摘要：隨著社會(huì)的發(fā)展，互聯(lián)網(wǎng)技術(shù)融入各個(gè)行業(yè)，目前很多公司和企業(yè)的營(yíng)銷重點(diǎn)不僅是保證產(chǎn)品質(zhì)量，還更加注重以客戶為中心，以滿足客戶的需求，將客戶作為公司實(shí)現(xiàn)利潤(rùn)增長(zhǎng)的重要目標(biāo)。文章主要根據(jù)客戶細(xì)分的方法，利用K-Mcans聚類、DBSCAN聚類、Mcan-Shift聚類分別對(duì)客戶進(jìn)行細(xì)分。

關(guān)鍵詞：航空公司；客戶價(jià)值分析；K-Mcans聚類

中圖法分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A

首先，Ｋ?Ｍｅａｎｓ 聚類將航空公司客戶分為５ 類，達(dá)到了細(xì)分的效果，并且更好地保留了航空公司的客戶，增加了客戶的滿意度，在采取方案時(shí)更有針對(duì)性，有利于航空公司的未來發(fā)展。其次，ＤＢＳＣＡＮ 聚類將航空公司客戶分為２ 類，即重要客戶和不重要客戶，沒有盡可能地保留客戶，對(duì)能夠發(fā)展成重要客戶的沒有進(jìn)行細(xì)分，未達(dá)到細(xì)分的效果，所以此方法不是最適合的。最后，Ｍｅａｎ?Ｓｈｉｆｔ 聚類將航空公司客戶分為９類，達(dá)到了細(xì)分的效果，但是在采取對(duì)應(yīng)策略時(shí)會(huì)出現(xiàn)重復(fù)，所以也不是最好的方法。綜上，Ｋ?Ｍｅａｎｓ 聚類能夠高效地細(xì)分航空公司客戶，對(duì)客戶進(jìn)行分類之后，能夠更有針對(duì)性地采取服務(wù)，為航空公司提高客戶滿意度，從而吸引更多的客戶，最終給航空公司帶來較大的利益。

１ 數(shù)據(jù)與方法

１．１ 數(shù)據(jù)預(yù)處理

航空公司客戶信息數(shù)據(jù)包括航空公司客戶的姓名、性別、年齡、會(huì)員卡號(hào)、入會(huì)時(shí)間、第一次飛行時(shí)間、會(huì)員卡級(jí)別、工作地城市、工作地所在省份、工作地所在國(guó)家等，以及客戶的飛行里程數(shù)、航班數(shù)、購(gòu)買機(jī)票金額等，共計(jì)６１ ３４０ 條。由于數(shù)據(jù)殘缺不全，因此不能直接進(jìn)行數(shù)據(jù)挖掘，數(shù)據(jù)預(yù)處理技術(shù)則是提高數(shù)據(jù)質(zhì)量的重要手段。

所謂數(shù)據(jù)清洗，是指將源數(shù)據(jù)中的“臟”數(shù)據(jù)清洗掉，即清洗掉每一列數(shù)據(jù)中的缺失值或異常值，為之后數(shù)據(jù)的讀取作鋪墊。觀察數(shù)據(jù)可以發(fā)現(xiàn)，原始數(shù)據(jù)中有以下幾類數(shù)據(jù)：票價(jià)為空值、票價(jià)為０、年齡大于１００、平均折扣率為０、總里程數(shù)為０。由于航空客戶數(shù)據(jù)量大且原始數(shù)據(jù)占比小，因此將其丟棄，達(dá)到數(shù)據(jù)清洗的目的。另外，數(shù)據(jù)變換的方式為屬性構(gòu)造和數(shù)據(jù)標(biāo)準(zhǔn)化。

通過觀察數(shù)據(jù)可知，航空公司數(shù)據(jù)的每一列數(shù)值差距過大，為１～１ ０００，會(huì)導(dǎo)致偏移，因此通過數(shù)據(jù)標(biāo)準(zhǔn)化將數(shù)據(jù)放縮到［０，１］區(qū)間；屬性構(gòu)造就是將原有的屬性和新添加的屬性合并，源數(shù)據(jù)中屬性較多，所以選擇與ＬＦＲＭＣ 指標(biāo)相關(guān)的５ 個(gè)屬性，由于原始資料無法直接反映５ 個(gè)ＬＦＲＭＣ 指標(biāo)，因此要從原始資料中抽?。?個(gè)指標(biāo)。其中，Ｌ＝ＬＯＡＤ＿ＴＩＭＥ?ＦＦＰ＿ＤＡＴＥ（客戶注冊(cè)時(shí)間）；Ｒ＝ＬＡＳＴ＿ＴＯ＿ＥＮＤ（上一個(gè)航班時(shí)刻）；Ｆ＝ＦＩＧＨＴ＿ＣＯＵＮＴ（總的航班數(shù)）；Ｗ＝ＷＥＩＧＨＴＥＤ＿ＳＥＧ＿ＫＭ（總里程數(shù)）；Ｍ＝ＳＵＭ＿ＹＲ＿１＋ＳＵＭ＿ＹＲ＿２（購(gòu)買機(jī)票總金額），最后達(dá)到數(shù)據(jù)變換的目的。

１．２ 聚類模型原理

聚類分析是指將數(shù)據(jù)按特定的特性進(jìn)行歸類，即將數(shù)據(jù)接近的分為一組［１］ 。由于不同的人群有差異，因此，聚類分析無法用于預(yù)測(cè)，僅限于對(duì)知識(shí)的挖掘。

本節(jié)對(duì)Ｋ?Ｍｅａｎｓ 聚類的基本原理進(jìn)行了描述，同時(shí)對(duì)ＤＢＳＣＡＮ 聚類、Ｍｅａｎ?Ｓｈｉｆｔ 聚類的基本原理進(jìn)行了闡述，為后期對(duì)客戶價(jià)值進(jìn)行分析作鋪墊。

１．２．１ Ｋ?Ｍｅａｎｓ 聚類原理

對(duì)事物進(jìn)行歸類、歸納和揭示客觀規(guī)律是人們認(rèn)識(shí)與改造世界的常用方法。聚類分析將各種屬性進(jìn)行區(qū)分，從而使聚類分析能夠較好地處理不能識(shí)別的對(duì)象。聚類算法的種類繁多，其中最常用的是Ｋ?Ｍｅａｎｓ 算法。Ｋ?Ｍｅａｎｓ 算法是一種高效的、能夠有效地處理海量數(shù)據(jù)的方法。實(shí)際上，Ｋ?Ｍｅａｎｓ 算法常常被用來對(duì)企業(yè)的客戶進(jìn)行價(jià)值分析。

Ｋ?Ｍｅａｎｓ 算法的具體實(shí)現(xiàn)步驟如下：首先任選Ｋ個(gè)樣本點(diǎn)作為初始數(shù)組中心；其次重復(fù)迭代；再次根據(jù)樣本點(diǎn)的平均值，重新賦予每個(gè)樣本點(diǎn)最近的值；最后更新計(jì)算平均值，直到聚類中心不再發(fā)生改變，停止迭代。

１．２．２ ＤＢＳＣＡＮ 聚類原理

ＤＢＳＣＡＮ 密度聚類是將具有足夠密度的區(qū)域劃分成簇，并且能夠發(fā)現(xiàn)任意形狀的簇。比如，在眾多點(diǎn)中隨機(jī)選中１ 個(gè)點(diǎn)，將該點(diǎn)看作中心點(diǎn)，并以規(guī)定的半徑畫１ 個(gè)圓，圓內(nèi)最少包含的樣本點(diǎn)叫做閾值。

若在指定半徑內(nèi)有足夠多的樣本點(diǎn)，則圓的圓心轉(zhuǎn)移到內(nèi)部樣本點(diǎn)。待圓發(fā)現(xiàn)所圈樣本點(diǎn)數(shù)量少于預(yù)先指定的值時(shí)，則停止。Ｋ?Ｍｅａｎｓ 聚類算法只能處理球形的簇，即一個(gè)聚成實(shí)心的團(tuán)，具有一定的局限性。

但在現(xiàn)實(shí)中還會(huì)出現(xiàn)各種各樣的情況，此時(shí)就會(huì)用到ＤＢＳＣＡＮ 密度聚類。

１．２．３ Ｍｅａｎ?Ｓｈｉｆｔ 聚類原理

Ｍｅａｎ?Ｓｈｉｆｔ 聚類是由均值和偏移組成的［２］ ，即有一個(gè)點(diǎn)Ｘ，周圍有很多點(diǎn)Ｘｉ ，計(jì)算點(diǎn)Ｘ 移動(dòng)到每個(gè)點(diǎn)所需要的偏移量之和，得到平均偏移量。該偏移量包含大小和方向，方向是周圍分布密集的方向。然后點(diǎn)Ｘ 往平均偏移量方向移動(dòng)，再以此為新起點(diǎn)，不斷迭代，直到密度最大處，停止迭代。

２ 基于聚類方法的航空公司客戶分類

２．１ 客戶聚類

２．１．１ Ｋ?Ｍｅａｎｓ 聚類

使用Ｋ?Ｍｅａｎｓ 聚類算法對(duì)客戶數(shù)據(jù)進(jìn)行客戶分群并將航空公司客戶聚為５ 類。如圖１ 所示，客戶群１ 在所有特征上的值都很小，且在Ｌ 處的值最小，說明客戶群１ 是新入會(huì)員較多；客戶群２ 在Ｃ 處的值最大，在Ｆ，Ｍ 處的特征值較小，說明客戶群２ 是偏好乘坐高級(jí)艙位的客戶群；客戶群３ 在Ｆ，Ｍ 上的值最大，且在特征Ｒ 上的值最小，說明客戶群３ 頻繁乘機(jī)且近期都有乘機(jī)記錄；客戶群４ 在Ｌ 處特征最大，在Ｒ 處特征較小，其他特征適中，說明客戶群４ 的入會(huì)時(shí)間較長(zhǎng)，飛行頻率也較高，是較有高價(jià)值的客戶群；客戶群５ 在Ｒ 處的值最大，且在Ｌ，Ｍ，Ｆ，Ｃ 處的值都相對(duì)較小，說明客戶群５ 已經(jīng)很久沒乘機(jī)。

２．１．２ ＤＢＳＣＡＮ 聚類

使用ＤＢＳＣＡＮ 聚類對(duì)客戶數(shù)據(jù)進(jìn)行分群，結(jié)合清洗后的數(shù)據(jù)以及ＤＢＳＣＡＮ 聚類，能夠?qū)⒖蛻舴譃椋差悾郏常?。０ 標(biāo)簽定義為重要客戶，－１ 標(biāo)簽定義為不重要客戶。

聚類對(duì)應(yīng)標(biāo)簽為［－１－１－１…－１－１－１］；０ 標(biāo)簽的個(gè)數(shù)是４８ ９１１；－１ 標(biāo)簽的個(gè)數(shù)是１３ １３２。

與Ｋ?Ｍｅａｎｓ 方法相比，ＤＢＳＣＡＮ 不需要事先知道要形成的簇類的數(shù)量。并且，與Ｋ?Ｍｅａｎｓ 方法相比，ＤＢＳＣＡＮ 可以發(fā)現(xiàn)任意形狀的簇類。但其弊端是如果已知類別數(shù)，Ｋ?Ｍｅａｎｓ 更直接，而ＤＢＳＣＡＮ 是基于密度的聚類，無法找出中心點(diǎn)。

２．１．３ Ｍｅａｎ?Ｓｈｉｆｔ 聚類

使用Ｍｅａｎ?Ｓｈｉｆｔ 聚類對(duì)客戶數(shù)據(jù)進(jìn)行分群，結(jié)合清洗后的數(shù)據(jù)，將客戶分為９ 類，分別是重點(diǎn)保持客戶、開發(fā)重點(diǎn)客戶、重點(diǎn)發(fā)展客戶、現(xiàn)有重點(diǎn)客戶、重點(diǎn)挽留客戶、不重點(diǎn)挽留客戶、普通客戶、特殊客戶、低成本客戶。Ｍｅａｎ?Ｓｈｉｆｔ 算法是基于核密度估計(jì)的爬山算法，同樣不需要指定聚類個(gè)數(shù)，但計(jì)算速度較慢。

２．２ 客戶價(jià)值分析

經(jīng)綜合考量，Ｋ?Ｍｅａｎｓ 聚類將航空公司客戶分為５ 大類更為合適。因此，本文定義了５ 個(gè)層次的客戶類別，即重點(diǎn)保持對(duì)象、重點(diǎn)發(fā)展對(duì)象、重點(diǎn)挽留對(duì)象、普通對(duì)象和低成本對(duì)象。

（１）重點(diǎn)保持對(duì)象，該客戶群的平均折扣系數(shù)（Ｃ）較高（通常是較高的航班艙位），最近一架飛機(jī)（Ｒ）出發(fā)的時(shí)間更短，（Ｆ）和（Ｍ）的飛行次數(shù)更多，這就是航空公司的寶貴客戶，而且是最適合的客戶。他們?yōu)楹娇展咀龀隽俗畲蟮呢暙I(xiàn)，但是他們的份額卻很少。為了提升客戶的忠誠(chéng)度和滿意度，使其消費(fèi)水平最大化，航空公司應(yīng)該給予他們更多的關(guān)注。

（２）重點(diǎn)發(fā)展對(duì)象，他們具有較高的平均減少系數(shù)（Ｃ），較短的間隔時(shí)間（Ｒ），但是較少的航班（Ｆ）或總的飛行英里，這些客戶的會(huì)員時(shí)間（Ｌ）有限，是航空公司的潛在客戶。

（３）重點(diǎn)挽留對(duì)象，留住這些具有較高的平均折扣率（Ｃ）、航班數(shù)（Ｆ）、總里程數(shù)（Ｍ）的客戶，他們?cè)畛诉^但長(zhǎng)時(shí)間未預(yù)訂過的航班時(shí)間（Ｒ）長(zhǎng)。這些客戶的價(jià)值有很大的不確定性，因?yàn)椴煌脑驅(qū)е虏煌蛻敉顺觯砸皶r(shí)地了解客戶的發(fā)展情況，并與他們保持聯(lián)絡(luò)是非常關(guān)鍵的。航空公司要根據(jù)客戶近期的消費(fèi)次數(shù)和使用次數(shù)，收集客戶的消費(fèi)變動(dòng)情況，制定客戶清單，加強(qiáng)與客戶的聯(lián)絡(luò)，采取一定的市場(chǎng)推廣措施，以延長(zhǎng)客戶乘坐航班的時(shí)間。

（４）普通對(duì)象和低成本對(duì)象，這些客戶的航班平均折扣系數(shù)（Ｃ）非常低，他們從未乘坐過航班（Ｒ）的概率較高，航班數(shù)（Ｆ）或總公里數(shù)（Ｍ）少，黏附時(shí)間（Ｌ）短。他們是航空公司的普通客戶和低成本客戶，不需要特別制定服務(wù)，按照航空公司日常標(biāo)準(zhǔn)提供服務(wù)即可。

３ 結(jié)束語

在對(duì)航空公司客戶價(jià)值進(jìn)行分析的過程中，客戶注冊(cè)時(shí)間、上一個(gè)航班時(shí)刻、總的航班數(shù)、總里程數(shù)、購(gòu)買機(jī)票總金額都是重要的指標(biāo)。本文通過Ｋ?Ｍｅａｎｓ聚類、ＤＢＳＣＡＮ 聚類、Ｍｅａｎ?Ｓｈｉｆｔ 聚類將航空公司的客戶群體劃分成不同類型。通過對(duì)比發(fā)現(xiàn)，將航空公司客戶分為５ 類效果更好，其中３ 類重點(diǎn)對(duì)象對(duì)航空公司的發(fā)展具有重要價(jià)值，所以可以進(jìn)行會(huì)員升級(jí)和里程兌換服務(wù)，這不僅增加了趣味性還有效地保留了客戶，同時(shí)提高了客戶滿意度，從而給航空公司帶來更大的收益。

聚類分析的應(yīng)用較為廣泛，但仍存在不足，如并不是每一個(gè)案例都適用，需要具體問題具體分析。另外，此次研究使用的指標(biāo)不足，只考慮了客戶注冊(cè)時(shí)間、上一個(gè)航班時(shí)刻、總的航班數(shù)、總里程數(shù)、購(gòu)買機(jī)票總金額，但是艙位等級(jí)等因素也有可能影響航空公司客戶的價(jià)值。

參考文獻(xiàn)：

［１］ 陳方芳，傅仰耿．基于聚類算法識(shí)別大型百貨商場(chǎng)客戶價(jià)值的ＲＦＭ 模型［Ｊ］．景德鎮(zhèn)學(xué)院學(xué)報(bào)，２０２１，３６（３）：６８?７２．

［２］ 劉淑英，鄒燕飛，李紅．基于Ｋ?Ｍｅａｎｓ 算法的航空公司客戶價(jià)值分析［Ｊ］．?dāng)?shù)字技術(shù)與應(yīng)用，２０２１，３９（１１）：１０?１２．

［３］ 張?zhí)祆?，包丹文，狄智瑋，等．基于Ｋ?ｍｅａｎｓ 的航空旅客空間行為模式研究［Ｊ］．華東交通大學(xué)學(xué)報(bào)，２０１９，３６（５）：５９?６６．

作者簡(jiǎn)介：許超（１９９４—），碩士，助教，研究方向：人工智能技術(shù)。