商务大数据分析导论 课件 项目五 认识客户价值

RFM模型与应用目录01.分析方法与过程02.模型构建03.模型应用分析方法与过程PARTONE信息时代的客户关系管理01随着信息时代的进步，企业的营销战略已经从以产品为中心转向以客户为中心。这种转变促使企业更关注客户的需求和体验，进而增强客户的忠诚度和品牌价值。营销焦点转变02客户关系管理的关键在于客户分类，这有助于企业根据客户的价值制定个性化服务和营销策略，实现资源优化配置，从而提高整体营销效率。客户分类的必要性03通过有效的客户分类，企业能够清晰地区分无价值客户与高价值客户，以便针对性地调整市场策略，将宝贵资源聚焦于更有潜力的客户群体。无价值客户与高价值客户航空公司的经营危机01旅客流失现象当前市场竞争愈演愈烈，某航空公司面临严重的旅客流失问题，导致乘客忠诚度下降和整体运营效率降低，亟需采取有效措施纠正。02竞争力下降市场的激烈竞争迫使众多航空公司纷纷推出优惠措施，这直接造成了该航空公司市场份额的下降，危及了其长期盈利模式。03营销资源优化需求为了应对经营危机，该航空公司迫切需要实施更为合理的营销资源分配机制，尤其是针对高价值客户提供更优质的服务，以增强客户黏性。数据来源与属性乘机记录与积分信息乘机信息和积分数据记录了客户的乘机频率和消费金额，结合乘机次数、航班记录等指标，为客户价值评估提供参考。会员档案信息本案例利用该航空公司丰富的会员档案信息，包括会员号、入会时间、性别、工作城市等，为客户分析奠定了基础。数据处理方法采用数据清洗、属性规约、变换等方法处理收集的数据，确保数据的准确性和可用性，从而为后续分析提供可靠依据。目标与需求01客户分类目标通过对客户数据的深入分析，目标是明确识别不同类型的客户，以便进行更细分的服务和营销活动。02特征分析需求客户特征分析有助于比较不同客户类别的价值，指导企业进行资源配置并优化营销策略，以提升整体业绩。03个性化服务与营销策略针对不同价值的客户类别，制定个性化的服务方案和营销策略，使得客户能够感受到差异化体验，从而提升客户满意度与忠诚度。RFM模型介绍消费时间间隔（Recency）是指客户上次消费与当前时间的时间差，反映客户的活跃程度，是重要的客户价值指标之一。消费时间间隔消费频率（Frequency）指客户在特定时间内的消费次数，是判断客户忠诚度和价值取向的重要依据，频率越高说明客户越活跃。消费频率消费金额（Monetary）在交通领域的应用需要谨慎，因为它受到票价、舱位等多因素影响，不能单纯依据其金额来衡量客户价值。消费金额的分析010203RFM模型介绍LRFMC模型构建本案采用LRFMC模型，包括客户关系长度（L），最近消费时间间隔（R），消费频率（F），飞行里程（M）和折扣系数（C）五个指标，旨在全面评估客户价值。指标选择与定义LRFMC模型的优势LRFMC模型综合考虑多维度的客户行为数据，可以更有效地区分客户类型，识别潜在的高价值客户，优化营销策略。影响客户价值的因素客户价值受多种因素影响，包括入会时间、最近消费时间、消费频率等，理解这些因素有助于更精准地制定营销策略。LRFMC模型构建通过对航空公司客户价值的LRFMC模型的五个指标进行K-Means聚类，识别出最有价值客户。本案例航空客户价值分析的总体流程如图所示。分析方法与过程航空客运信息挖掘主要包括以下步骤。i.从航空公司的数据源中进行选择性抽取与新增数据抽取分别形成历史数据和增量数据。ii.对步骤1中形成的两个数据集进行数据探索分析与预处理，包括数据缺失值与异常值的探索分析，数据的属性规约、清洗和变换。iii.利用步骤2中形成的已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。iv.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。1．数据抽取数据抽取方法设定分析时间窗口，抽取特定时间范围内的乘机记录，形成历史数据，保证数据的全面性与代表性，有助于分析客户行为。01

以2020-03-31为结束时间，选取宽度为两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。2．数据探索分析数据探索与异常分析对收集的数据进行探索性分析，识别数据缺失值和异常值，确保在后续分析中使用的数据是准确可靠的，提高分析结果的有效性。02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。通过对数据观察发现原始数据中存在票价为空值，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，其他的数据可能是客户乘坐0折机票或者积分兑换产生的。3．数据预处理数据清洗与属性规约针对数据中的缺失值和异常值进行处理，并根据LRFMC模型的指标选择相关属性，优化数据集，提高数据处理效率。033．数据预处理3.1属性规约原始数据中属性太多，根据航空公司客户价值LRFMC模型，选择与LRFMC指标相关的6个属性：FFP_DATE、LOAD_TIME、FLIGHT_COUNT、AVG_DISCOUNT、SEG_K.MSUM、LAST_T0_ENDo删除与其不相关、弱相关或冗余的属性，例如，会员卡号、性别、工作地城市、工作地所在省份、工作地所在国家和年龄等属性。经过属性选择后的数据集，见表6-5。033．数据预处理3.2数据变换数据变换是将数据转换成“适当的”格式，以适应挖掘任务及算法的需要。本案例中主要采用的数据变换方式为属性构造和数据标准化。033．数据预处理3.2数据变换标准差标准化处理的Python代码如代码清单7-3所示，datafile为输入数据文件,zscore-data为标准差标准化后数据集。标准差标准化处理后，形成ZL、ZR、ZF、ZM、ZC5个属性的数据，如表6-7所示。03模型构建PARTTWO标准化与聚类01数据标准化处理由于LRFMC指标的量纲各异，数据标准化处理是必要步骤，通过标准化消除不同属性间取值范围对聚类结果的影响，提升聚类精度。02K-Means聚类算法选用K-Means聚类算法对客户数据进行分群，设定适当的聚类数量以有效识别出客户群体，便于后续的特征分析与策略制定。03聚类结果分析聚类结果展示了不同客户群体的特征，通过分析聚类中心的数据可清晰识别出不同客户类型，为进一步的商业决策提供依据。模型构建客户价值分析模型构建主要由两个部分构成，第一个部分根据航空公司客户5个指标的数据，对客户进行聚类分群。第二部分结合业务对每个客户群进行特征分析，分析其客户价值，并对每个客户群进行排名。1.客户聚类K-Means聚类算法对客户数据进行客户分群，聚成5类(需要结合业务的理解与分析来确定客户的类别数量)。K-Means聚类算法位于Scikit-Learn库下的聚类子库(sklearn),代码如代码清单6-4所示，输入数据集为inputfile,聚类类别数为k=5。012.客户价值分析针对聚类结果进行特征分析，如图6-3所示。其中，客户群1在F、M属性上最大，在R属性上最小；客户群2在L属性上最大；客户群3在R属性上最大，在F、M属性上最小；客户群4在L、C属性上最小；客户群5在C属性上最大。结合业务分析，通过比较各个指标在群间的大小对某一个群的特征进行评价分析。例如客户群1在F、M属性最大，在R指标最小，因此可以说F、M、R在客户群1是优势特征。以此类推，F、M、R在客户群3上是劣势特征。从而总结出每个群的优势和弱势特征，具体结果如表所示。客户群体划分客户群特征对比优势与弱势特征对每个客户群体进行综合特征分析，通过比较不同客户群的表现，能够明确它们的优势和弱势，帮助制定针对性的市场策略。通过分析客户群体的各种指标，可以总结出每个群体的明显特点，包括较高的消费频率、较低的最近消费间隔等，从而制定合适的管理策略。客户价值等级定义重要保持客户该类别客户在折扣率和乘机次数上表现优异，是航空企业的高价值客户，企业应优先对其进行关注与服务，以维持其忠诚度。01重要发展客户这些客户潜力巨大，虽然频率相对较低，但企业可以通过针对性措施激发他们的消费潜力，进而提升他们的价值。02重要挽留客户这类客户的历史消费行为显示出较高的潜力，企业应采取挽留措施，提供更好的服务和优惠，防止其流失给竞争对手。03模型应用PARTTHREE营销策略制定0102针对高价值客户的策略针对高价值客户，企业应制定专属的优惠政策和个性化服务，以进一步增强客户体验和满意度，提高客户粘性。个性化服务提高客户忠诚度通过深入了解不同客户群体的需求和行为，提供量身定制的服务，增加客户的忠诚度，促进重复消费，提高整体盈利能力。根据对各个客户群进行特征分析，采取下面的一些营销手段和策略会员的升级与保级航空公司的会员可以分为白金卡会员、金卡会员、银卡会员、普通卡会员，其中非普通卡会员可以统称为航空公司的精英会员01首次兑换航空公司常旅客计划中最能够吸引客户的内容就是客户可以通过消费积累的里程来兑换免票或免费升舱等。02交叉销售通过发行联名卡等与非航空类企业的合作，使客户在其他企业的消费过程中获得本公司的积分，增强与公司的联系，提高他们的忠诚度。03决策树分析实例目录01.分解“乐趣”的要素02.量化“社交行为”03.找出决策树分析中影响最大的分裂属性04.考量实数、比率和主成分这3个分析属性分解“乐趣”的要素PARTONE《黑猫拼图》游戏收益情况《黑猫拼图》游戏运营良好，成为公司稳定的收益来源。虽然没有明显的收益问题，但用户早期流失仍然是一个需要解决的潜在威胁，影响后续盈利情况。用户流失现象分析用户在开始游戏后不久便离开的现象较为严重，这影响了用户的长期留存。通过分析这一流失现象，我们可进一步了解流失影響用户付费意愿。用户规模与广告影响由于重度投放广告，游戏吸引了大量轻度用户群体。这些用户对游戏的兴趣相对较低，为公司留住用户带来更多挑战，需制定相应的应对策略。SUMMARYOFWEEKLYWORKREPORT游戏运营现状提高用户留存率本项目旨在通过数据分析，了解用户留存的原因，找出有效的策略以提高整体用户的留存率，使这些用户成为长期游戏玩家。针对轻度用户的策略轻度用户在游戏中的参与度较低，因此本次分析将重点关注他们在游戏中互动的兴致，制定相应的策略来增强他们的体验与粘性。从“乐趣”入手分析相较于直接分析用户流失原因，我们更关注于推动用户持续访问的“乐趣”因素，从而更有效地制定优化策略。SUMMARYOFWEEKLYWORKREPORT分析目的协作用户可与友人共同协作来打败敌方首领。此行为鼓励玩家间的社交交流，提高了对游戏的参与度。战斗用户通过与其他玩家对战来体验游戏的竞争乐趣，这一行为增强了互动体验，并直接影响了用户留存率。发送消息通过向其他玩家发送消息，用户可以增强社交联系，这种信息互动也被视为提升游戏乐趣的一个重要因素。SUMMARYOFWEEKLYWORKREPORT初期行为分析80%用户行为的相互影响不同用户之间的社交行为影响彼此的游戏体验，与他人互动频繁的用户往往具有更高的留存率。300000不同用户的乐趣体验不同类型的用户对“乐趣”的定义和体验各不相同，通过分析不同用户的行为特征，我们可更好地满足用户需求。SUMMARYOFWEEKLYWORKREPORT社交行为的影响量化“社交行为”PARTTWO假设用户在游戏初期的社交行为层次（如战斗、协作等）直接影响其后续的忠诚度与留存率。通过量化社交行为的发生频率及时间，能更清晰展现各用户在游戏中的乐趣体验及其对留存的影响。用户行为假设把乐趣行为量化SUMMARYOFWEEKLYWORKREPORT行为数据观察行为发生次数与时间统计用户在游戏开始后的各社交行为发生次数及时间段，识别哪些行为模式更可能促进长期访问。用户心理探索通过分析用户行为与心理的关系，探索在特定行为下，用户的心理需求和期望，从而提升游戏设计的针对性。SUMMARYOFWEEKLYWORKREPORT数据分析方法N日持续率常用于衡量用户留存，而登录密度是更为精确的指标，能够直观反映用户的活跃程度。01N日持续率与登录密度数据收集涵盖用户的首次访问数据、DAU（每日活跃用户）数据以及社交行为记录，确保分析准确性。02数据收集方法SUMMARYOFWEEKLYWORKREPORT登录密度定义

N日登录密度的取值范围在0到1之间，越接近1表示该用户越可能是稳定来访的用户。在分析中，我们将用户开始游戏后1周内（第0天〜第6天）的行为作为自变量，而作为因变量的登录密度则由下一周（第7天〜第13天）的数据得到。N日登录密度=

N日内用户到访的天数/N找出决策树分析中影响最大的分裂属性PARTTHREE决策树分析用于识别哪些变量在预测用户登录密度时最为关键，通过分析不同社交行为的组合及频率进行比较。生成决策树的过程涉及多次算法迭代与属性测试，以找出影响用户长期访问最强的因素。分裂属性的定义决策树生成过程SUMMARYOFWEEKLYWORKREPORT决策树构建决策树分析在商业数据分析中是一种使用广泛且便利的分析方法,其中一种用法是找出影响最大的分裂属性。该分裂属性在交叉列表统计中需要将所有的组合都测试一遍才有可能找到。所以下面我们将使用决策树分析。找出决策树分析中影响最大的分裂属性决策树分析与交叉列表比较考量实数、比率和主成分这3个分析属性PARTFour社交行为与DAU数据整理社交行为数据及DAU数据，确保在分析时能够有效结合社交行为与用户活跃指标。行为日志整理通过对行为日志的整理，生成用户在游戏不同时间段的社交行为频率，为后续分析准备数据基础。SUMMARYOFWEEKLYWORKREPORT(一)将类作为自变量来使用80%确定类的个数在进行聚类分析时需选择合理的类数量，通常设为3至6个类，以获取清晰的行为模式区分。300000实施k-means方法运用k-means聚类方法，将用户进行有效分类，从而更好地理解其社交行为对留存的影响。SUMMARYOFWEEKLYWORKREPORT聚类分析实施(一)将类作为自变量来使用(一)将类作为自变量来使用（二）数据收集首先，为了调查用户开始游戏后第1周和第2周的到访情况，我们需要使用下述的新用户(Install)数据和DAU数据。（二）数据收集 然后我们需要处理3类社交行为，这里使用的是在某一天各个社交行为发生的次数的数据。（二）数据收集 然后我们需要处理3类社交行为，这里使用的是在某一天各个社交行为发生的次数的数据。（三）数据建模计算出登录密度 （三）数据建模① 将DAU和首次访问时间数据合并② 取得用户首次访问后第7~13天的数据③ 计算出每个用户的登录密度④ 每个分析对象用户与其登录密度合并 （三）数据建模（三）数据建模生成用户首次访问后7天内的各个社交行为的数据（三）数据建模（1）将各个社交行为的数据和用户首次访问时间的数据合并（2）将时间限定在用户首次访问后的第0~6天（3）将第N天的数据整理到同一列并按天排列（三）数据建模（三）数据建模

至此，我们已经生成了各个社交行为和分析属性的数据，接着就是使用这份数据进行聚类分析了。在进行聚类分析时很重要的一点是需要知道类的个数。在商业应用中，虽说类的个数取决于聚类目的，但一般情况下设3~6个类就可以了。如果设为2个就过于简单而不能用，如果设7个或7个以上那又有点太多了，使得类的