网站管理一般要做什么app和手机网站

张

张建站

2026/4/29 6:20:52

10分钟阅读

网站管理一般要做什么,app和手机网站,网站建设管理ppt模板,discuz网站名称X00233-通过航空公司数据识别不同客户价值KMeans聚类通过航空公司客户数据识别不同价值的客户。识别客户价值应用最广泛的模型是通过3个指标(最近消费时间间隔、消费频带和消费金额)来进行客户细分#xff0c;识别出高价值的客户#xff0c;简称REFM 。在RFM模型中#xf…X00233-通过航空公司数据识别不同客户价值KMeans聚类通过航空公司客户数据识别不同价值的客户。识别客户价值应用最广泛的模型是通过3个指标(最近消费时间间隔、消费频带和消费金额)来进行客户细分识别出高价值的客户简称REFM 。在RFM模型中消费金额表示在一段时间内客户该企业产品金额的总和由于航空票价受到运输距离、舱位等级等多种因素影响同样消费金额的不同旅名对航空公司的价值是不同的。例如一位长航线、低等级舱位票的旅各与一位短航线、高等级验位票的旅客相比后者对于航空公司而言价值可能更高。因此这个指标并不适用于航空公司的客户价值分析151我们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两个指标代替消费金额。此外考虑航空公司会员人会时间的长短在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.作烟区分客户的另一指标。老司机们都知道客户分群这事就像给自家果园分苹果——得按酸甜程度装筐。航空公司的客户价值识别更是门技术活传统RFM模型在这儿容易崴脚咱们今天用Python整点硬核的搞个定制版LRFMC模型。X00233-通过航空公司数据识别不同客户价值KMeans聚类通过航空公司客户数据识别不同价值的客户。识别客户价值应用最广泛的模型是通过3个指标(最近消费时间间隔、消费频带和消费金额)来进行客户细分识别出高价值的客户简称REFM 。在RFM模型中消费金额表示在一段时间内客户该企业产品金额的总和由于航空票价受到运输距离、舱位等级等多种因素影响同样消费金额的不同旅名对航空公司的价值是不同的。例如一位长航线、低等级舱位票的旅各与一位短航线、高等级验位票的旅客相比后者对于航空公司而言价值可能更高。因此这个指标并不适用于航空公司的客户价值分析151我们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两个指标代替消费金额。此外考虑航空公司会员人会时间的长短在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.作烟区分客户的另一指标。先看数据长啥样。原始数据里藏着入会日期、最近乘机时间、飞行次数这些宝贝字段import pandas as pd raw_data pd.read_csv(airline.csv) print(raw_data[[FFP_DATE,LAST_FLIGHT_DATE,FLIGHT_COUNT]].head(2)) # FFP_DATE LAST_FLIGHT_DATE FLIGHT_COUNT # 0 2006/11/2 2014/1/31 210 # 1 2008/5/3 2014/1/19 140特征工程这块得下猛料。L代表客户资历入会时长R是最近消费间隔F是飞行次数M是总里程C是平均折扣# 计算L特征 raw_data[LOAD_TIME] pd.to_datetime(2014-2-1) # 假设分析时点 raw_data[L] (raw_data[LOAD_TIME] - pd.to_datetime(raw_data[FFP_DATE])).dt.days//30 # 计算R特征 raw_data[R] (pd.to_datetime(2014-2-1) - pd.to_datetime(raw_data[LAST_FLIGHT_DATE])).dt.days # 聚合计算FMC fmc raw_data.groupby(MEMBER_NO).agg( F(FLIGHT_COUNT,sum), M(SEG_KM_SUM,sum), C(avg_discount,mean) ) lrfmc_data pd.concat([raw_data[[L,R]], fmc], axis1)标准化处理别偷懒KMeans对量纲敏感得像新买的球鞋from sklearn.preprocessing import StandardScaler scaler StandardScaler() scaled_data scaler.fit_transform(lrfmc_data) # 看眼处理后的数据分布 pd.DataFrame(scaled_data).hist(figsize(10,6))确定聚类数这事好比试吃汤圆得一个个尝。手肘法搭配轮廓系数双保险from sklearn.cluster import KMeans import matplotlib.pyplot as plt sse [] sil_score [] for k in range(2,9): kmeans KMeans(n_clustersk, random_state666) kmeans.fit(scaled_data) sse.append(kmeans.inertia_) plt.plot(range(2,9), sse, bo-) plt.xlabel(K值) plt.ylabel(SSE)当曲线在K5出现明显拐点这数就成了。上主菜开始聚类final_kmeans KMeans(n_clusters5, random_state666) clusters final_kmeans.fit_predict(scaled_data) # 把分群结果绑回原数据 lrfmc_data[CLUSTER] clusters画个雷达图看得更明白各群特征门儿清import numpy as np cluster_means lrfmc_data.groupby(CLUSTER).mean() labels [L,R,F,M,C] fig plt.figure(figsize(10,6)) for i in range(5): ax fig.add_subplot(2,3,i1, polarTrue) stats cluster_means.loc[i,labels].values angles np.linspace(0, 2*np.pi, len(labels), endpointFalse) stats np.concatenate((stats,[stats[0]])) angles np.concatenate((angles,[angles[0]])) ax.plot(angles, stats, o-) ax.fill(angles, stats, alpha0.25)这么一折腾五类客户现原形高价值老司机L长R短FMC全高潜力萌新L短但消费活跃濒临流失客户R值爆表价格敏感型C值低但F高佛系乘客各项指标平平实战中发现那些飞行次数多但折扣系数高的客户虽然总消费金额不一定最高但他们的舱位选择习惯给航空公司带来的利润更持久。反倒是有些长途经济舱客户看似贡献流水多实际边际利润可能还赶不上短途商务客。调参有个坑得提醒当数据存在明显偏态时别直接用StandardScaler试试RobustScaler或者做对数变换。上次我忘记处理R特征的右偏分布结果聚类效果就跟没对焦的照片似的——全是糊的。