福运通网络营销与深圳SEO优化第一品牌

专为中小企业提供网络营销服务
最新资讯

客户分析模型,RFM的基础上构建客户价值分析模型

    Time: 2020-09-18来源:福运通

本文用具体实例的方式,在RFM的基础上构建客户价值分析模型,探讨如何对客户群体进行细分,以及细分后如何进行客户价值分析。最终得到LRFMC模型,并将客户群体细分为重要保持客户、重要发展客户、重要挽留客户、一般客户、低价值客户五类。

本文原始数据与分析思路来自《Python数据分析与挖掘实战》第七章,感谢这本书提供的数据集与分析框架。(这本书很不错,推荐)

一、背景与目标 1.1 背景

在面向客户制定运营策略、营销策略时,我们希望能够针对不同的客户推行不同的策略,实现精准化运营,以期获取最大的转化率。精准化运营的前提是客户关系管理,而客户关系管理的核心是客户分类。

通过客户分类,对客户群体进行细分,区别出低价值客户、高价值客户,对不同的客户群体开展不同的个性化服务,将有限的资源合理地分配给不同价值的客户,实现效益最大化。

在客户分类中,RFM模型是一个经典的分类模型,模型利用通用交易环节中最核心的三个维度——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。

在某些商业形态中,客户与企业产生连接的核心指标会因产品特性而改变。如互联网产品中,以上三项指标可以相应地变为下图中的三项:最近一次登录、登录频率、在线时长。

1.2 目标

本实例借助某航空公司客户数据,探讨如何利用KMeans算法对客户群体进行细分,以及细分后如何利用RFM模型对客户价值进行分析,并识别出高价值客户。

在本实例中,主要希望实现以下三个目标:

借助航空公司客户数据,对客户进行群体分类

对不同的客户群体进行特征分析,比较各细分群体的客户价值

对不同价值的客户制定相应的运营策略

二、分析过程 2.1 分析思路

本实例的数据包含了2012年4月1日至2014年3月31日期间的客户数据,共有6万余条记录。分析中需要用到KMeans算法,且需要将数据分析的结果可视化,便于后期的结论分析,于是采用以下两种工具进行分析:

jupyter notebook(Python 3.6 )

Excel 2016

同时数据的属性定义见下表所示,可见维度非常丰富。

考虑到商用航空行业与一般商业形态的不同,决定在RFM模型的基础上,增加2个指标用于客户分群与价值分析,得到航空行业的LRFMC模型:

L:客户关系长度。客户加入会员的日期至观测窗口结束日期的间隔。(单位:天)

R:最近一次乘机时间。最近一次乘机日期至观测窗口结束日期的间隔。(单位:天)

F:乘机频率。客户在观测窗口期内乘坐飞机的次数。(单位:次)

M:飞行总里程。客户在观测窗口期内的飞行总里程。(单位:公里)

C:平均折扣率。客户在观测窗口期内的平均折扣率。(单位:无)

首先对原始数据进行探索,清洗异常记录,再根据上述公式将原始数据表变换得到LRFMC模型建模需要的新数据表,接着对新数据表的数据进行属性规约、数据变换、Python建模、结果分析,便能得到最终的结果。

总体思路与流程见下图:

由于本实例中的数据已经得到,便不需要在业务系统中抽取数据,直接开始对数据进行预处理即可。

2.2 数据预处理

2.2.1 数据探索

经过初步的数据探索,发现数据有几点特征:

共62988条记录

部分维度存在缺失值,WORK_CITY缺失2269条,SUM_YR_1缺失551条,SUM_YR_2缺失138条

2.2.2 数据清洗

此处主要清洗两类异常数据:

缺失值:票价为null的数据(注意不是票价为零)

深圳SEO:http://www.tianying888.com

关键词:客户分析模型