可以从哪些角度分析开飞机游戏客户价值

来源：蜘蛛抓取(WebSpider) 时间：2017-06-09 04:41 标签： 开飞机游戏

本文转载自微信公众号TIpDM。

每每以为攀得众山小，可、每每又切实来到起点，大牛们，缓缓脚步来俺笔记葩分享一下吧，please~

———————————————————————————

 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。所以得根据实际行业灵活调整RFM模型的指标，本文就拿航空公司的数据为例，将RFM模型构建成L(入会至当前时间的间隔，反映可能的活跃时长)、R(最近消费时间距当前的间隔，反映当前的活跃状态)、F(乘机次数，反映客户的忠诚度)、M(飞行里程数，反映客户对乘机的依赖性)和C(舱位等级对应的折扣系数，侧面反映客户价值高低)5个指标。下面就利用这5个指标进行客户价值分群的实战：


     该数据集包含了62988条会员记录，涉及会员号、入会时间、首次登机时间、性别等44个字段。发现这么多字段中，正真能使用到的字段只有FFP_DATE(入会时间)、LOAD_TIME(观测窗口结束时间，可理解为当前时间)、FLIGHT_COUNT(乘机次数)、SUM_YR_1(票价收入1)、SUM_YR_2(票价收入2)、SEG_KM_SUM(飞行里程数)、LAST_FLIGHT_DATE(最后一次乘机时间)和avg_discount(舱位等级对应的平均折扣系数)。下面来看一下这些数据的分布情况：

###输出变量最值，缺失情况


    发现数据中存在异常，如票价收入为空或0、舱位等级对应的平均折扣系数为0。这样的异常可能是由于客户没有实际登机造成，故考虑将这样的数据剔除。具体操作如下：

####丢弃票价为空的记录

####丢弃票价为0，平均折扣率不为0，总飞行公里数大于0的记录

####保存清洗后的数据




    从上面可以看出FFP_DATE，LOAD_TIME，LAST_FLIGHT_DATE，并不是数值型数据而是发现三个关于时间的字段均为因子型数据，需要将其转换为日期格式，用于下面计算时间差：

####时间数据的转化

####时间数据的转化

数据格式的转化后的数据如下：

#L:入会至当前时间的间隔

#R:最近登机时间距当前的间隔



    目前5个指标值都有了，下面就需要根据每个客户的5个值对其进行分群，传统的方法是计算综合得分，然后排序一刀切，选出高价值、潜在价值和低价值客户。现在所使用的方法是k-means聚类算法，避免了人为的一刀切。由于k-means聚类算法是基于距离计算类与类之间的差别，然而这5个指标明显存在量纲上的差异，故需要标准化处理：


    标准化数据之后，就可以使用k-means聚类算法将客户进行聚类，问题是该聚为几类呢？根据业务的理解与分析确定客户类别数量，即：分为五类，

#k-means聚类，设置聚类个数为5

    上图反馈了客户的聚类结果，但是从数据中很难快速的找出不同价值的客户，下面通过绘制雷达图来反映聚类结果：



    从图中可知，黑色线是价值最高的，F和M值对应最高，C值次高，属于第2组人群;价值次高的是蓝色线人群，即第3组，该人群特征是C值最大；以此类推，海绿色线人群的价值最低，雷达图所围成的面积最小。还有一种办法能够最快的识别出价值由高到低的5类人群，即对5个人群各指标均值求和排序即可，因为数据都是标准化的，不受量纲影响，可直接求和排序：

    结果显示第2组人群最佳、其次是第3组人群，最差的是第5组人群。通过对比centers结果，能够很好的反映5组人群的价值高低：

每每以为攀得众山小，可、每每又切实来到起点，大牛们，缓缓脚步来俺笔记葩分享一下吧，please~

———————————————————————————

我要回帖

更多关于 开飞机游戏 的文章

 

随机推荐