a010w航空客運(yùn)信息挖掘

公公摘要：

用戶價(jià)值評(píng)估和流失預(yù)測(cè)模型，區(qū)分客戶群，并提出相應(yīng) 策略，從而達(dá)到提高上座率和效的目個(gè)方法利用層次分析法（AHP）計(jì)算各維度的權(quán)重，再對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，并用SPSS軟件實(shí)現(xiàn)K-means法將所有客戶劃分32客戶類(lèi)別及其類(lèi)型特點(diǎn)。接著利用權(quán)重計(jì)算各客戶群綜合得分，機(jī)次數(shù)比值）0.5和0.8為兩個(gè)臨界值將老客戶劃分為流失客戶、準(zhǔn)流失客戶、未流失客戶三種最后，根據(jù)已建立的客戶細(xì)分、價(jià)值評(píng)估和流失模型所得的結(jié)論，針對(duì)各個(gè)不同的客戶群不同的服務(wù)和策略，吸引客戶乘坐航班，來(lái)提高上座率和效益：LRFMC聚類(lèi)分析 主成分分 決策 神經(jīng)網(wǎng)Airline tion:ImprovingtheattendancesofsccanalsoincreasethebenefitoftheSegmentationModel,CustomerValu

kefulluseofaviationresources,butmeetthisgoal,webuildCustomerodel,usingmassdataofmembersoftheairline,bydatamining,todistinguishcustomerbasesandputforwardthecorrespondingstrategies.Sothat,theairlineisabletoimprovetheattendencesandFirstly,theCustomerSegmentationModelmustbebuilt.Accordingtothereferences,wepreprocessthedatafirst,andthenscreenout5indexes(L,R,F,MandC),ascoredimensionsofcustomersegmentation.WeuseLRFMC-clusterysistosegmentcustomersandpreliminaryevaluatethem.ThismethodcalculatestheweightsofseveralcoredimensionsbyAHP,standardizethedata,andthenimplementK-meansclusteringmethodbySPSS,tosegmentallthecustomersinto32groups.Wecanalsoknowthecharacteristicsofallthe32groups.Atlast,wecalculatethecompositescoresusingtheweightsofcoredimensions,anddividethecustomergroupsoftheairlineinto5levelsofcustomerbases:Important-maintainings,Important-develoings,Important-retainings,generalsandlow-values.Secondly,webuildtheCustomerValueModel.Wepreprocessthedata,comingfromtheresultoftheCustomerSegmentationModel,andchoose14attributeswhichinfluencecustomervaluemostlyasfactorsusingintheprincipalcomponsis.ByusingSPSS,factorysisanddatareductionarecarriedout.Fromtheresultwhichweget,2principalcomponentscansubstituteforthe14attributesandatthesametime,theweightsofalltheattributestakinginthe2principalcomponentscanalsobeknown.Bydatastandardization,thecompositescoresofallthe5customerbasescanbecalculated,usingtheweightswhichareknown.Thecompositescoresarewhatweusetoevaluatethecustomers.Thirdly,CustomerChurnModelistobebuilt.Wedefinetheconceptofcustomerretention(theratioofsecondyear’sflighttimeandfirstyear’stimeofthecustomer),anddivideregularcustomersinto3types:lostcustomers,prospectivelostcustomersandno-lostcustomers,using0.5and0.8ascriticalvalues.Atthesametime,wechoosesomedimensionsandthedimensionsderivingfromthesedimensionswhichhavebeenknowntobuildCustomerChurnModelwiththetwomethodsofdecisiontreesandneuralnetworks.Sothat,wecanfindoutthekeyfactorswhichinfluencecustomerchurn.Andafterthecomparisonofthesetwomethods,wefinallyfindoutthattherelativelyimportantfactorswhichaffectcustomerchurnareaveragediscountfactor,unitagefareandunitageintegral.Intheend,accordingtotheconclusionsofthethreemodels,differentservicesandmarketingstrategiesareputforwardfordifferentcustomergroups.Withthesestrategies,it’spossiblethatmorecustomerswilltakeflightsofthisairlineandattendenceswillbeimprovedaswell.:LRFMC-cluster principal decision neural 數(shù)據(jù)抽 數(shù)據(jù)規(guī)約技 數(shù)據(jù)規(guī)約優(yōu) 數(shù)據(jù)清 數(shù)據(jù)集 數(shù)據(jù)變 基于航空公司常旅客價(jià)值的客戶分 客戶分群的意義及目標(biāo)概 數(shù)據(jù)基本信息描述及數(shù)據(jù)準(zhǔn) 數(shù)據(jù)描 維度的選 模型建 聚類(lèi)方法分 常用的聚類(lèi)算 LRFMC聚類(lèi)分析 層次分析 權(quán)重計(jì) 數(shù)據(jù)標(biāo)準(zhǔn) K-means聚類(lèi)方 K-means算法的基本原 K-means算法的框 K-means算法的優(yōu) 模型實(shí)現(xiàn)及評(píng)價(jià)分 客戶群特征描述及分 客戶類(lèi)型判 客戶價(jià)值比較分 實(shí)證分 建模評(píng)價(jià)與分 航空公司客戶價(jià)值所參考的指 模型構(gòu) 計(jì)算相關(guān)系數(shù)矩陣獻(xiàn)計(jì)算特征值與特征向量獻(xiàn)計(jì)算主成分貢獻(xiàn)率及累計(jì)計(jì)算主成分載荷各主成分得分

方法驗(yàn)證 樣本數(shù)據(jù)準(zhǔn) 客戶價(jià)值模型的建模、評(píng)估和主成分分析過(guò) 模型評(píng)價(jià)和分 客戶流失模型設(shè)計(jì)與實(shí) 流失模型的意義及目標(biāo)概 7.1.2車(chē)主流失模型的設(shè)計(jì)與實(shí) 數(shù)據(jù)基本信息描述及數(shù)據(jù)準(zhǔn) 數(shù)據(jù)樣本說(shuō) 數(shù)據(jù)清 數(shù)據(jù)變 模型建 客戶流失的數(shù)據(jù)挖掘應(yīng) 客戶流失的數(shù)據(jù)特 模型設(shè)計(jì)與實(shí) 訓(xùn)練與檢 模型評(píng)價(jià)與結(jié)果解 模型評(píng) 模型解 參考文 數(shù)據(jù)挖掘技術(shù)數(shù)據(jù)挖掘技術(shù)，對(duì)客性化的客戶服務(wù)，加深對(duì)客

預(yù)測(cè)出潛在的流失客戶，保留住老客戶，提高航空客運(yùn)的上座率，防止因客戶流失而的營(yíng)，提高航空公司的競(jìng)爭(zhēng)力本次數(shù)據(jù)挖掘建模的總體流程如圖Step1：對(duì)航空公司的原始數(shù)據(jù)進(jìn)行數(shù)據(jù)規(guī)約形成兩個(gè)樣本，訓(xùn)練樣本和診Step3：利用Step2形成的已完成數(shù)據(jù)預(yù)處理的訓(xùn)練樣本，基于旅客價(jià)值進(jìn)行客戶分群，建立Step4：利用Step3在大量數(shù)據(jù)上進(jìn)行復(fù)雜，數(shù)據(jù)規(guī)約技術(shù)可以用來(lái)得到數(shù)據(jù)的規(guī)約表示。規(guī)約表示小得整性。在規(guī)約后得到的數(shù)據(jù)集掘?qū)⒏行Вa(chǎn)生相同或幾乎，但仍接，但仍接近地保持原數(shù)據(jù)的同的分析結(jié)果降低無(wú)效、錯(cuò)誤挑選少量且具代表性的數(shù)據(jù)將大幅縮減數(shù)據(jù)挖掘所需的時(shí)間降低數(shù)據(jù)的成本①對(duì)表中的空缺值做丟棄處理③檢測(cè)和處理值①刪除重復(fù)數(shù)據(jù)②實(shí)體識(shí)別③冗余屬性識(shí)別：對(duì)數(shù)據(jù)進(jìn)行和匯概化：使用概念分層，用次概念替換“原始”的低層次的數(shù)入會(huì)時(shí)間距觀測(cè)窗口結(jié)束的月數(shù)觀測(cè)時(shí)間內(nèi)乘坐公司飛機(jī)的次數(shù)的飛行里程、C（具體的計(jì)算方式的飛行里程、C（L（會(huì)員入會(huì)時(shí)間距觀測(cè)窗口結(jié)束的月數(shù)）=觀測(cè)窗口的結(jié)束時(shí)間（LOAD_TIME）-入會(huì)時(shí)（FFP_DATE）[單位：月F（客戶在觀測(cè)時(shí)間內(nèi)乘坐公司飛機(jī)的次數(shù)）=飛行次數(shù)（FLIGHT_COUNT）[單位：次客戶。這樣一條被表示為由5個(gè)特征屬性（L、R、F、M、C）組成的向量，及其相應(yīng)的。5.1標(biāo)題，企業(yè)對(duì)不同的客戶群要標(biāo)題，企業(yè)對(duì)不同的客戶群要：20數(shù)據(jù)基本信息描述及數(shù)據(jù)準(zhǔn)—4/1/2008、63個(gè)屬性字段機(jī)會(huì)，表明該客戶價(jià)值較低并更RFM指標(biāo)高的客戶可能更愿意機(jī)會(huì)，表明該客戶價(jià)值較低并更

提出了RFM細(xì)分，通過(guò)三項(xiàng)變量Monetary)來(lái)細(xì)分客戶，用于識(shí)別與企業(yè)進(jìn)因此，RFM模型可以幫與企業(yè)進(jìn) Liu和Shih提出了運(yùn)用AHP（層次分析法）模型預(yù)測(cè)RFM權(quán)重并應(yīng)用K均值聚類(lèi)法對(duì)客戶基于權(quán)重的RFM方法是一種有效的客戶細(xì)分方法。傳統(tǒng)的RFM指標(biāo)做了適當(dāng)?shù)恼{(diào)整，確定了L、R、F、M、C五個(gè)指標(biāo)作為航空公司客戶細(xì)分的參在一定時(shí)間內(nèi)的消費(fèi)頻率，M代表客戶在一定時(shí)間內(nèi)的升級(jí)里程“升級(jí)里程”是指航空公司會(huì)員通過(guò)乘坐本公司及航空合作伙伴的有效航班所累積的基本飛行里程C代表客戶在一定時(shí)間內(nèi)所乘客戶價(jià)值由五個(gè)方面入會(huì)時(shí)間觀測(cè)窗口的結(jié)束時(shí)間最后一次乘機(jī)時(shí)間至觀察窗口末端時(shí)長(zhǎng)F（客戶在觀測(cè)時(shí)間內(nèi)乘坐公司飛機(jī)的次數(shù)飛行次數(shù)M（客戶在觀測(cè)時(shí)間內(nèi)在公司累計(jì)的飛行里程觀測(cè)窗口總飛行公里數(shù)平均折扣率方案數(shù)據(jù)預(yù)處理，包括數(shù)據(jù)、集成、變換、規(guī)約、提取特征維度對(duì)訓(xùn)練樣本進(jìn)行聚類(lèi)分析，實(shí)現(xiàn)客戶分群，并對(duì)每一個(gè)客戶群體的特征于模式識(shí)別、圖像處理、數(shù)據(jù)壓縮等許多領(lǐng)域。聚類(lèi)就是把一組按照相似性歸成若干類(lèi)別，即類(lèi)簇，并且kn。也就是說(shuō)，它將數(shù)據(jù)劃分為k個(gè)組，同時(shí)滿足如下要求：每個(gè)組至少包含一個(gè)對(duì)象每個(gè)對(duì)象必須屬于且只屬于一個(gè)組心（每個(gè)簇的中心）分類(lèi)，使得評(píng)價(jià)指標(biāo)JC法向聚類(lèi)準(zhǔn)則函數(shù)，誤差平方和Mi是類(lèi)Ci中數(shù)據(jù)對(duì)象的均值，p是類(lèi)中的對(duì)象。算法流程是：首先，隨機(jī)的選擇k個(gè)距離，將它指派到最相似的簇，然后計(jì)算此JC的值。最后，重新計(jì)算每個(gè)簇的簇Mi（即法向聚類(lèi)準(zhǔn)則函數(shù)，誤差平方和k均值算法需要首先確定簇的數(shù)目k，對(duì)k個(gè)初始聚類(lèi)中心點(diǎn)的選取依賴(lài)性極大，因此易陷入則創(chuàng)建包含p敏感，算法復(fù)雜度高敏感，算法復(fù)雜度高算法，它通過(guò)把數(shù)據(jù)映射到2或3維的特征空間進(jìn)行聚類(lèi)。LRFMC在《航空公司常旅客細(xì)分研究》[2]中闡述了這種聚類(lèi)方法層次分析法（yticHierarchyProcess，簡(jiǎn)稱(chēng)AHP法）是一種對(duì)較為模糊或較為復(fù)雜的決策問(wèn)成熟等優(yōu)點(diǎn)，因此選擇AHP法作為確定權(quán)重的方法。權(quán)重系數(shù)具體來(lái)說(shuō)就是計(jì)算出某層次因素相對(duì)于所隸屬的上一層次元素的相對(duì)重要性矩矩nn示因素i和因素j標(biāo)的重要性程度，一般采取9設(shè)判斷矩陣的特征根 ，則有。當(dāng)矩陣具有完全一致性時(shí)CI作為度量判斷矩陣偏離一致性的指標(biāo)。CI的計(jì)算方法如式所示。矩陣的平均隨機(jī)一致性指標(biāo)RI值。對(duì)于3~9階判斷矩陣，RI的值分別列于圖5中。1、2階判斷矩陣總是具有完全一致性。當(dāng)階數(shù)大于2時(shí)，判斷矩陣的一致性指標(biāo)CI與同階平均隨機(jī)一致性指標(biāo)RI之比稱(chēng)為隨機(jī)一致性比率，記為CR，如式所示。CR<0.1時(shí)，即認(rèn)為判斷采要調(diào)整首先，計(jì)算各個(gè)有效判斷斷矩陣的最大特征根及其特征向響因素的權(quán)重的權(quán)重。這可歸結(jié)為計(jì)算問(wèn)題。計(jì)算方法包括和法、法、冪法。當(dāng)精度要求不響因素的權(quán)重的權(quán)重。這可歸結(jié)為計(jì)算求；當(dāng)精度要求較高時(shí)可用冪法。采用法計(jì)算判斷矩陣每一行元素的乘積，如式所示，i=計(jì) 的n次，如式所示對(duì)向量正規(guī)化，如式所示即為所求的特征向量，也就是相應(yīng)的權(quán)重系數(shù)在上一步中進(jìn)行一致性檢驗(yàn)所需的判斷矩陣的最大特征根計(jì)算方法如式所示，其中 的第i個(gè)元素。計(jì)算出每個(gè)有效判斷矩陣的權(quán)重后對(duì)這些有效判斷的權(quán)重取算術(shù)平均即得到各影響因素權(quán)重采用問(wèn)卷的方式，邀請(qǐng)包括某航空公司客戶部門(mén)經(jīng)理、客戶部門(mén)業(yè)務(wù)骨干、業(yè)出判斷矩陣群。一個(gè)判斷矩陣的例子如圖6所示。最后，根據(jù)《基于常旅客數(shù)據(jù)庫(kù)的航空公司客戶細(xì)分方法研究》確定L、R、F、M、C的相對(duì)重0、標(biāo)準(zhǔn)差1的標(biāo)準(zhǔn)正態(tài)分布；另一種是把數(shù)據(jù)變0～1之間的數(shù)據(jù)。采用第一種標(biāo)準(zhǔn)K-meansK-means算法屬于聚類(lèi)中一種基本的劃分方法，它是很典型的基于距離的聚類(lèi)算法。該類(lèi)算法K-meansK-means算法數(shù)到別的種和為的標(biāo)，用求值法得到迭運(yùn)的調(diào)整則means 算法以式離作為似測(cè)度，是對(duì)應(yīng)某初中 象的均值，是類(lèi) K-means算法首先K個(gè)點(diǎn)作為初樣本距離，到離它最近的那個(gè)聚類(lèi)中心所在的類(lèi)。該算法屬于動(dòng)態(tài)聚類(lèi)法，迭代過(guò)程采用按批修改方法，即在每次迭代中都要每個(gè)樣本的分類(lèi)是否正確，若不正確，就要調(diào)整。在全部樣本調(diào)整完后，再修改，給定大小n的數(shù)據(jù)集，令I(lǐng)1K個(gè)初始聚類(lèi)中心計(jì)算每個(gè)數(shù)據(jù)對(duì)象與聚類(lèi)中心的距離，如，則將歸入m類(lèi)計(jì)算誤差平方和準(zhǔn)則函 ，見(jiàn)式 則算法結(jié)束；否則I=I+1，采用如式計(jì)算K個(gè)新的聚類(lèi)中心，返回（2。K-meansK-means聚類(lèi)法具有速度快、計(jì)算量小的特點(diǎn)，因此在處理大樣本數(shù)據(jù)時(shí)不占用太多的內(nèi)存間和計(jì)算時(shí)間。而且K-means算法的思想很簡(jiǎn)單，在聚類(lèi)算法中應(yīng)用最為廣泛分的結(jié)果用一個(gè)矩陣表示，如圖最終產(chǎn)生的四種結(jié)果，按照（當(dāng)前價(jià)值，潛在價(jià)值）的描述方式，分別對(duì)應(yīng)著（低，低（低因此，我們應(yīng)該認(rèn)真分析企業(yè)的客戶，并針對(duì)每一類(lèi)客戶采取不同的措施太大潛力可供進(jìn)一步 于當(dāng)前價(jià)值高，他們很后期客戶價(jià)值變化的不確定性也較高，因此企業(yè)應(yīng)太大潛力可供進(jìn)一步 于當(dāng)前價(jià)值高，他們很傾向的那部分群體，應(yīng)該重點(diǎn)關(guān)注，分析原因，積極進(jìn)行關(guān)系恢復(fù)根據(jù)航空公司的特點(diǎn)，使用L、R、F、M、C五個(gè)指標(biāo)，可以將航空公司的常旅客群體劃分成空公司常旅客細(xì)分及關(guān)系發(fā)展策略如圖8所示。中司的潛價(jià)值客戶，占有較潛力。航空公司要努中司的潛價(jià)值客戶，占有較潛力。航空公司要努

航空公司可以采取的措施主要有以下幾種（（3）通（是否經(jīng)（是否經(jīng)常在合作伙伴處，提高這類(lèi)客戶的忠誠(chéng)度與滿意度，盡可能延長(zhǎng)這類(lèi)客戶的高水平消費(fèi)重要挽留客這類(lèi)客戶過(guò)去所乘航班的艙位等級(jí)（C、乘坐頻率（F）或者里程（M）較高，但是較長(zhǎng)時(shí)間已經(jīng)沒(méi)有乘坐本公司的航班（R高）或是乘坐頻率明顯下降。他們客戶價(jià)值變化的不確定性很高。由K－均值聚類(lèi)法對(duì)客戶進(jìn)行聚類(lèi)。使用K－均值聚類(lèi)法時(shí)，需要預(yù)先判斷其聚類(lèi)的類(lèi)別數(shù)。本模型中通過(guò)每個(gè)客L、R、F、M、C平均值與總L、R、F、M、C均值相比較來(lái)決定的，而單個(gè)值的比較只能有兩種情況：大于（等于）或小于平均值，因此可能有2×2×2×2×2=32種類(lèi)點(diǎn)參見(jiàn)圖9。通過(guò)L、R、F、M、C分析可將航空公司的客戶群體劃分成重要保持客戶、重要發(fā)展客戶要挽留客戶、忠誠(chéng)型一般客戶、低價(jià)值客戶等五個(gè)級(jí)別利用AHP法分析得到的LRFMC各指標(biāo)權(quán)重，結(jié)合各組客戶的LRFMC指標(biāo)值，可以計(jì)算每一第j組客戶的客戶價(jià)值用表示，計(jì)算方法如式所示其中：分別為第j組客戶聚類(lèi)中心的L、R、F、M、C指標(biāo)標(biāo)準(zhǔn)化后的值，j=1,2,...,32表示聚類(lèi)后的組別， 分別為由AHP法分析得來(lái)的L、R、F、M、C指標(biāo)的權(quán)重。對(duì)于航空公司來(lái)說(shuō)更為重要。這樣相對(duì)于單純采用LRFMC聚類(lèi)分析法更具有意義。使用航空公司62988名常旅客200641200841L、R、F、M、C值原始數(shù)據(jù)總數(shù)結(jié)結(jié)果如 航空公司常旅客樣本數(shù)據(jù)分此外，第6組客戶原本應(yīng)該判斷為重要發(fā)展客戶，但由于該組客戶的C值雖然高于均值，卻析析：重要保持客戶603人（原始樣本的8818人，占總?cè)藬?shù)的重要挽留客戶289人（原始樣本的4409人，占總?cè)藬?shù)的重要發(fā)展客戶675人（原始樣本的10708人占總?cè)藬?shù)的一般客戶和低價(jià)值客戶2513人（原始樣本的39053人62%結(jié)合航空公司客戶的特點(diǎn)，使用了對(duì)傳統(tǒng)RFM指標(biāo)進(jìn)行改進(jìn)的LRFMC指標(biāo)作為航空公司結(jié)合客戶生命周期理論，提出不同細(xì)分客戶群的管理策略，為航空公司的常旅客細(xì)分理提供參由于客觀原因的存在，準(zhǔn)確計(jì)算客戶的價(jià)值具有一定戶群體的價(jià)值所在，能讓航判斷公司會(huì)員的價(jià)值高低，從而提供相應(yīng)的服務(wù)，提高公司的效益航空公司客戶價(jià)值所參考的會(huì)員入會(huì)時(shí)間距今月數(shù)、客戶最后一次乘機(jī)時(shí)間距今月數(shù)、客戶在觀測(cè)窗口內(nèi)乘機(jī)次數(shù)研究中，為了全面、系統(tǒng)地分析問(wèn)題，須考慮眾多影響因素。因?yàn)槊總€(gè)變量都在不同程度上一定程度上有。在用統(tǒng)計(jì)方法研究多變量問(wèn)題時(shí)，變量太多會(huì)增加計(jì)算量和增加分析問(wèn)題的復(fù)客戶價(jià)值模型采用主成分分析，過(guò)程如下2MrMrLMrpRrij（i，j=1，2，…，p）為原變量xi與xj的相關(guān)系數(shù)，rij=rji，其計(jì)

n∑(xkixi)(xkjxj kL0 p(i12,Lpei=1∑pe1其中e表示向量e2i雅對(duì)j雅對(duì)j個(gè)分量貢獻(xiàn)率 ∑∑k

(i1,2,L,kii∑p累計(jì)貢獻(xiàn)率：p∑k

(i1,2,L, 個(gè)主ilijp(zi,xj) eij(i,j1,2,L,i Z n 從客戶細(xì)分模型的結(jié)果出發(fā)，隨機(jī)抽出大約4000條，將他們按細(xì)分模型的結(jié)果劃分后一次乘機(jī)時(shí)間距今月數(shù)(R)后一次乘機(jī)時(shí)間距今月數(shù)(R)（FFP_TIER（BSE_OINTS_SUM總（WEIGHTED_SEG_KMT_INTERAL間隔（MAX_FLIGHT_INTERVAL合作伙伴、促銷(xiāo)、外航轉(zhuǎn)入等均乘機(jī)時(shí)間間隔觀測(cè)窗口中其他積分（ADD_POINTS_SUM、非乘機(jī)積分總和（Eli_Add_Point_Sum均乘機(jī)時(shí)間間隔觀測(cè)窗口中其他積分（PointChgNotligh得樣本數(shù)據(jù)如圖12、圖13所示。陣如圖14和圖15所示。圖差分解主成分提取分析表（圖16）可知，提取的主成分為2個(gè)，即m=2。解釋的總方成初始特征提取平方合方差的累積合方差的累積123456789-4.011E--2.865E--1.159E--8.275E--2.003E--1.431E--2.994E--2.139E--3.423E--2.445E--6.694E--4.782E-窗、明第一主成分基本反映了這窗、明第一主成分基本反映了這

測(cè)窗口內(nèi)乘坐艙位所對(duì)應(yīng)的折扣標(biāo)的信息；客戶在觀測(cè)窗口內(nèi)乘坐但這兩個(gè)新變量的表達(dá)還不能從輸出窗口中直接得到，因?yàn)椤癈omponentMatrix”是指初始因子載成份矩L0R--F--M--C--------0--圖便得到兩個(gè)主成分中每個(gè)指標(biāo)所對(duì)應(yīng)的系數(shù)（17A1和A2列）Step5：將得到的特征向量與標(biāo)準(zhǔn)化后的數(shù)據(jù)相乘，然后就可以得出主成分表達(dá)圖圖即可得到主成分綜合模型群進(jìn)行綜合評(píng)分比較，結(jié)果見(jiàn)圖19。-5-4-321上面用主成分分析對(duì)航空公司5同的客戶群做了價(jià)值評(píng)估，找到了評(píng)價(jià)客戶價(jià)值的關(guān)鍵7.1客戶流失是客戶關(guān)系管理中在、通信等行業(yè)已有研究;標(biāo)重要問(wèn)題之一。客戶流失標(biāo)重要問(wèn)題之一?？蛻袅魇Ыj(luò)的條件下，半年時(shí)間內(nèi)沒(méi)有購(gòu)票行為的常旅客一般來(lái)說(shuō)，客戶流失可以分為自愿流失和非自愿本部分主要解決以下幾方面內(nèi)容覆蓋綜合上述情況，建立流失模型以?xún)赡陜?nèi)老客戶情況的80%為訓(xùn)練樣本，20%數(shù)據(jù)作為檢測(cè)樣本，建立客戶流失模型總結(jié)兩年內(nèi)各類(lèi)客戶流失的共性與特性本模型的目標(biāo)確定為：針對(duì)目前老客戶進(jìn)行流失狀態(tài)的預(yù)測(cè)。航空老客戶流失狀態(tài)有三類(lèi)50%,90%于90%本質(zhì)上，航空客戶流失問(wèn)題定性為數(shù)據(jù)挖掘中的分類(lèi)定性為數(shù)據(jù)挖掘中的分類(lèi)依據(jù)該模型預(yù)測(cè)未來(lái)客戶數(shù)據(jù)基本信息描述及數(shù)據(jù)準(zhǔn)對(duì)表中的空缺值不做任何處理平滑：消除數(shù)據(jù)中的噪：對(duì)數(shù)據(jù)進(jìn)行和匯概化：使用概念分層，用次概念替換“原始”的低層次的數(shù)規(guī)范化：將屬性數(shù)據(jù)按比例縮放，使其落入一個(gè)小的特定區(qū)屬性構(gòu)造：構(gòu)造新的屬性并添加到屬性集中，幫助挖具體的計(jì)算方第第二年相對(duì)第一年乘機(jī)比例 第單位里程票價(jià)=總票價(jià)/總里另外，標(biāo)識(shí)一個(gè)客戶的維度主要有：會(huì)員號(hào) 0.5的客戶為流失（loss，0.5~0.9則為準(zhǔn)流失（likelyloss出客戶是否具有流失可能性。分析客戶流失問(wèn)題的主要模型是分類(lèi)（預(yù)測(cè)）模型，①?zèng)Q策樹(shù)（DT）分②神經(jīng)網(wǎng)絡(luò)（NN）分神經(jīng)網(wǎng)絡(luò)是一組連接的輸入、輸出單元，其中每個(gè)連接都有一個(gè)值。神經(jīng)網(wǎng)絡(luò)的分類(lèi)知識(shí)體現(xiàn)在網(wǎng)絡(luò)連接上，被隱式地在連接的權(quán)值中。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程是通過(guò)迭代運(yùn)算對(duì)權(quán)值不斷進(jìn)行調(diào)整的過(guò)程。學(xué)習(xí)的目標(biāo)就是通過(guò)權(quán)值的調(diào)整使輸入元組被正確的標(biāo)號(hào)。典型的神經(jīng)網(wǎng)絡(luò)有Hopfield網(wǎng)絡(luò)，BP網(wǎng)絡(luò)，M和ART網(wǎng)絡(luò)。和其它分類(lèi)技術(shù)進(jìn)行比較，神經(jīng)網(wǎng)絡(luò)能適應(yīng)于大多數(shù)只環(huán)境，間存 能信息處理能力和模擬人腦智能字電子計(jì)算機(jī)的局限，標(biāo)志著人類(lèi)絡(luò)技術(shù)被普遍地用于信用額統(tǒng)的以線性處理統(tǒng)的以線性處理為基礎(chǔ)為能力的一大飛躍。神經(jīng)客戶流失分析具有以下一些性的特點(diǎn)（1）量大、邏輯復(fù)雜，使用歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘的結(jié)果往往存在較大的偏差始數(shù)據(jù)進(jìn)行處理，通常需要花費(fèi)整個(gè)項(xiàng)50％～80％的時(shí)間；留措施，還需要考慮到客戶挽留價(jià)值和成本收益的問(wèn)題；我們的航空客戶流失的模型總體結(jié)構(gòu)如圖20析法，以?xún)赡陜?nèi)的航空老客戶為例根據(jù)兩年內(nèi)能分模決策樹(shù)分 模BPBP神經(jīng)網(wǎng) 76.92前面已經(jīng)提到，由失預(yù)測(cè)問(wèn)題數(shù)據(jù)量大、數(shù)據(jù)極不平衡的特殊性，傳統(tǒng)分類(lèi)算法應(yīng)用據(jù)集稱(chēng)為不平衡數(shù)據(jù)集。不平衡數(shù)據(jù)集的分類(lèi)問(wèn)題大量存在失預(yù)測(cè)問(wèn)題之中。對(duì)于航空客戶，神經(jīng)網(wǎng)絡(luò)示意圖考慮到?jīng)Q策樹(shù)分類(lèi)結(jié)果現(xiàn)直觀、可解釋強(qiáng)的優(yōu)點(diǎn)，模型將兩年內(nèi)的客戶乘機(jī)情況為航空老客構(gòu)建決策樹(shù)，采用其中80%的數(shù) 。決策樹(shù)算法采用的是傳統(tǒng)的算法，為了避免現(xiàn)實(shí)中流失客戶 一棵空決策樹(shù)的問(wèn)題，模型采用機(jī)采樣平衡的方式，本地訓(xùn)練數(shù)量別進(jìn)行訓(xùn)練。訓(xùn)練后輸出的樹(shù)形如圖23

地客戶每種類(lèi)別隨機(jī)300平均乘機(jī)時(shí)間間隔 流失：-非乘機(jī)積分總和： 準(zhǔn)流失會(huì)員卡等級(jí)：B 平均折扣率：C--AO-1CA--BAA0D1A4 <0.408>=0.4081C1C101-10A1-1-1平均乘機(jī)時(shí)間間14.034模式未流非乘機(jī)積0流非乘機(jī)積0and機(jī)積分總3,068非乘機(jī)積分總和>3,068[模式:未流失]會(huì)員卡級(jí)別=