下载文档原格式
数据变换由于原始数据没有直接给出LRFMC五个指标，需要自己计算，具体的计算方式为：（1）L=LOAD_TIME-FFP_DATE（2）R=LAST_TO_END（3）F=FLIGHT_COUNT(4) M=SEG_KM_SUM（5）C=avg_discount数据变换的Python代码如下：1.def reduction_data(datafile,reoutfile):2. data=(cleanoutfile,encoding='utf-8')3.data=data[['LOAD_TIME','FFP_DATE','LAST_TO_END','FLIGHT_COUNT','SEG _KM_SUM','avg_discount']]4.# data['L']=(data['LOAD_TIME'])(data['FFP_DATE'])5.#data['L']=int(((parse(data['LOAD_TIME'])-parse(data['FFP_ADTE'])).d ays)/30)6.####这四行代码费了我3个小时7. d_ffp=(data['FFP_DATE'])8. d_load=(data['LOAD_TIME'])9. res=d_load-d_ffp10. data['L']=(lambda x:x/(30*24*60,'m'))11.12. data['R']=data['LAST_TO_END']13. data['F']=data['FLIGHT_COUNT']14. data['M']=data['SEG_KM_SUM']15. data['C']=data['avg_discount']16. data=data[['L','R','F','M','C']]17.(reoutfile)变换结果如下：客户聚类采纳kMeans聚类算法对客户数据进行客户分组，聚成5组，Python代码如下：1.import pandas as pd2.from import KMeans3.import as plt4.from itertools import cycle5.6.datafile='./tmp/'7.k=58.classoutfile='./tmp/'9.resoutfile='./tmp/'10.data=(datafile)11.12.kmodel=KMeans(n_clusters=k,max_iter=1000)13.(data)14.15.# print16.r1=.value_counts()17.r2=18.r=([r2,r1],axis=1)19.=list+['类别数量']20.# print(r)21.# (classoutfile,index=False)22.23.r=([data,,index=],axis=1)24.=list+['聚类类别']25.# (resoutfile,index=False)对数据进行聚类分群的结果如下表所示：。
第3章航空公司客户价值分析教案课程名称：R语言商务数据分析实战课程类别：必修适用专业：大数据技术类相关专业总学时：80学时（其中理论45学时，实验35学时）总学分：5.0学分本章学时：7学时一、材料清单（1）《R语言商务数据分析实战》教材。
（2）配套PPT。
（3）引导性提问。
（4）探究性问题。
（5）拓展性问题。
二、教学目标与基本要求1.教学目标结合航空公司客户价值分析的案例，重点介绍数据分析算法中K-Means聚类算法在客户价值分析中的应用。
针对RFM客户价值分析模型的不足，使用K-Means算法构建航空客户价值分析LRFMC模型，详细描述数据分析的整个过程。
2.基本要求（1）熟悉航空公司客户价值分析的步骤与流程。
（2）了解RFM模型的基本原理，以及K-Means算法的基本原理。
（3）构建航空客户价值分析的关键特征。
（4）比较不同类别客户的客户价值，制定相应的营销策略。
三、问题1.引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。
（1）客户价值分析是什么？（2）影响航空公司客户价值的相关因素有哪些？（3）航空公司客户价值分析的意义在哪里？2.探究性问题探究性问题需要教师深入钻研教材的基础上精心设计，提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。
或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。
（1）客户价值分析的使用场景有哪些？（2）航空客户价值分析的步骤与流程有哪些？（3）为何要构建关键特征？3.拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。
亦可以提供拓展资料供学生研习探讨，完成拓展性问题。
（1）除了K-Means算法，能否使用其他算法进行客户价值分析？（2）构建K-Means模型时，为何要选取3为聚类数？四、主要知识点、重点与难点1.主要知识点（1）了解航空公司现状与客户价值分析。
航空公司客户价值分析（二）一、实验内容：1.复习如何使用python选取构建LRFMC模型需要的特征2.使用sklearn相关功能模块标准化LRFMC模型的特征3.使用sklearn的cluster模块提供的kmeans函数对不同客户群体LRMFC模型的5个特征进行聚类运算4.分析聚类结果，明确不同特征在不同客户群体中的作用。
5.根据分析结果，对客户进行分类，分别制定对应的营销策略。
二、程序清单及过程及截图：1.复习如何使用python选取构建LRFMC模型需要的特征本项目选择客户在一定时间内累积的飞行里程M和客户在一定时间内乘坐舱位所对应的折扣系数的平均值C两个特征代替消费金额。
此外，航空公司会员入会时间的长短在一定程度上能够影响客户价值，所以在模型中增加客户关系长度L，作为区分客户的另一特征。
然后将客户关系长度L，消费时间间隔R，消费频率F，飞行里程M和折扣系数的平均值C作为航空公司识别客户价值的关键特征, 记为LRFMC模型。
L＝LOAD_TIME－FFP_DATE，R＝LAST_TO_END，F＝FLIGHT_COUNT，M＝SEG_KM_SUM，C＝AVG_DISCOUNT。
## 选取需求特征airline_selection = airline[["FFP_DATE","LOAD_TIME","FLIGHT_COUNT","LAST_TO_END","avg_discount","SEG_KM_SUM"]]## 构建L特征L = pd.to_datetime(airline_selection["LOAD_TIME"]) - \pd.to_datetime(airline_selection["FFP_DATE"])L = L.astype("str").str.split().str[0]L = L.astype("int")/30## 合并特征airline_features = pd.concat([L,airline_selection.iloc[:,2:]],axis = 1)print('构建的LRFMC特征前5行为：\n',airline_features.head())2.使用sklearn相关功能模块标准化LRFMC模型的特征完成五个特征的构建以后，对每个特征数据分布情况进行分析，发现五个特征的取值范围数据差异较大，为了消除数量级数据带来的影响，需要对数据做标准化处理。
航空公司客户价值分析作者：柳睿来源：《财讯》2018年第09期航空市场竞争的加煎和航空业的发展，要求国内航空公司必须利用大量数据中隐含的知识才能抓住时机。
如此，客户是企业至关重要的成功因素和利润来源。
将数据挖掘、机器学习技术应用于客户关系管理，能够为企业提供经营和决策的量化依据，使企业能够把握重点，分轻重急缓，有效利用有限资源，拓展利润上升空间。
针对客户关系管理中客户价值这一问题，通过对航空公司现有数据仓库中客户信息的分析，本文采用RFM模型得到必要指标变量，再运用Kmeans算法对RFM所褥出的指标进行聚类，将客户群逊分为价值不同的五类客户群，并对每个客户群进行分析和总结，提出了针对每类客户群的营销策略。
RMF模型客户价值分析 Kmeans背景介绍航空公司同样也面临这样的何如划分客户群的问题，而客户细分就是能够解决这种问题的关键。
国内某航空公司市场面临旅客流失、资源为充分利用等经营危机。
因此本文的日标足利用某航空公司的会员档案信息和其航班乘坐记录，通过建市合理的客户价值评估模型，对客户进行分群，分析比较不同客户群的客户价值，并制定相应的个性化营销策略。
本文运用RFM 模型对客户分类。
数据描述与预处理（1）数据统计分析原始数据含有44个变量属性，我们对原始数据有个初步的描述理解。
由数据可知男性在观测窗几内飞行次数远超与女性。
会员级别为4的客户飞行次数最多，其次足会员级别为5的客户，会员级别为6的客户飞行次数最少，可以知道级别越高（4级最高，6级最低）飞行次数越多，可能是由于级别越高，得到的折扣率相对较高。
（2）数据预处理在本案例中，以2014年3月31日为结束时间，选取宽度为两年的时间段作为分析观测窗口（也就是时间间隔为2012年4月1H至2014年3月31日），抽取观测窗几以内有乘机记录的所有客户的详细数据形成历史数据，并将数据分为三个维度，分别是客户基本信息、乘机信息和积分信息，总共包含会员卡号、入会时间、年龄、工作地所在省份、观测窗口的结束时间、乘机积分、飞行公里数等44个变量属性。
Python数据分析与应用教案Python数据分析实例航空公司客户价值分析教案教案章节一：Python数据分析概述1.1 教学目标了解Python在数据分析领域的应用掌握Python数据分析的基本流程理解航空公司客户价值分析的意义1.2 教学内容Python数据分析的应用领域Python数据分析的基本流程航空公司客户价值分析的定义和重要性1.3 教学方法讲解和案例展示学生互动讨论实践操作练习1.4 教学资源Python数据分析相关资料航空公司客户价值分析案例教案章节二：Python数据分析环境搭建2.1 教学目标学会安装和配置Python数据分析环境掌握Python数据分析相关库的基本使用方法2.2 教学内容Python数据分析环境的安装和配置Python数据分析相关库的基本使用方法2.3 教学方法讲解和演示学生实践操作问题解答和讨论2.4 教学资源Python数据分析环境的安装和配置指南Python数据分析相关库的文档和教程教案章节三：航空公司客户数据处理3.1 教学目标学会处理航空公司客户数据掌握数据清洗和数据转换的方法3.2 教学内容航空公司客户数据的获取和导入数据清洗和数据转换的方法3.3 教学方法讲解和演示学生实践操作问题解答和讨论3.4 教学资源航空公司客户数据集数据清洗和数据转换的相关工具和库教案章节四：航空公司客户价值分析方法4.1 教学目标学会使用Python进行航空公司客户价值分析掌握客户价值分析的方法和模型4.2 教学内容客户价值分析的定义和重要性客户价值分析的方法和模型4.3 教学方法讲解和演示学生实践操作问题解答和讨论4.4 教学资源Python客户价值分析相关库和工具航空公司客户价值分析案例和数据集教案章节五：航空公司客户价值分析实践5.1 教学目标学会应用Python进行航空公司客户价值分析的实践5.2 教学内容航空公司客户价值分析实践案例5.3 教学方法讲解和演示学生实践操作问题解答和讨论5.4 教学资源航空公司客户价值分析实践案例和数据集教案章节六：Python数据分析可视化6.1 教学目标学会使用Python进行数据分析的可视化掌握常用的数据可视化库和工具6.2 教学内容Python数据分析可视化的概念和重要性常用的数据可视化库和工具（如Matplotlib、Seaborn等）6.3 教学方法讲解和演示学生实践操作问题解答和讨论6.4 教学资源Python数据可视化库和工具的文档和教程实际案例和数据集教案章节七：航空公司客户价值分析案例研究7.1 教学目标学会应用Python进行航空公司客户价值分析的案例研究掌握案例研究的方法和技巧航空公司客户价值分析的案例研究流程案例研究的方法和技巧7.3 教学方法讲解和演示学生实践操作问题解答和讨论7.4 教学资源航空公司客户价值分析的案例研究资料实际案例数据集8.1 教学目标8.2 教学内容8.3 教学方法讲解和演示学生实践操作问题解答和讨论8.4 教学资源实际案例报告模板教案章节九：项目实践与讨论9.1 教学目标学生能够独立完成一个航空公司客户价值分析项目学会在团队中协作和交流学生独立完成航空公司客户价值分析项目团队协作和交流的技巧9.3 教学方法学生独立完成项目团队协作和讨论问题解答和指导9.4 教学资源航空公司客户价值分析项目案例团队协作工具和指南教案章节十：总结与展望10.1 教学目标总结所学内容，巩固知识展望未来航空公司客户价值分析的发展趋势10.2 教学内容回顾整个课程的重点内容展望航空公司客户价值分析的未来发展趋势10.3 教学方法讲解和总结学生互动讨论实践操作练习10.4 教学资源课程回顾资料航空公司客户价值分析的未来发展趋势相关资料重点解析重点在于：1. Python数据分析的基本流程和应用领域。
python数据分析与挖掘实战---航空公司客户价值分析航空公司客户价值分析⼀、背景与挖掘⽬标客户关系管理是企业的核⼼问题，关键在于客户的分类：区别⽆价值客户，⾼价值客户，针对不同客户群体有的放⽮投放具体服务⽅案，实现企业利润最⼤化的⽬标。
各⼤航空公司采取优惠措施喜迎更多客户，国内航司⾯对客户流失和资源未完全利⽤等危机，因此建⽴⼀个客户价值评估模型来实现对客户的分类。
⼆、分析⽅法与过程本次的分析⽬的在于客户价值识别，客户价值识别最常⽤的模型是RFM模型：R（最近消费时间间隔）F（消费频率）M（消费⾦额）。
飞机票价取决于飞⾏距离和仓位等级，消费同等⾦额票价的旅客对航司的价值不⼀定相同：购买短程头等舱的旅客和购买长途经济舱的旅客，明显前者对航司的贡献更⼤。
所以对M（消费⾦额）建模时要进⾏修改：⽤⾥程数平均值M和仓位折扣系数平均值C来代替消费的⾦额。
同时，考虑旅客中，加⼊会员的时间越长，客户的潜在价值⼀般越⾼，所以定义⼀个客户关系长度L,作为区分客户的另⼀指标。
接下来针对LRFMC模型，对客户进⾏区分。
LRFMC模型：（1）客户关系长度L：航空公司会员时间的长短。
（2）是消费时间间隔R。
（3）消费频率F。
（4） 飞⾏⾥程M。
（5） 折扣系数的平均值C。
LRFMC模型指标含义：（1） L：会员⼊会时间距观测窗⼝结束的⽉数。
（2） R：客户最近⼀次乘坐公司飞机距离观测窗⼝结束的⽉数。
（3） F：客户在观测窗⼝内乘坐公司飞机的次数。
（4） M：客户在观测窗⼝内累计的飞⾏⾥程碑。
（5） C：客户在观测窗⼝内乘坐仓位所对应的折扣系数的平均值。
⽅法：本案例采⽤聚类的⽅法，通过对航空公司客户价值的LRFMC模型的五个指标进⾏K-Means聚类，识别客户价值。
三、数据描述给出所有属性的基本信息，共25个属性，均⽆⼤量缺失现象或缺失现象很少。
四、建模1、数据探索分析对数据进⾏缺失值分析与异常值分析，分析出数据的规律以及异常值查找每列属性观测值个数，最⼤值，最⼩值。
