L

模型1：根据属性平均值，分箱操作，5个特征总共2^5个簇（簇太多）

模型2：聚类分析

步骤总结:

1. 航空公司数据源 抽取 历史数据 增量数据
2. 数据探索分析和预处理，属性规约清洗变换
3. 建立LRMFC聚类模型
4. 不同的价值客户，不同的营销手段，提供定制化服务

数据抽取：

         数据窗口：2年，以后续新增数据最新的时间点 作为结束时间，抽取数据，形成增量数据

         属性：会员卡号，入会时间，性别，年龄，会员卡级别，工作地城市，工作地所在省份，工作地所在国家，观测窗口结束时间，观测窗口乘机积分，飞行公里，飞行次数，飞行时间，乘机时间间隔，平均折扣率等。。。

数据探索分析：

缺失值分析，异常分析：分析数据的规律以及异常值，发下原始数据中存在票价为空值，票价最小为0，折扣率最小为0，飞行总公里数大于0的记录。票价为空值的数据可能是因为不存在乘机记录造成的，其他数据可能是因为乘坐0折机票 或者 积分兑换产生的。

数据预处理：

丢弃票价为空的记录（票价为空值；票价最小为0，折扣率最小为0，飞行总公里数大于0的记录）

属性规约:

         属性太多，LRFMC模型，选择相关的属性：FFP_DATA,LOAD_TIME, FLIGHT_COUNT, AVG_DISACCOUNT, SEG_KM_SUM, LAST_TO_END. 删除不相关或者弱相关或荣誉的属性，经过属性选择后的数据集。

数据变换：

L=LOAD_TIME-FFP_DATE 入会时间 距离观测窗口结束的月数

R=LAST_TO_END 最后一次乘坐飞机 距离 观测窗口结束的月数

F=FLIGHT_COUNT 观测栓口内顾客乘坐飞机的次数

M=SEG_KM_SUM 观测时间内的累计飞行里程

C=AVG_DISACOUNT 观测窗口内对应的折扣系数平均值

注意这里有时序处理的问题

绘制雷达图

客户价值分析：

重要保持客户：平均折扣率高（舱位等级啊较高），乘坐次数或者里程比较高，最近乘坐本公司航班比较低，最理想的客户类型，对航空公司的贡献最大，所占比例比较小，擦回忆化管理，优先将资源放在这类客户身上

重要发展客户： 平均折扣率高，最近乘坐公司航班较低，乘坐次数和里程低，入会时间段，航空公司的潜在价值客户，很大潜力，需要增加在本公司消费或者合作商家的消费，增强这类客户的满意度，提高他们转向竞争对手的成本，逐渐发展为公司的忠诚客户。

重要挽留客户：平均折扣率，乘坐里程和次数较高，较长时间没有乘坐本公司航班或者乘坐频率变小 。客户价值变化不确定性很高à 掌握客户最新信息，维持与客户的互动。应该根据这些客户的最近消费时间，消费次数的变化，推测客户的异动情况，列出客户名单，对其重点联系，采取一定手段延长客户周期。

一般与低价值客户：所有特征都很低，。

采用历史数据进行建模，随着时间的变化，分析数据的观测窗口也在变化，对于新增客户的详细信息，考虑业务的实际情况，建议模型每月运行一次。

模型应用：

会员升级与保级，

不了解升级或者保级的时间与要求，航空公司可以对会员升级保级评价时间点前，对那些接近尚未达到高要求的家高消费客户适当提醒升值采取一些促销活动。刺激他们消费达到相应的标准

首次兑换：

消费累积里程 免费升仓或免票: 有的公司会在年末会对累计里程进行减半处理，导致会员损失了，总是难以实现兑换，引起客户不满和流失。

提取接近但是尚未达到首次兑换标准的会员，提醒或者促销。增大客户的转移成本，增加客户满意度

交叉销售：

         与非航空类单位合作，使客户在与其他企业的消费合作中获得本公司的 积分，增强公司的联系，提高他们的忠诚度。

发展新客户的成本通常比较大，大于维护老用户的成本，老用户的损失会带来直接的经济利益的损失

拓展思考：

这里只针对客户价值进行了分析，那么再深入一点，研究一下客户流失的具体分析:如何改善流失问题，进而提高客户满意度忠诚度