航空公司客户价值分析 LRMFC 模型（K-means聚类，工具python)

这两天在看张良均、王路等人出版的书《python数据分析与挖掘实战》，前面整理了一篇笔记，现在就实战一下吧。

数据量：62988，
共有44个客户属性，其中包含了会员卡号、入会时间、性别、年龄、会员卡级别、在观测窗口内的飞行公里数、飞行时间等

第一步：数据探索

拿到数据集，先进行整体上的观察

import pandas as pd
import numpy as np
df = pd.read_csv( 'air_data.csv', encoding = 'utf-8') #读取原始数据，指定UTF-8编码（需要用文本编辑器将数据装换为UTF-8编码）
print(df.shape)
print(df.info)

看看前5行

df.head()

简单加工一下44属性名称

进行空值，最小，最大值的计算

ex = df.describe(percentiles = [], include = 'all').T #包括对数据的基本描述，percentiles参数是指定计算多少的分位数表（如1/4分位数、中位数等）；T是转置，转置后更方便查阅
ex['null'] = len(df)- ex['count'] #describe()函数自动计算非空值数，需要手动计算空值数
ex = ex[['null', 'max', 'min']]
ex.columns = [u'空值数', u'最大值', u'最小值'] #表头重命名
ex

发现数据集存在票价为空，总飞行公里数大于0的脏数据

具体处理方法如下：
删去票价为0的数据
及票价为0，折扣率不为0，总飞行公里数大于0的记录

第二步：数据清洗

df= df[df['SUM_YR_1'].notnull()&df['SUM_YR_2'].notnull()] #票价非空值才保留

#只保留票价非零的，或者平均折扣率与总飞行公里数同时为0的记录。
index1 = df['SUM_YR_1'] != 0
index2 = df['SUM_YR_2'] != 0
index3 = (df['SEG_KM_SUM'] == 0) & (df['avg_discount'] == 0) #该规则是删去脏数据，要么有飞有折扣有公里数，要么就都是折扣为0且里程数为0
df= df[index1 | index2 | index3] #该规则是“或”
df.T

最终得到62044样本量

第三步 数据规约

在客户分类中，RFM模型是一个经典的分类模型，——最近消费(Recency)、消费频率(Frequency)、消费金额(Monetary)细分客户群体，从而分析不同群体的客户价值。
同样金额的不同旅客对公司的价值是不同的，比如买长航线低等级舱位的旅客与短途高等级舱位旅客相比，后者相对价值更高。因此，M消费金额不能用于衡量客户价值的一个因素，我们将其分解成两个。一定时间内的飞行里程M,一定时间内所坐舱位的平均折扣系数C
最终我们通过L(客户入会时间距今月数)、R(客户最近一次乘机时间距今月数)、F(客户在样本时间内乘机次数)、M(客户在样本时间内的飞行里程)、C(客户在样本时间内乘坐舱位的平均折扣系数)
因此，我们选择入会时间（FFP_date）、样本观测结束时间LOAD TIME、飞行次数（flight count）、平均折扣率（AVG DISCOUNT）、总飞行公里数（seg-km-sum）、最后一次乘机时间距今时长（last to end）这6个属性进行分析，删去其他弱相关属性

** 第四步 数据转换–LRMFC**

L=LOAD_TIME-FFP_DATE(入会时长)

R=LAST_TO_END（最近一次乘机时间）

F=FLIGHT_COUNT（频次）

M=SEG_KM_SUM(飞行公里数)

C=AVG_DISCOUNT（平均折扣率）

df['LOAD_TIME']=pd.to_datetime(df['LOAD_TIME']) #将字符串格式转换为日期格式
df['FFP_DATE'] = pd.to_datetime(df['FFP_DATE'])
df['L']=df['LOAD_TIME']- df['FFP_DATE']
#特征提取，只选L,LAST_TO_END,SEG_KM_SUM,avg_discount
#即入会时间离观测结束的天数，最近一次乘机的月数，观测窗口的飞行次数,总飞行里程，折扣平均

df1 = df[['L','LAST_TO_END','SEG_KM_SUM','FLIGHT_COUNT','avg_discount']]

df1=df1.rename(
    columns = {'L':'L入会时间','LAST_TO_END':'R最近消费距今时间','SEG_KM_SUM':'M总里程','FLIGHT_COUNT':'F飞行次数','avg_discount':'C平均折扣率'},
    inplace = False
)
df1.head()

观察一下各组数据间的最大最小值

由于不同的属性相差范围较大，这里进行标准化处理

#数据标准化
df1 = (df1 - df1.mean(axis = 0))/(df1.std(axis = 0)) #简洁的语句实现了标准化变换，类似地可以实现任何想要的变换。
df1.columns=['Z'+i for i in df1.columns] #表头重命名。
df1.head()

第五步 模型构建

首先采用无监督学习中K-means 进行模型构建，首先根据上述5个客户指标进行聚类，其次根据结果结合业务针对不同客户群进行分析，并进行排名。

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.因为是无监督的聚类分析问题，所以不寻在绝对正确的值，需要进行研究试探。这里采用计算SSE的方法，尝试找到最好的K数值。

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：

#模型构建
from sklearn.cluster import KMeans #导入K均值聚类算法
import matplotlib.pyplot as plt
SSE = []
for k in range(1,9):
    estimator = KMeans(n_clusters=k)
    estimator.fit(df1)
    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()

观察图像，并没有的所谓的“肘”点出现，基本上是随k值的增大逐渐减小的。在k=4,5这段区间变化放缓
设K=5

#取k=5进行的类别聚类
k = 5                       
#df1中读取数据并进行聚类分析
#调用k-means算法#
kmodel = KMeans(n_clusters = k, n_jobs = 4) #n_jobs是并行数，一般等于CPU数较好
kmodel.fit(df1) #训练模型

kmodel.cluster_centers_ #查看聚类中心
kmodel.labels_ #查看各样本对应的类别

r1 = pd.Series(kmodel.labels_).value_counts() #统计各个类别的数目
r2 = pd.DataFrame(kmodel.cluster_centers_)#找出聚类中心
# 所有簇中心坐标值中最大值和最小值
max = r2.values.max()
min = r2.values.min()
r = pd.concat([r2, r1], axis = 1) #横向连接（0是纵向），得到聚类中心对应的类别下的数目
r.columns = list(df1.columns) + [u'各类别人数'] #重命名表头
r

第六步 绘制可视化雷达图

注：此部分代码主要参考传送门

# 绘图
# 中文和负号的正常显示
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['font.size'] = 12.0
plt.rcParams['axes.unicode_minus'] = False
fig=plt.figure(figsize=(10, 8))

ax = fig.add_subplot(111, polar=True)
center_num = r.values
feature = ["L入会时间", "R最近消费距今时间", "M总里程", "F飞行次数程", "C平均折扣率"]
N =len(feature)
for i, v in enumerate(center_num):
    # 设置雷达图的角度，用于平分切开一个圆面
    angles=np.linspace(0, 2*np.pi, N, endpoint=False)
    # 为了使雷达图一圈封闭起来，需要下面的步骤
    center = np.concatenate((v[:-1],[v[0]]))
    angles=np.concatenate((angles,[angles[0]]))
    # 绘制折线图
    ax.plot(angles, center, 'o-', linewidth=2, label = "第%d簇人群,%d人"% (i+1,v[-1]))
    # 填充颜色
    ax.fill(angles, center, alpha=0.25)
    # 添加每个特征的标签
    ax.set_thetagrids(angles * 180/np.pi, feature, fontsize=15)
    # 设置雷达图的范围
    ax.set_ylim(min-0.1, max+0.1)
    # 添加标题
    plt.title('客户群特征分析图', fontsize=20)
    # 添加网格线
    ax.grid(True)
    # 设置图例
    plt.legend(loc='upper right', bbox_to_anchor=(1.3,1.0),ncol=1,fancybox=True,shadow=True)
    
# 显示图形
plt.show()

第七步 总结分析

基于LRFMC模型的具体含义，我们可以对这5个客户群进行价值排名。同时，将这5个客户群重新定义为五个等级的客户类别：重要保持客户，重要挽留客户，重要发展客户，一般发展客户，低价值客户。

对应客户群1：
重要保持客户：这类客户乘坐的次数（F）和飞行的里程数（M）都很高。折扣率（C）和入会时间(L)也不低，说明他们经常乘坐飞机，且有一定经济实力，是航空公司的高价值客户。

对应客户群2
最大的特点是时间间隔差值（R）最大，其他指标表现一般，分析可能是“季节型客户”，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

对应客户群3
重要挽留客户：这类客户最大的特点就是入会的时间（L）较长，入会时间长（L），平均折扣率较低，而且总里程和总次数都不高，分析可能是流失的客户，需要在争取一下，尽量让他们“回心转意”；

对应客户群4：
重要发展客户：这类客户平均折扣率很高（C），最近乘坐过本航班时间间隔（R）短，但是乘坐的次数（F）和（M）都很低，成为会员的时间也很近（L），说明这些乘客刚入会员不久，所以乘坐飞机次数少，是未来重要发展客户。

对应客户群5

低价值客户：这类客户乘坐时间间隔长（R）或乘坐次数（F）和总里程（M）低，平均折扣也很低，各方面的数据都是比较低的

最终将表格的客户进行分类

df1['聚类类别'] = kmodel.labels_
#划分客户类别
for i in range(len(df1)):
    if df1['聚类类别'][i] == 0:
        df1['聚类类别'][i] = '重要保持客户'

    elif df1['聚类类别'][i] == 1:
        df1['聚类类别'][i] = '一般发展客户'

    elif df1['聚类类别'][i] == 2:
        df1['聚类类别'][i] = '重要挽留客户'

    elif df1['聚类类别'][i] == 3:
        df1['聚类类别'][i] = '重要发展客户'
    else:
        df1['聚类类别'][i] = '低价值客户'

#重命名属性
    df1.columns = ['L','R','M','F','C','客户类别']

结果如下

---

参考文章：
1
2
3