数据挖掘有三大步骤
第一数据筹备，第二数据挖掘，第三结果表达和解释。数据筹备包含数据集成，数据选择，目标数据预处理。数据挖掘主要是对预处理后的数据进行挖掘。结果表达和解释即我们所说的结果可视化。
航空客户信息，包含会员档案信息和其他乘坐航班记录信息等。识别客户价值的最广泛的模型是通过RFM模型来识别出高价值的客户：
Recency： 最近消费时间间隔
Frequency： 消费频率
Monetary： 消费金额
然而，同样的消费金额的不同旅客对航空公司的价值不同，例如买长航线、低等仓的旅客和买短航线、高等仓的旅客消费金额相同 ，但是价值却是不同的。显然后者更有价值。因此这个指标可能不合适，故选择客户在一定时间内的飞行里程M和乘坐舱位所对应的折扣系数C。同时，因为航空公司会员的加入时间一定程度上可以影响客户价值，所以我们在航空公司客户价值分析模型中添加客户关系长度 L，当做区分客户价值的另一个指标，所以我们构建出LRFMC 模型。
L：会员入会时间距观测窗口结束的时间
R：客户最近一次乘坐公司分级距观测窗口结束的时间（月数）
F：客户在观测窗口内乘坐公司飞机的次数
M：客户在观测窗口内累计的飞行里程
C：客户在观测窗口内乘坐舱位所对应的折扣系数的平均值
使用聚类分析的方法把客户进行分类，并且分析客户群的特征，分析客户价值。
>>>>
第一步：数据抽取
（1）以 2014年3月31日为结束日期，选取宽度为两年的时间段作为分析观测窗口，抽取观测窗口内有乘机记录的所有顾客的详细资料形成历史数据。对于后来新增客户信息利用数据中最大的某个时间作为结束时间，采用同样的方法进行抽取，形成增量数据。
（2）根据末次飞行日期从航空公司系统内抽取 2012年4月1日至 2014年3月31 日内所有所有乘客的详细数据，共 62988 条记录。
>>>>
第二步：数据探索分析
在原始数据中存在票价为空的情况，票价为空值的数据有可能是航空客户未有乘机记录造成的。票价最小值为 0，折扣率最小值为 0，总飞行里程不为 0 的数据有可能是顾客使用 0 折机票或者是使用积分兑换的机票造成的。
>>>>
第三步：数据预处理
（1）数据清洗：从航空公司业务和数据挖掘建模需要考虑筛选出需要的数据。
A）不需要票价为空的数据。B）不需要票价为 0，平均折扣率不为 0，总飞行里程不为 0 的数据。
（2）属性规约。在原始数据中数据属性太多，我们只需要与LRFMC 模型相关的 6 个数据属性，所以我们需要删除不相关，弱相关和冗余的数据属性。
>>>>
第四步：建构模型
构建航空公司客户价值分析 LRFMC 模型
A：客户 K-Means 聚类分析
采用 K-Means 办法对所有客户数据进行聚类分析，将客户数据聚为 5 类。（具体情况具体分析，必须依据实际状况决定分几类）
B：客户价值分析
对聚类结果进行属性分析：顾客群 1 在 L、M 属性上最小；顾客群 2 在 R 属性上最大，在 F、M 上最小；客户群 3 在属性 F、M 上最大，在 R 上最小；客户群 4 在属性 L 上最大；客户群 5 在属性 C 上最大。
根据航空公司业务定义为五个等级的客户类别：重要保持客户，重要发展客户，重要挽留客户，普通价值客户，低价值客户。根据每种客户群类型的特征对客户群进行客户价值排名，以便获得高价值客户的信息。
C：模型应用
根据每种客户群的特征，可以采取更多个性化服务和营销策略。
随着数据量爆炸式的激增，数据挖掘技术与工具将得到更广泛的使用和发展。航空业的下一个大动作就在大数据和大数据挖掘分析领域。航空企业将通过数据分析了解旅客细分、旅客趋势，找到将信息变成吸引旅客、增强旅客忠诚度的产品和服务。
今天，航空业在大数据捕捉和分析领域还不是走在前面的行业，但十年后，航空业也许成为这一领域的领头羊。
数据分析咨询请扫描二维码
