商務(wù)大數(shù)據(jù)分析導(dǎo)論 課件 項(xiàng)目五 認(rèn)識客戶價(jià)值

RFM模型與應(yīng)用目錄01.分析方法與過程02.模型構(gòu)建03.模型應(yīng)用分析方法與過程PARTONE信息時(shí)代的客戶關(guān)系管理01隨著信息時(shí)代的進(jìn)步，企業(yè)的營銷戰(zhàn)略已經(jīng)從以產(chǎn)品為中心轉(zhuǎn)向以客戶為中心。這種轉(zhuǎn)變促使企業(yè)更關(guān)注客戶的需求和體驗(yàn)，進(jìn)而增強(qiáng)客戶的忠誠度和品牌價(jià)值。營銷焦點(diǎn)轉(zhuǎn)變02客戶關(guān)系管理的關(guān)鍵在于客戶分類，這有助于企業(yè)根據(jù)客戶的價(jià)值制定個(gè)性化服務(wù)和營銷策略，實(shí)現(xiàn)資源優(yōu)化配置，從而提高整體營銷效率?？蛻舴诸惖谋匾?3通過有效的客戶分類，企業(yè)能夠清晰地區(qū)分無價(jià)值客戶與高價(jià)值客戶，以便針對性地調(diào)整市場策略，將寶貴資源聚焦于更有潛力的客戶群體。無價(jià)值客戶與高價(jià)值客戶航空公司的經(jīng)營危機(jī)01旅客流失現(xiàn)象當(dāng)前市場競爭愈演愈烈，某航空公司面臨嚴(yán)重的旅客流失問題，導(dǎo)致乘客忠誠度下降和整體運(yùn)營效率降低，亟需采取有效措施糾正。02競爭力下降市場的激烈競爭迫使眾多航空公司紛紛推出優(yōu)惠措施，這直接造成了該航空公司市場份額的下降，危及了其長期盈利模式。03營銷資源優(yōu)化需求為了應(yīng)對經(jīng)營危機(jī)，該航空公司迫切需要實(shí)施更為合理的營銷資源分配機(jī)制，尤其是針對高價(jià)值客戶提供更優(yōu)質(zhì)的服務(wù)，以增強(qiáng)客戶黏性。數(shù)據(jù)來源與屬性乘機(jī)記錄與積分信息乘機(jī)信息和積分?jǐn)?shù)據(jù)記錄了客戶的乘機(jī)頻率和消費(fèi)金額，結(jié)合乘機(jī)次數(shù)、航班記錄等指標(biāo)，為客戶價(jià)值評估提供參考。會員檔案信息本案例利用該航空公司豐富的會員檔案信息，包括會員號、入會時(shí)間、性別、工作城市等，為客戶分析奠定了基礎(chǔ)。數(shù)據(jù)處理方法采用數(shù)據(jù)清洗、屬性規(guī)約、變換等方法處理收集的數(shù)據(jù)，確保數(shù)據(jù)的準(zhǔn)確性和可用性，從而為后續(xù)分析提供可靠依據(jù)。目標(biāo)與需求01客戶分類目標(biāo)通過對客戶數(shù)據(jù)的深入分析，目標(biāo)是明確識別不同類型的客戶，以便進(jìn)行更細(xì)分的服務(wù)和營銷活動。02特征分析需求客戶特征分析有助于比較不同客戶類別的價(jià)值，指導(dǎo)企業(yè)進(jìn)行資源配置并優(yōu)化營銷策略，以提升整體業(yè)績。03個(gè)性化服務(wù)與營銷策略針對不同價(jià)值的客戶類別，制定個(gè)性化的服務(wù)方案和營銷策略，使得客戶能夠感受到差異化體驗(yàn)，從而提升客戶滿意度與忠誠度。RFM模型介紹消費(fèi)時(shí)間間隔（Recency）是指客戶上次消費(fèi)與當(dāng)前時(shí)間的時(shí)間差，反映客戶的活躍程度，是重要的客戶價(jià)值指標(biāo)之一。消費(fèi)時(shí)間間隔消費(fèi)頻率（Frequency）指客戶在特定時(shí)間內(nèi)的消費(fèi)次數(shù)，是判斷客戶忠誠度和價(jià)值取向的重要依據(jù)，頻率越高說明客戶越活躍。消費(fèi)頻率消費(fèi)金額（Monetary）在交通領(lǐng)域的應(yīng)用需要謹(jǐn)慎，因?yàn)樗艿狡眱r(jià)、艙位等多因素影響，不能單純依據(jù)其金額來衡量客戶價(jià)值。消費(fèi)金額的分析010203RFM模型介紹LRFMC模型構(gòu)建本案采用LRFMC模型，包括客戶關(guān)系長度（L），最近消費(fèi)時(shí)間間隔（R），消費(fèi)頻率（F），飛行里程（M）和折扣系數(shù)（C）五個(gè)指標(biāo)，旨在全面評估客戶價(jià)值。指標(biāo)選擇與定義LRFMC模型的優(yōu)勢LRFMC模型綜合考慮多維度的客戶行為數(shù)據(jù)，可以更有效地區(qū)分客戶類型，識別潛在的高價(jià)值客戶，優(yōu)化營銷策略。影響客戶價(jià)值的因素客戶價(jià)值受多種因素影響，包括入會時(shí)間、最近消費(fèi)時(shí)間、消費(fèi)頻率等，理解這些因素有助于更精準(zhǔn)地制定營銷策略。LRFMC模型構(gòu)建通過對航空公司客戶價(jià)值的LRFMC模型的五個(gè)指標(biāo)進(jìn)行K-Means聚類，識別出最有價(jià)值客戶。本案例航空客戶價(jià)值分析的總體流程如圖所示。分析方法與過程航空客運(yùn)信息挖掘主要包括以下步驟。i.從航空公司的數(shù)據(jù)源中進(jìn)行選擇性抽取與新增數(shù)據(jù)抽取分別形成歷史數(shù)據(jù)和增量數(shù)據(jù)。ii.對步驟1中形成的兩個(gè)數(shù)據(jù)集進(jìn)行數(shù)據(jù)探索分析與預(yù)處理，包括數(shù)據(jù)缺失值與異常值的探索分析，數(shù)據(jù)的屬性規(guī)約、清洗和變換。iii.利用步驟2中形成的已完成數(shù)據(jù)預(yù)處理的建模數(shù)據(jù).基于旅客價(jià)值LRFMC模型進(jìn)行客戶分群，對各個(gè)客戶群進(jìn)行特征分析，識別出有價(jià)值的客戶。iv.針對模型結(jié)果得到不同價(jià)值的客戶，采用不同的營銷手段，提供定制化的服務(wù)。1．?dāng)?shù)據(jù)抽取數(shù)據(jù)抽取方法設(shè)定分析時(shí)間窗口，抽取特定時(shí)間范圍內(nèi)的乘機(jī)記錄，形成歷史數(shù)據(jù)，保證數(shù)據(jù)的全面性與代表性，有助于分析客戶行為。01

以2020-03-31為結(jié)束時(shí)間，選取寬度為兩年的時(shí)間段作為分析觀測窗口，抽取觀測窗口內(nèi)有乘機(jī)記錄的所有客戶的詳細(xì)數(shù)據(jù)形成歷史數(shù)據(jù)。對于后續(xù)新增的客戶詳細(xì)信息，以后續(xù)新增數(shù)據(jù)中最新的時(shí)間點(diǎn)作為結(jié)束時(shí)間，采用上述同樣的方法進(jìn)行抽取，形成增量數(shù)據(jù)。2．?dāng)?shù)據(jù)探索分析數(shù)據(jù)探索與異常分析對收集的數(shù)據(jù)進(jìn)行探索性分析，識別數(shù)據(jù)缺失值和異常值，確保在后續(xù)分析中使用的數(shù)據(jù)是準(zhǔn)確可靠的，提高分析結(jié)果的有效性。02本案例的探索分析是對數(shù)據(jù)進(jìn)行缺失值分析與異常值分析，分析出數(shù)據(jù)的規(guī)律以及異常值。通過對數(shù)據(jù)觀察發(fā)現(xiàn)原始數(shù)據(jù)中存在票價(jià)為空值，票價(jià)最小值為0、折扣率最小值為0、總飛行公里數(shù)大于0的記錄。票價(jià)為空值的數(shù)據(jù)可能是客戶不存在乘機(jī)記錄造成，其他的數(shù)據(jù)可能是客戶乘坐0折機(jī)票或者積分兌換產(chǎn)生的。3．?dāng)?shù)據(jù)預(yù)處理數(shù)據(jù)清洗與屬性規(guī)約針對數(shù)據(jù)中的缺失值和異常值進(jìn)行處理，并根據(jù)LRFMC模型的指標(biāo)選擇相關(guān)屬性，優(yōu)化數(shù)據(jù)集，提高數(shù)據(jù)處理效率。033．?dāng)?shù)據(jù)預(yù)處理3.1屬性規(guī)約原始數(shù)據(jù)中屬性太多，根據(jù)航空公司客戶價(jià)值LRFMC模型，選擇與LRFMC指標(biāo)相關(guān)的6個(gè)屬性：FFP_DATE、LOAD_TIME、FLIGHT_COUNT、AVG_DISCOUNT、SEG_K.MSUM、LAST_T0_ENDo刪除與其不相關(guān)、弱相關(guān)或冗余的屬性，例如，會員卡號、性別、工作地城市、工作地所在省份、工作地所在國家和年齡等屬性。經(jīng)過屬性選擇后的數(shù)據(jù)集，見表6-5。033．?dāng)?shù)據(jù)預(yù)處理3.2數(shù)據(jù)變換數(shù)據(jù)變換是將數(shù)據(jù)轉(zhuǎn)換成“適當(dāng)?shù)摹备袷?，以適應(yīng)挖掘任務(wù)及算法的需要。本案例中主要采用的數(shù)據(jù)變換方式為屬性構(gòu)造和數(shù)據(jù)標(biāo)準(zhǔn)化。033．?dāng)?shù)據(jù)預(yù)處理3.2數(shù)據(jù)變換標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化處理的Python代碼如代碼清單7-3所示，datafile為輸入數(shù)據(jù)文件,zscore-data為標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化后數(shù)據(jù)集。標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化處理后，形成ZL、ZR、ZF、ZM、ZC5個(gè)屬性的數(shù)據(jù)，如表6-7所示。03模型構(gòu)建PARTTWO標(biāo)準(zhǔn)化與聚類01數(shù)據(jù)標(biāo)準(zhǔn)化處理由于LRFMC指標(biāo)的量綱各異，數(shù)據(jù)標(biāo)準(zhǔn)化處理是必要步驟，通過標(biāo)準(zhǔn)化消除不同屬性間取值范圍對聚類結(jié)果的影響，提升聚類精度。02K-Means聚類算法選用K-Means聚類算法對客戶數(shù)據(jù)進(jìn)行分群，設(shè)定適當(dāng)?shù)木垲悢?shù)量以有效識別出客戶群體，便于后續(xù)的特征分析與策略制定。03聚類結(jié)果分析聚類結(jié)果展示了不同客戶群體的特征，通過分析聚類中心的數(shù)據(jù)可清晰識別出不同客戶類型，為進(jìn)一步的商業(yè)決策提供依據(jù)。模型構(gòu)建客戶價(jià)值分析模型構(gòu)建主要由兩個(gè)部分構(gòu)成，第一個(gè)部分根據(jù)航空公司客戶5個(gè)指標(biāo)的數(shù)據(jù)，對客戶進(jìn)行聚類分群。第二部分結(jié)合業(yè)務(wù)對每個(gè)客戶群進(jìn)行特征分析，分析其客戶價(jià)值，并對每個(gè)客戶群進(jìn)行排名。1.客戶聚類K-Means聚類算法對客戶數(shù)據(jù)進(jìn)行客戶分群，聚成5類(需要結(jié)合業(yè)務(wù)的理解與分析來確定客戶的類別數(shù)量)。K-Means聚類算法位于Scikit-Learn庫下的聚類子庫(sklearn),代碼如代碼清單6-4所示，輸入數(shù)據(jù)集為inputfile,聚類類別數(shù)為k=5。012.客戶價(jià)值分析針對聚類結(jié)果進(jìn)行特征分析，如圖6-3所示。其中，客戶群1在F、M屬性上最大，在R屬性上最??；客戶群2在L屬性上最大；客戶群3在R屬性上最大，在F、M屬性上最?。豢蛻羧?在L、C屬性上最?。豢蛻羧?在C屬性上最大。結(jié)合業(yè)務(wù)分析，通過比較各個(gè)指標(biāo)在群間的大小對某一個(gè)群的特征進(jìn)行評價(jià)分析。例如客戶群1在F、M屬性最大，在R指標(biāo)最小，因此可以說F、M、R在客戶群1是優(yōu)勢特征。以此類推，F(xiàn)、M、R在客戶群3上是劣勢特征。從而總結(jié)出每個(gè)群的優(yōu)勢和弱勢特征，具體結(jié)果如表所示?？蛻羧后w劃分客戶群特征對比優(yōu)勢與弱勢特征對每個(gè)客戶群體進(jìn)行綜合特征分析，通過比較不同客戶群的表現(xiàn)，能夠明確它們的優(yōu)勢和弱勢，幫助制定針對性的市場策略。通過分析客戶群體的各種指標(biāo)，可以總結(jié)出每個(gè)群體的明顯特點(diǎn)，包括較高的消費(fèi)頻率、較低的最近消費(fèi)間隔等，從而制定合適的管理策略?？蛻魞r(jià)值等級定義重要保持客戶該類別客戶在折扣率和乘機(jī)次數(shù)上表現(xiàn)優(yōu)異，是航空企業(yè)的高價(jià)值客戶，企業(yè)應(yīng)優(yōu)先對其進(jìn)行關(guān)注與服務(wù)，以維持其忠誠度。01重要發(fā)展客戶這些客戶潛力巨大，雖然頻率相對較低，但企業(yè)可以通過針對性措施激發(fā)他們的消費(fèi)潛力，進(jìn)而提升他們的價(jià)值。02重要挽留客戶這類客戶的歷史消費(fèi)行為顯示出較高的潛力，企業(yè)應(yīng)采取挽留措施，提供更好的服務(wù)和優(yōu)惠，防止其流失給競爭對手。03模型應(yīng)用PARTTHREE營銷策略制定0102針對高價(jià)值客戶的策略針對高價(jià)值客戶，企業(yè)應(yīng)制定專屬的優(yōu)惠政策和個(gè)性化服務(wù)，以進(jìn)一步增強(qiáng)客戶體驗(yàn)和滿意度，提高客戶粘性。個(gè)性化服務(wù)提高客戶忠誠度通過深入了解不同客戶群體的需求和行為，提供量身定制的服務(wù)，增加客戶的忠誠度，促進(jìn)重復(fù)消費(fèi)，提高整體盈利能力。根據(jù)對各個(gè)客戶群進(jìn)行特征分析，采取下面的一些營銷手段和策略會員的升級與保級航空公司的會員可以分為白金卡會員、金卡會員、銀卡會員、普通卡會員，其中非普通卡會員可以統(tǒng)稱為航空公司的精英會員01首次兌換航空公司常旅客計(jì)劃中最能夠吸引客戶的內(nèi)容就是客戶可以通過消費(fèi)積累的里程來兌換免票或免費(fèi)升艙等。02交叉銷售通過發(fā)行聯(lián)名卡等與非航空類企業(yè)的合作，使客戶在其他企業(yè)的消費(fèi)過程中獲得本公司的積分，增強(qiáng)與公司的聯(lián)系，提高他們的忠誠度。03決策樹分析實(shí)例目錄01.分解“樂趣”的要素02.量化“社交行為”03.找出決策樹分析中影響最大的分裂屬性04.考量實(shí)數(shù)、比率和主成分這3個(gè)分析屬性分解“樂趣”的要素PARTONE《黑貓拼圖》游戲收益情況《黑貓拼圖》游戲運(yùn)營良好，成為公司穩(wěn)定的收益來源。雖然沒有明顯的收益問題，但用戶早期流失仍然是一個(gè)需要解決的潛在威脅，影響后續(xù)盈利情況。用戶流失現(xiàn)象分析用戶在開始游戲后不久便離開的現(xiàn)象較為嚴(yán)重，這影響了用戶的長期留存。通過分析這一流失現(xiàn)象，我們可進(jìn)一步了解流失影響用戶付費(fèi)意愿。用戶規(guī)模與廣告影響由于重度投放廣告，游戲吸引了大量輕度用戶群體。這些用戶對游戲的興趣相對較低，為公司留住用戶帶來更多挑戰(zhàn)，需制定相應(yīng)的應(yīng)對策略。SUMMARYOFWEEKLYWORKREPORT游戲運(yùn)營現(xiàn)狀提高用戶留存率本項(xiàng)目旨在通過數(shù)據(jù)分析，了解用戶留存的原因，找出有效的策略以提高整體用戶的留存率，使這些用戶成為長期游戲玩家。針對輕度用戶的策略輕度用戶在游戲中的參與度較低，因此本次分析將重點(diǎn)關(guān)注他們在游戲中互動的興致，制定相應(yīng)的策略來增強(qiáng)他們的體驗(yàn)與粘性。從“樂趣”入手分析相較于直接分析用戶流失原因，我們更關(guān)注于推動用戶持續(xù)訪問的“樂趣”因素，從而更有效地制定優(yōu)化策略。SUMMARYOFWEEKLYWORKREPORT分析目的協(xié)作用戶可與友人共同協(xié)作來打敗敵方首領(lǐng)。此行為鼓勵玩家間的社交交流，提高了對游戲的參與度。戰(zhàn)斗用戶通過與其他玩家對戰(zhàn)來體驗(yàn)游戲的競爭樂趣，這一行為增強(qiáng)了互動體驗(yàn)，并直接影響了用戶留存率。發(fā)送消息通過向其他玩家發(fā)送消息，用戶可以增強(qiáng)社交聯(lián)系，這種信息互動也被視為提升游戲樂趣的一個(gè)重要因素。SUMMARYOFWEEKLYWORKREPORT初期行為分析80%用戶行為的相互影響不同用戶之間的社交行為影響彼此的游戲體驗(yàn)，與他人互動頻繁的用戶往往具有更高的留存率。300000不同用戶的樂趣體驗(yàn)不同類型的用戶對“樂趣”的定義和體驗(yàn)各不相同，通過分析不同用戶的行為特征，我們可更好地滿足用戶需求。SUMMARYOFWEEKLYWORKREPORT社交行為的影響量化“社交行為”PARTTWO假設(shè)用戶在游戲初期的社交行為層次（如戰(zhàn)斗、協(xié)作等）直接影響其后續(xù)的忠誠度與留存率。通過量化社交行為的發(fā)生頻率及時(shí)間，能更清晰展現(xiàn)各用戶在游戲中的樂趣體驗(yàn)及其對留存的影響。用戶行為假設(shè)把樂趣行為量化SUMMARYOFWEEKLYWORKREPORT行為數(shù)據(jù)觀察行為發(fā)生次數(shù)與時(shí)間統(tǒng)計(jì)用戶在游戲開始后的各社交行為發(fā)生次數(shù)及時(shí)間段，識別哪些行為模式更可能促進(jìn)長期訪問。用戶心理探索通過分析用戶行為與心理的關(guān)系，探索在特定行為下，用戶的心理需求和期望，從而提升游戲設(shè)計(jì)的針對性。SUMMARYOFWEEKLYWORKREPORT數(shù)據(jù)分析方法N日持續(xù)率常用于衡量用戶留存，而登錄密度是更為精確的指標(biāo)，能夠直觀反映用戶的活躍程度。01N日持續(xù)率與登錄密度數(shù)據(jù)收集涵蓋用戶的首次訪問數(shù)據(jù)、DAU（每日活躍用戶）數(shù)據(jù)以及社交行為記錄，確保分析準(zhǔn)確性。02數(shù)據(jù)收集方法SUMMARYOFWEEKLYWORKREPORT登錄密度定義

N日登錄密度的取值范圍在0到1之間，越接近1表示該用戶越可能是穩(wěn)定來訪的用戶。在分析中，我們將用戶開始游戲后1周內(nèi)（第0天?第6天）的行為作為自變量，而作為因變量的登錄密度則由下一周（第7天?第13天）的數(shù)據(jù)得到。N日登錄密度=

N日內(nèi)用戶到訪的天數(shù)/N找出決策樹分析中影響最大的分裂屬性PARTTHREE決策樹分析用于識別哪些變量在預(yù)測用戶登錄密度時(shí)最為關(guān)鍵，通過分析不同社交行為的組合及頻率進(jìn)行比較。生成決策樹的過程涉及多次算法迭代與屬性測試，以找出影響用戶長期訪問最強(qiáng)的因素。分裂屬性的定義決策樹生成過程SUMMARYOFWEEKLYWORKREPORT決策樹構(gòu)建決策樹分析在商業(yè)數(shù)據(jù)分析中是一種使用廣泛且便利的分析方法,其中一種用法是找出影響最大的分裂屬性。該分裂屬性在交叉列表統(tǒng)計(jì)中需要將所有的組合都測試一遍才有可能找到。所以下面我們將使用決策樹分析。找出決策樹分析中影響最大的分裂屬性決策樹分析與交叉列表比較考量實(shí)數(shù)、比率和主成分這3個(gè)分析屬性PARTFour社交行為與DAU數(shù)據(jù)整理社交行為數(shù)據(jù)及DAU數(shù)據(jù)，確保在分析時(shí)能夠有效結(jié)合社交行為與用戶活躍指標(biāo)。行為日志整理通過對行為日志的整理，生成用戶在游戲不同時(shí)間段的社交行為頻率，為后續(xù)分析準(zhǔn)備數(shù)據(jù)基礎(chǔ)。SUMMARYOFWEEKLYWORKREPORT(一)將類作為自變量來使用80%確定類的個(gè)數(shù)在進(jìn)行聚類分析時(shí)需選擇合理的類數(shù)量，通常設(shè)為3至6個(gè)類，以獲取清晰的行為模式區(qū)分。300000實(shí)施k-means方法運(yùn)用k-means聚類方法，將用戶進(jìn)行有效分類，從而更好地理解其社交行為對留存的影響。SUMMARYOFWEEKLYWORKREPORT聚類分析實(shí)施(一)將類作為自變量來使用(一)將類作為自變量來使用（二）數(shù)據(jù)收集首先，為了調(diào)查用戶開始游戲后第1周和第2周的到訪情況，我們需要使用下述的新用戶(Install)數(shù)據(jù)和DAU數(shù)據(jù)。（二）數(shù)據(jù)收集 然后我們需要處理3類社交行為，這里使用的是在某一天各個(gè)社交行為發(fā)生的次數(shù)的數(shù)據(jù)。（二）數(shù)據(jù)收集 然后我們需要處理3類社交行為，這里使用的是在某一天各個(gè)社交行為發(fā)生的次數(shù)的數(shù)據(jù)。（三）數(shù)據(jù)建模計(jì)算出登錄密度 （三）數(shù)據(jù)建模① 將DAU和首次訪問時(shí)間數(shù)據(jù)合并② 取得用戶首次訪問后第7~13天的數(shù)據(jù)③ 計(jì)算出每個(gè)用戶的登錄密度④ 每個(gè)分析對象用戶與其登錄密度合并 （三）數(shù)據(jù)建模（三）數(shù)據(jù)建模生成用戶首次訪問后7天內(nèi)的各個(gè)社交行為的數(shù)據(jù)（三）數(shù)據(jù)建模（1）將各個(gè)社交行為的數(shù)據(jù)和用戶首次訪問時(shí)間的數(shù)據(jù)合并（2）將時(shí)間限定在用戶首次訪問后的第0~6天（3）將第N天的數(shù)據(jù)整理到同一列并按天排列（三）數(shù)據(jù)建模（三）數(shù)據(jù)建模

至此，我們已經(jīng)生成了各個(gè)社交行為和分析屬性的數(shù)據(jù)，接著就是使用這份數(shù)據(jù)進(jìn)行聚類分析了。在進(jìn)行聚類分析時(shí)很重要的一點(diǎn)是需要知道類的個(gè)數(shù)。在商業(yè)應(yīng)用中，雖說類的個(gè)數(shù)取決于聚類目的，但一般情況下設(shè)3~6個(gè)類就可以了。如果設(shè)為2個(gè)就過于簡單而不能用，如果設(shè)7個(gè)或7個(gè)以上那又有點(diǎn)太多了，使得類的