(R↑)
    • 这类客户总里程高,但较长时间没有乘机,可能处于流失状态
    • 公司应加强与这类客户的互动,召回用户,延长客户的生命周期
  • 一般客户
    • 平均折扣率低(C↓),最近无乘机记录(R↑),乘机次数低(F↓)或里程低(M↓),入会时间短(L↓)
    • 这类客户机票票价低,经常买折扣机票,最近无乘机记录,可能是趁着折扣而选择购买,对品牌无忠诚度
    • 公司需要在资源支持的情况下强化对这类客户的联系
  • 低价值客户
    • 平均折扣率低(C↓),最近无乘机记录(R↑),乘机次数低(F↓)或里程高(M↓),入会时间长(L↑)
    • 这类客户与一般客户类似,机票票价低,经常买折扣机票,最近无乘机记录,可能是趁着折扣而选择购买,对品牌无忠诚度

可以看出重要保持客户、重要发展客户、重要挽留客户是最具价值的前三名客户类型,为了深度挖掘航空公司各类型客户的价值,需要提升重要发展客户的价值、稳定和延长重要保持客户的高水平消费、对重要挽留客户积极进行关系恢复,并策划相应的营销策略加强巩固客户关系。

参考链接:

微信支付标点符 wechat qrcode
支付宝标点符 alipay qrcode

时间序列趋势判断

判断时间序列数据是上升还是下降是我们常见的问题。比如某个股票在过去一年整体趋势是上升还是下降。我们可以通过画图

聚类算法之Affinity Propagation(AP)

Affinity Propagation算法简介 AP(Affinity Propagation)通常被翻译为

机器学习算法之朴素贝叶斯

贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类。而朴素贝叶斯分类是贝叶斯分类

发表评论

电子邮件地址不会被公开。 必填项已用*标注