模型训练

将之前处理好的数据拿来就进行模型训练，这里用的聚类算法为K-Means算法。K-Means算法主要就在于k=n_cluster参数的确定上面，到底是将k确定为几能进行更好的分类了。这里我采用了SSE手肘法来确定k值，SSE值代表了每一个数据点离聚类中心的距离的评分，即为误差平方。当k小于真实聚类数时，随着k增大数据之间的聚合度会增加，SSE下降幅度会很大，当k快达到真实聚类值时，SSE下降幅度会变平稳，就想一个手肘的形状，肘点即为最优k值，相关代码如下：

import pandas as pd
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
input_file = '../tmp/std2.xls'
data = pd.read_excel(input_file)
SSE = []
for k in range(1,9):estimator = KMeans(n_clusters=k)estimator.fit(data)SSE.append(estimator.inertia_)#样本到最近的聚类中心的距离平方之和
X = range(1,9)
plt.xlabel('k')
plt.ylabel('SSE')
plt.plot(X,SSE,'o-')
plt.show()

结果如下：

从图中可以看出k的取值应该在4,5之间，这只有通过验证来确定到底是4还是5了，这里就不做相关的验证了，取k=5进行下面的模型训练。
下面进行模型训练，相关代码如下：

import pandas as pd
from sklearn.cluster import KMeans
input_file = '../tmp/std2.xls'
output_file1 = '../tmp/center2.xls'
output_file2 = '../tmp/result2.xls'
#读数据
data = pd.read_excel(input_file)
#聚类类别数
k = 5
#训练模型
model = KMeans(n_clusters=k,n_jobs=4)
model.fit(data)
#聚类中心
kdata = pd.DataFrame(model.cluster_centers_,index=['客户群1','客户群2','客户群3','客户群4','客户群5'],columns=['L','R','F','M','C'])
#聚类类别
data['聚类类别'] = model.labels_
#导出
kdata.to_excel(output_file1)
data.to_excel(output_file2,index=None)

查看客户的聚类结果如下：

各个聚类中心已经出来了，聚类类别也出来了，下面就要进行客户价值分析。

客户价值分析

客户价值分析，只要是通过画雷达图来将每个客户群的特征清楚明了的显示出来。这里代码就不贴出来了，有兴趣的可以去之前给的github链接中的code/value_analysis.py中去查看。客户特征群分析图如下所示：

从客户群特征分析图中可以分析出：
第一类客户群体：在五个指标即入会时间、飞行次数、飞行时间间隔、总飞行里程以及平均折扣率上表现都一般，说明此类客户群体应为低价值客户，总数为24659人。
第二类客户群体：飞行次数和总飞行里程都很高，而且平均折扣率也较高(一般对应舱位较高)，则这类客户群体应为航空公司的高价值客户群体，是最应该保持的群体，即为重要保持客户，总数为5536人。
第三类客户群体：平均折扣率很高，但是其余几个指标都不是很高，这应该是属于乘坐高等舱的商务人士，是重要发展客户，总数为4184人。
第四类客户群体：入会时间较长，说明其为老客户，但是平均折扣率不高，按理说应该比较高，并且飞行次数以及总飞行里程也不高，说明这可能是要流失的客户，需要挽留一下，即为一般挽留客户,人数为15740。
第五类客户群体：主要特点为飞行时间间隔很长，说明其很可能为"季节性客户"，一年中可能有一段时间需要乘坐飞机进行旅行等等，属于一般发展客户，总数为12125人。
从下图可以看出：

这个分析结果还是比较合理的，价值不大的第一类、第四类和第五类群体所占比例比较多，价值比较大的第二类和第三类群体所占比例比较少。

最终结果

最后将分析结果写入表格中，详情请见final_result.xls中,代码在final_result.py中。
结果如下：

本次一个数据挖掘的小项目到此就结束了，到这学到了很多知识，希望在之后的数据挖掘项目中能够学到更多知识。

航空公司客户价值分析(下)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 ...
航空公司客户价值分析（附完整代码）
一.什么是客户价值分析: 客户价值分析是以客户为中心,从客户需求出发,搞清楚客户需要什么,他们有怎样的一个特征,需要什么样的产品,然后设计相应的产品,通过对客户分群从而满足客户的需求.进行客户价值 ...
python航空公司客户价值分析
1.航空公司部分数据特征说明及LRFMC模型介绍及K-Means聚类算法介绍 2.开始数据分析 - 数据探索 Part Ⅰ:数据预处理数据清洗数据集成数据归约数据变换 Part Ⅱ:建模分析和 ...
Python数据挖掘-RFM模型K-means聚类分析-航空公司客户价值分析
使用教材:<Python数据分析与挖掘实战> 模型:RFM模型算法:K-means聚类:其他方法还用到了层次聚类数据:需要数据的可以评论里call. 内容: (1)案例: 航空公司客户 ...
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 ...

航空公司客户价值分析(下)

模型训练

客户价值分析

最终结果

航空公司客户价值分析(下)相关推荐

最新文章

热门文章