某航空公司客户价值分析,RFM模型应用详解!
1、背景与挖掘目标
客户分类,通过客户分类,区分无价值客户、高价值客户,将优先营销资源集中于高价值客户,实现企业利润最大化目标。
现在通过建立合理的客户价值评估模型,对客户进行分群,分析比较不同客户群的客户价值,并制定相应的营销策略,对不同的客户群提供个性化的客户服务是必须和有效的。(市场细分)
根据数据实现以下目标:
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,比较不同类客户的客户价值
3)对不同价值的客户类别提供个性化服务,制定相应的策略营销
2、 分析方法与过程
本案例的目标是客户价值识别,即通过航空公司客户数据识别不同价值的客户。
识别客户价值应用最广泛的模型是通过3个指标:
1)最近消费时间间隔Recency
2)消费频率Frequency
3)消费金额Monetary
来进行客户细分,识别高价值的客户,简称RFM模型。
在RFM模型中,消费金额表示在一段时间内,客户购买该企业产品金额的总和。由于航空价受到运输距离、航位等级等多种因素影响,同样消费金额的不同旅客对航空公司的价值是不同的。所以消费金额这个指标并不适用于航空公司的客户价值分析。我们选择客户在一定时间内累积的飞行里程M和客户在一定时间内乘坐舱位所对应的折扣系数的平均值C两个指标代替消费金额。
本案例将客户关系长度L、消费时间间隔R、消费频率F、飞行里程M、折扣系数的平均值C五个指标作为航空公司识别客户价值,记为LRFMC模型。
L:会员入会时间距观测窗口结束的月数;
R:客户最近一次乘坐公司飞机距观测窗口结束的月数
F:客户在观测窗口内乘坐公司飞机的次数
M:客户在观测窗口内累计的飞行里程
C:客户在观测窗口内乘坐舱位所对应的折扣系数的平均值
针对航空公司LRFMC模型,如果采用传统的RFM模型分析的属性分箱法,也能够识别出最有价值的客户,但细分的客户群太多,提高了针对性营销的成本。因此本案例采用聚类的方法识别客户价值。
航空客运信息挖掘的步骤:
1)从航空公司的数据源中选择性抽取数据与新增数据抽取分别形成历史数据和增量数据
2)对步骤1中的两个数据集进行数据探索分析与预处理
3)利用步骤2 中的已经完成数据预处理的建模数据,基于旅客价值LRFMC模型进行客户分群,对各个客户群进行特征分析,识别出有价值的客户。
4)针对模型结果得到不同价值的客户,采用不同的营销手段,提供定制化的服务。
3、 数据抽取
以2014-03-31为结束时间,选取宽度为2年的时间段作为分析观测窗口,抽取观测窗口内有乘机记录的所有客户的详细数据形成历史数据。
对于后续新增的客户详细信息,以后续新增数据中最新的时间点作为结束时间,采用上述同样的方法进行抽取,形成增量数据。
4、 数据探索分析
本案例的探索分析是对数据进行缺失值分析与异常值分析,分析出数据的规律以及异常值。
通过对原始数据观察,发现票价存在空值,票价最小值为0,折扣率最小值为0,总飞行公里数大于0的记录。票价为空值的数据可能是客户不存在乘机记录造成的,其他数据可能是客户乘坐0折机票或者积分兑换产生的。
一个好的技巧对工作效率的提升作用很大, 扫一扫二维码,或在知识星球搜索 “ 一起大数据模板中心” !获取价格超万元的PPT模板,行业资料,办公技巧等。
你将获得:
1、价值上万元的专业的PPT报告模板。
2、专业案例分析和解读笔记。
3、实用的Excel、Word、PPT技巧。
4、VIP讨论群,共享资源。
5、优惠的会员商品。
6、线下活动优惠价格。
7、每年只需99元,老用户可八折续费。