1. 为什么传统RFM模型在航空业失效我第一次接触航空公司客户分析时发现直接用RFM模型会踩坑。传统RFM模型通过最近消费时间Recency、消费频率Frequency、消费金额Monetary三个指标评估客户价值但在航空业至少存在两个致命缺陷缺陷一消费金额指标失真假设乘客A花2000元飞北京-广州经济舱乘客B花2000元飞上海-成都头等舱。虽然消费金额相同但B乘客的舱位等级更高、利润空间更大。这说明单纯用票价总额无法反映真实价值。缺陷二分箱方法效率低下传统方法会将每个指标分为5档如1-5分组合后产生5×5×5125个细分群体。我曾按这个思路跑过数据结果市场部同事直接崩溃——根本不可能为125类客户制定差异化策略。2. LRFMC模型的五大黄金指标经过多次实战验证我总结出航空业专属的LRFMC模型。这个模型新增了两个关键维度LLength会员入会月数 观测窗口结束时间 - 入会时间老会员往往有更高忠诚度我经手的案例中入会3年以上的客户留存率比新会员高47%CCoefficient平均折扣率 Σ(舱位折扣×航段距离)/总里程这个指标暗藏玄机头等舱折扣0.8可能比经济舱全价更赚钱完整指标构建公式# Python计算示例 df[L] (pd.to_datetime(df[LOAD_TIME]) - pd.to_datetime(df[FFP_DATE])).dt.days/30 df[R] df[LAST_TO_END]/30 # 最近乘机月数 df[F] df[FLIGHT_COUNT] # 飞行次数 df[M] df[SEG_KM_SUM]/1000 # 飞行里程(千公里) df[C] df[avg_discount] # 平均折扣率3. 数据清洗的三大陷阱去年帮某航司做分析时原始数据62,988条记录中有689条异常数据。以下是容易踩坑的点陷阱一积分兑换航班票价0元但折扣率非0、飞行里程0的记录要保留。这些通常是会员用积分兑换的航班属于高价值客户行为。陷阱二数据标准化误区不同指标量纲差异巨大L范围0-120个月M范围368-580,717公里 必须进行Z-score标准化from sklearn.preprocessing import StandardScaler scaler StandardScaler() scaled_data scaler.fit_transform(df[[L,R,F,M,C]])4. K-Means聚类的实战技巧4.1 如何确定最佳K值我常用肘部法则业务解读双验证# 肘部法则代码示例 sse [] for k in range(2,10): kmeans KMeans(n_clustersk).fit(scaled_data) sse.append(kmeans.inertia_) # 当K5时曲线拐点最明显4.2 聚类中心解读某次分析得到的5类中心点类别ZLZRZFZMZC11.16-0.38-0.09-0.09-0.162-0.311.69-0.57-0.54-0.1730.48-0.802.482.420.314-0.70-0.42-0.16-0.16-0.2650.05-0.00-0.23-0.242.185. 五类客户的特征雷达图用Python绘制雷达图能直观展示差异import matplotlib.pyplot as plt angles np.linspace(0, 2*np.pi, 5, endpointFalse) fig plt.figure(figsize(10,6)) ax fig.add_subplot(111, polarTrue) for i in range(5): values np.concatenate((centers[i],[centers[i][0]])) ax.plot(angles, values, labelf群体{i1}) plt.legend(locupper right)分析结论群体3重要保持客户F/M指标爆表最近刚飞过R低群体5重要发展客户C值极高常坐头等舱但飞行频次低群体2重要挽留客户R值极大超过1年未乘机6. 精准营销策略落地根据我们的分析报告某航空公司实施了以下措施针对重要保持客户推出白金卡快速通道服务每季度赠送1次免费升舱机会针对重要发展客户定向发送国际航线优惠包推出飞满5次送1次活动避坑指南避免直接调用sklearn的KMeans就完事要先观察数据分布雷达图记得要闭合曲线首尾数据点重复业务部门最关心的是怎么做一定要给出具体Action Plan 【数据挖掘实战精讲】从LRFMC模型到K-Means聚类：航空客户价值分群全流程解析
1. 为什么传统RFM模型在航空业失效我第一次接触航空公司客户分析时发现直接用RFM模型会踩坑。传统RFM模型通过最近消费时间Recency、消费频率Frequency、消费金额Monetary三个指标评估客户价值但在航空业至少存在两个致命缺陷缺陷一消费金额指标失真假设乘客A花2000元飞北京-广州经济舱乘客B花2000元飞上海-成都头等舱。虽然消费金额相同但B乘客的舱位等级更高、利润空间更大。这说明单纯用票价总额无法反映真实价值。缺陷二分箱方法效率低下传统方法会将每个指标分为5档如1-5分组合后产生5×5×5125个细分群体。我曾按这个思路跑过数据结果市场部同事直接崩溃——根本不可能为125类客户制定差异化策略。2. LRFMC模型的五大黄金指标经过多次实战验证我总结出航空业专属的LRFMC模型。这个模型新增了两个关键维度LLength会员入会月数 观测窗口结束时间 - 入会时间老会员往往有更高忠诚度我经手的案例中入会3年以上的客户留存率比新会员高47%CCoefficient平均折扣率 Σ(舱位折扣×航段距离)/总里程这个指标暗藏玄机头等舱折扣0.8可能比经济舱全价更赚钱完整指标构建公式# Python计算示例 df[L] (pd.to_datetime(df[LOAD_TIME]) - pd.to_datetime(df[FFP_DATE])).dt.days/30 df[R] df[LAST_TO_END]/30 # 最近乘机月数 df[F] df[FLIGHT_COUNT] # 飞行次数 df[M] df[SEG_KM_SUM]/1000 # 飞行里程(千公里) df[C] df[avg_discount] # 平均折扣率3. 数据清洗的三大陷阱去年帮某航司做分析时原始数据62,988条记录中有689条异常数据。以下是容易踩坑的点陷阱一积分兑换航班票价0元但折扣率非0、飞行里程0的记录要保留。这些通常是会员用积分兑换的航班属于高价值客户行为。陷阱二数据标准化误区不同指标量纲差异巨大L范围0-120个月M范围368-580,717公里 必须进行Z-score标准化from sklearn.preprocessing import StandardScaler scaler StandardScaler() scaled_data scaler.fit_transform(df[[L,R,F,M,C]])4. K-Means聚类的实战技巧4.1 如何确定最佳K值我常用肘部法则业务解读双验证# 肘部法则代码示例 sse [] for k in range(2,10): kmeans KMeans(n_clustersk).fit(scaled_data) sse.append(kmeans.inertia_) # 当K5时曲线拐点最明显4.2 聚类中心解读某次分析得到的5类中心点类别ZLZRZFZMZC11.16-0.38-0.09-0.09-0.162-0.311.69-0.57-0.54-0.1730.48-0.802.482.420.314-0.70-0.42-0.16-0.16-0.2650.05-0.00-0.23-0.242.185. 五类客户的特征雷达图用Python绘制雷达图能直观展示差异import matplotlib.pyplot as plt angles np.linspace(0, 2*np.pi, 5, endpointFalse) fig plt.figure(figsize(10,6)) ax fig.add_subplot(111, polarTrue) for i in range(5): values np.concatenate((centers[i],[centers[i][0]])) ax.plot(angles, values, labelf群体{i1}) plt.legend(locupper right)分析结论群体3重要保持客户F/M指标爆表最近刚飞过R低群体5重要发展客户C值极高常坐头等舱但飞行频次低群体2重要挽留客户R值极大超过1年未乘机6. 精准营销策略落地根据我们的分析报告某航空公司实施了以下措施针对重要保持客户推出白金卡快速通道服务每季度赠送1次免费升舱机会针对重要发展客户定向发送国际航线优惠包推出飞满5次送1次活动避坑指南避免直接调用sklearn的KMeans就完事要先观察数据分布雷达图记得要闭合曲线首尾数据点重复业务部门最关心的是怎么做一定要给出具体Action Plan RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
