航空公司客户价值分析笔记

 面对激烈的市场竞争，各航空公司相继推出更优惠的营销模式来吸引客户，并通过建立合理的客户价值评估模型对客户进行分类，分析比较不同客户群体的价值，并制定相应的营销策略，对不同客户群体提供个性化的服务。现某航空公司预实现以下目标：1、借助航空公司客户数据，对客户进行分类。2、对不同的客户类别进行特征分析，比较不同的客户价值。3、针对不同价值的客户类别制定相应的营销策略，为其提供个性化服务。面对庞大的原始航空公司客户数据，其分析思路主要是以下几点：①数据探索：对数据分布情况进行探索，本文主要从客户基本信息，乘机信息，积分信息三个方面进行探索来查看数据的分布情况。其中包括客户入会时间分布、会员年龄、会员性别分布、会员级别分布、最后一次乘机时间及时长、飞行次数、总飞行里程、积分兑换次数、总累计积分等角度。②相关分析：对选取的关键指标进行相关分析，通过系数矩阵和热力图来展现各变量之间的相关关系。③数据清洗：选取关键指标建立数据集，并对数据集进行数据清洗。④基于RFM模型(本文将模型延伸至LRFMC模型)对分层关键指标进行选取，建立LRFMC指标数据集。⑤基于K-Means模型对客户进行分层(对于无监督学习，K均值的难点在于K的选取，需要用多个K值来进行验证，如通过SSE值得观察和实际分布情况确定合适的K值)。⑥价值分析和策略制定。

学习过程的代码如下：

import pandas as pd
path=r"D:\Z_数据\study\航空公司客户价值分析数据\air_data.csv"
data=pd.read_csv(path,encoding = 'utf-8')  # 指定UTF-8编码（需要用文本编辑器将数据装换为UTF-8编码）
data_column=[column for column in data]   # 查看所有列名
data.head()
data_describe=data.describe().T           # 查看各列数据describe信息
data_describe["null"]=len(data)-data_describe["count"]  # 计算各字段空值个数
data_describe[data_describe["null"]!=0]   # 查看缺失值不为0的列
describe_result=data_describe[["mean","min","max","null"]]  # 选取部分字段信息(列名是索引)# describe_result.columns=[u'平均值',u'最小值',u'最大值',u'空值'] # 修改列名1
describe_result.rename(columns={'mean':'平均值','min':'最小值','max':'最大值', \'null':'空值'},inplace=True) #修改列名2
describe_result=round(describe_result,2)
#describe_result.to_excel(r"D:\Z_数据\study\航空公司客户价值分析数据\describe_result.xlsx")
'''---以上为数据探索部分(描述性统计分析)'''# 提取会员入会年份
from datetime import datetime as dt
ffp=data["FFP_DATE"].apply(lambda x: dt.strptime(x,'%Y/%m/%d'))
ffp_year=ffp.map(lambda x: x.year)
# 绘制各年份会员入会人数直方图
import matplotlib.pyplot as plt
fig = plt.figure(figsize = (8 ,5))  # 设置画布大小
plt.rcParams['font.sans-serif'] = 'SimHei'  # 设置中文显示
plt.rcParams['axes.unicode_minus'] = False
plt.hist(ffp_year, bins='auto', color='#0504aa')
plt.xlabel('年份')
plt.ylabel('入会人数')
plt.title('各年份会员入会人数')
plt.show()
# 提取会员不同性别人数
female,male=data["GENDER"].groupby(data["GENDER"]).count()
'''或通过性别分别统计
male = pd.value_counts(data['GENDER'])['男']
female = pd.value_counts(data['GENDER'])['女']
'''
# 绘制会员性别比例饼图
fig = plt.figure(figsize = (8 ,4))  # 设置画布大小
plt.pie([ male, female], labels=['男','女'], colors=['blue', 'orange'],autopct='%1.1f%%')
plt.title('会员性别比例')
plt.show()
plt.close
# 提取不同级别会员人数
lv_4,lv_5,lv_6=data["FFP_TIER"].groupby(data["FFP_TIER"]).count()
nums=[lv_4,lv_5,lv_6]
x=range(0,len(nums))
# 绘制会员各级别人数条形图
fig = plt.figure(figsize = (8 ,5))  # 设置画布大小
plt.bar(x=['4','5','6'], height=[lv_4,lv_5,lv_6], width=0.4, alpha=0.8, color='skyblue')
# plt.text()添加数据标签
for a, b in zip(x, nums):plt.text(a, b + 2, b, ha='center', va='bottom')
plt.xlabel('会员等级')
plt.ylabel('会员人数')
plt.title('会员各级别人数')
plt.show()
plt.close()
# 提取会员年龄
age=data["AGE"].dropna().astype(int)  # 去除缺失值并修改为整数类型
# 绘制会员年龄分布箱型图
fig = plt.figure(figsize = (5 ,10))
plt.boxplot(age, patch_artist=True,labels = ['会员年龄'],  # 设置x轴标题boxprops = {'facecolor':'lightblue'})  # 设置填充颜色
plt.title('会员年龄分布箱线图')# 显示y坐标轴的底线
plt.grid(axis='y')
plt.show()
plt.close# 乘机信息类别
lte = data['LAST_TO_END']
fc = data['FLIGHT_COUNT']
sks = data['SEG_KM_SUM']
# 绘制最后乘机至结束时长箱线图
fig = plt.figure(figsize = (5 ,8))
plt.boxplot(lte, patch_artist=True,labels = ['时长'],  # 设置x轴标题boxprops = {'facecolor':'lightblue'})  # 设置填充颜色
plt.title('会员最后乘机至结束时长分布箱线图')# 显示y坐标轴的底线
plt.grid(axis='y')
plt.show()
plt.close
# 绘制客户飞行次数箱线图
fig = plt.figure(figsize = (5 ,8))
plt.boxplot(fc, patch_artist=True,labels = ['飞行次数'],  # 设置x轴标题boxprops = {'facecolor':'lightblue'})  # 设置填充颜色
plt.title('会员飞行次数分布箱线图')# 显示y坐标轴的底线
plt.grid(axis='y')
plt.show()
plt.close# 绘制客户总飞行公里数箱线图
fig = plt.figure(figsize = (5 ,10))
plt.boxplot(sks, patch_artist=True,labels = ['总飞行公里数'],  # 设置x轴标题boxprops = {'facecolor':'lightblue'})  # 设置填充颜色
plt.title('客户总飞行公里数箱线图')# 显示y坐标轴的底线
plt.grid(axis='y')
plt.show()
plt.close# 积分信息类别# 提取会员积分兑换次数
ec = data['EXCHANGE_COUNT']
ec.groupby(ec<10).count()/ec.count()# 绘制会员兑换积分次数直方图
fig = plt.figure(figsize = (8 ,5))  # 设置画布大小
plt.hist(ec, bins=5, color='#0504aa')
plt.xlabel('兑换次数')
plt.ylabel('会员人数')
plt.title('会员兑换积分次数分布直方图')
plt.show()
plt.close# 提取会员总累计积分
ps = data['Points_Sum']
ps.groupby(ps).count()# 绘制会员总累计积分箱线图
fig = plt.figure(figsize = (5 ,8))
plt.boxplot(ps, patch_artist=True,labels = ['总累计积分'],  # 设置x轴标题boxprops = {'facecolor':'lightblue'})  # 设置填充颜色
plt.title('客户总累计积分箱线图')# 显示y坐标轴的底线
plt.grid(axis='y')
plt.show()
plt.close'''相关性分析'''# 提取属性并合并为新数据集
da_corr = data[['FFP_TIER','FLIGHT_COUNT','LAST_TO_END','SEG_KM_SUM','EXCHANGE_COUNT','Points_Sum']]
age1 = data['AGE'].fillna(0)  # 用0填补年龄缺失值
da_corr['AGE'] = age1.astype(int)
da_corr['ffp_year'] = ffp_year# 计算相关性矩阵
corr = da_corr.corr(method = 'pearson')# 绘制热力图
import seaborn as sns
plt.subplots(figsize=(10, 10)) # 设置画面大小
sns.heatmap(corr, annot=True, vmax=1, square=True, cmap='Blues')
plt.show()
plt.close# 数据清洗# 剔除票价为空的数据
sum_YR_notnull=data.loc[data["SUM_YR_1"].notnull() & data["SUM_YR_2"].notnull(),:]
sum_YR_notnull.shape#保留票价为非0，或者平均折扣率不为0且总飞行公里数大于0的记录
condition1= sum_YR_notnull["SUM_YR_1"] !=0
condition2= sum_YR_notnull["SUM_YR_2"] !=0
condition3= (sum_YR_notnull["avg_discount"] !=0) & (sum_YR_notnull["SEG_KM_SUM"]>0)
condition4= sum_YR_notnull["AGE"]>100 # 要剔除年龄在100岁以上的数据
airline= sum_YR_notnull[((condition1 | condition2) | condition3) & ~condition4]
airline.shape# 保存清洗后的数据（编码格式写为utf_8_sig）
#airline.to_csv(r"D:\Z_数据\study\航空公司客户价值分析数据\air_clean.csv",encoding="utf_8_sig")# RFM模型衍生（结合实际业务问题将模型指标衍生）
# ----本文采用影响客户价值的会员入会时长(L)、最近一次时间间隔(R)、乘坐次数(F)、累计飞行里程(M)、平均折扣系数(C)
airline_select= airline[['FFP_DATE','LOAD_TIME','LAST_TO_END','FLIGHT_COUNT','SEG_KM_SUM','avg_discount']]
L_days=pd.to_datetime(airline_select["LOAD_TIME"])-pd.to_datetime(airline_select["FFP_DATE"])
L=((L_days.astype("str").str.split(" ").str[0].astype("int"))/30).round(2)#合并数据提取5个核心指标
airline_con=pd.concat([L,airline_select.iloc[:,2:]],axis=1)
airline_con.columns = ['L','R','F','M','C']#数据标准化
from sklearn.preprocessing import StandardScaler as SS
data = SS().fit_transform(airline_con)
data_frame=pd.DataFrame(data)
data_frame.columns=['ZL','ZR','ZF','ZM','ZC']
#data_frame.to_excel(r'D:\Z_数据\study\航空公司客户价值分析数据\标准化后数据数据表.xlsx')
'''或者直接以np数组导出数据
import numpy as np
np.savez(r'D:\Z_数据\study\航空公司客户价值分析数据\标准化后数据.npz',data)
'''# K-Means聚类
import numpy as np
from sklearn.cluster import KMeans  # 导入kmeans算法
airline_data = np.load('D:\Z_数据\study\航空公司客户价值分析数据\标准化后数据.npz')['arr_0']# 构建模型(设置一个随机种子)
k=5
k_model=KMeans(n_clusters = k,random_state=1) #n_clusters表示聚类中心数,具体数量应根据实际业务确定
k_fit = k_model.fit(airline_data)  # 模型训练# 查看聚类结果
k_center = k_model.cluster_centers_  # 聚类中心
k_sign = k_model.labels_  # 各样本对应的类别标签
k_count = pd.Series(k_sign).value_counts()  # 统计不同类别样本的数目# 输出分群的结果
k_result=pd.DataFrame(k_center,columns=['ZL','ZR','ZF','ZM','ZC'])
k_result.index=pd.DataFrame(k_sign).drop_duplicates().iloc[:,0]   #将样本类别作为数据框的索引
# k_result.to_excel(r"D:\Z_数据\study\航空公司客户价值分析数据\k_result.xlsx")# 画雷达图展示分类结果
import matplotlib.pyplot as plt
legen = ['客户群' + str(i + 1) for i in k_result.index]  # 客户群命名，作为雷达图的图例
k_results=pd.concat([k_result,k_result[["ZL"]]],axis=1)
results=np.array(k_results)
kinds = list(k_results.iloc[:, 0])
label=['ZL','ZR','ZF','ZM','ZC']
angles=np.linspace(0,2*np.pi,len(label),endpoint=False)
angles=np.concatenate((angles,[angles[0]]))
fig=plt.figure(figsize=(9,9))
ax=fig.add_subplot(111,polar=True)
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
for i in range(len(kinds)):ax.plot(angles,results[i],linewidth=3)
# 添加属性标签
ax.set_thetagrids(angles* 180/np.pi,labels=label+[label[0]])
plt.title('客户特征分析雷达图')
plt.legend(legen)
plt.show()
plt.close

航空公司客户价值分析笔记相关推荐

python客户价值分析_Python数据分析与应用航空公司客户价值分析.ppt
Python数据分析与应用航空公司客户价值分析.ppt 大数据,成就未来 * 大数据挖掘专家 * 大数据挖掘专家大数据,成就未来航空公司客户价值分析 * 目录分析航空公司现状 1. 行业内竞争 ...
数据分析与挖掘实战-航空公司客户价值分析
航空公司客户价值分析项目背景信息时代的到来注定营销焦点从产品中心转到了用户中心,客户关系管理成为企业的核心问题. 客户关系管理的关键问题则是客户分类,通过分类区分客户价值的有无和高低,针对不同类别 ...
python客户价值分析_航空公司客户价值分析实例
第8章航空公司客户价值分析传统的识别客户价值应用最广泛的模型主要通过3个指标(最近消费时间间隔(Recency).消费频率(Frequency)和消费金额(Monetary))来进行客户细分,识别 ...
Python数据挖掘：利用聚类算法进行航空公司客户价值分析
无小意丶个人博客地址:无小意知乎主页:无小意丶公众号: 数据路(shuju_lu) 刚刚开始写博客,希望能保持关注,会继续努力. 以数据相关为主,互联网为辅进行文章发布. 本文是<Pyth ...
数据分析实战：航空公司客户价值分析
一.背景目标通过对航空公司客户数据分析,对客户进行分类: 比较不同客户的客户价值,并制定不同的服务和营销策略二.数据探索分析 2.1 数据概况数据时间范围: 2012年4月1日至2014年3月3 ...
毕业设计之 ---基于大数据分析的航空公司客户价值分析
文章目录 0 前言 1 数据分析背景 2 分析策略 2.1 航空公司客户价值分析的LRFMC模型 2.2 数据 2.3 分析模型 3 开始分析 3.1 数据预处理 3.1.1 数据预览 3.1.2 数 ...
【毕业设计】大数据分析的航空公司客户价值分析 - python
文章目录 0 前言 1 数据分析背景 2 分析策略 2.1 航空公司客户价值分析的LRFMC模型 2.2 数据 2.3 分析模型 3 开始分析 3.1 数据预处理 3.1.1 数据预览 3.1.2 数 ...
基于机器学习的航空公司客户价值分析与流失预测
温馨提示:文末有 CSDN 平台官方提供的学长 Wechat / QQ 名片 :) 1. 项目背景面对激烈的市场竞争,各个航空公司相继推出了更优惠的营销方式来吸引更多的客户,国内某航空公司面临着常旅 ...
航空公司客户价值分析python实战
航空公司客户价值分析(K_Means聚类分析) 最近在看黄红梅.张良均老师主编的<Python数据分析与应用>,拿书里的案例练练手. 本案例将使用航空公司客户数据,结合RFM模型,采用K_ ...

航空公司客户价值分析笔记

航空公司客户价值分析笔记相关推荐

最新文章

热门文章