精华内容
下载资源
问答
  • 20个自助服务终端提供的服务进行回顾性数据分析的结果使16,871名客户受益; 其中11,252(66.7%),1339(7.9%),848(5%),2911(17.2%),(1.4%),273(1.6%)受益于结核病信息,Flexi-DOT,痰液收集-...
  • PAGE 11 网络游戏客户细分可视化分析 实训目标 通过本项目的实训操作使学生掌握快速地从其海量数据中挖掘有价值的信息的方法并将其可视化 实训内容 通过某游戏运营数据客户偏好进行细分分析 实训实施 1制作客户...
  • 你可以跟踪那些打开过产品信息邮件,或者是压根没打开过的客户信息;也能够跟踪那些已经为订单交过费,或者是还没有付费用户;或者是那些阅读过邮件但是还没有购买,他们都值得你好好去研究一下。 还有另外一种...

    在邮件营销中进行用户细分是一个很重要的工作,进行邮件细分可以更好的使相关类的客户得到更好的价值开发,也能减少自己的营销成本。那么如何对用户进行细分呢?接下来就告诉您方法。

    你可以跟踪那些打开过产品信息邮件的,或者是压根没打开过的客户信息;也能够跟踪那些已经为订单交过费,或者是还没有付费的用户;或者是那些阅读过邮件但是还没有购买的,他们都值得你好好去研究一下。

    还有另外一种“前端”分析的市场细分方法,即在用户注册完登录之后,适当地问一些问题。一般而言,只要不难回答的选择题,用户一般都乐意回答至少四个问题,包括给出他们的手机号码或者是邮箱地址。

    这时候你可以根据用户的意图来进行细分,如为什么用户想要你的产品信息或企业新闻?或者他她用你的信息来做什么?甚至你可以再进一步进行手机电话营销或 者短信营销。多种多样的工具使得为客户提供个性化的邮件成为可能,同时,顾客也更乐意接受这样的信息。

    现如今已经不再有放之四海而皆准的营销方式了,你需要对你想投递信息的用户进行细分。目前已经有一些比较精密的市场细分技术或者软件(有不少邮箱提供商准许邮件中带有相关分析代码),或许可以值得尝试,但是最为重要的,还是要创新。

    网络书店亚马逊就通过顾客的购物历史记录向那些愿意接受建议的顾客发送电子邮件并提出建议,从而赢得了许多忠诚的客户。

    以上介绍的几点关于用户细分的概念,希望大家都能够掌握。

    转载于:https://www.cnblogs.com/EDM-DATA/archive/2012/09/09/2677796.html

    展开全文
  • 客户管理系统中,我们将客户分为潜在客户和正式客户,潜在客户页面中应该设置一个’客户升级‘按钮,功能效果为选中一个客户后,我们可以这位客户进行升级,将他升级为正式客户。  我们可以分析执行这一步操作,...

            客户管理系统中,我们将客户分为潜在客户和正式客户,潜在客户页面中应该设置一个’客户升级‘按钮,功能效果为选中一个客户后,我们可以对这位客户进行升级,将他升级为正式客户。

            我们可以分析执行这一步操作,需要哪几个步骤:

    一:将潜在客户升级,必须先拿到这个客户的所有信息,确认选中这一行,然后将这些信息传到正式客户表中。

    二:潜在客户的所有信息传入到正式客户表之后,他就不再是潜在客户了,需要将他的信息在潜在客户表中删除。

            分析出这两个步骤之后,我们就可以使用代码来实现:

    潜在客户升级js代码:

    点击客户升级按钮前先进行判断,是否选中一位客户

    //潜在客户升级、
    potentialCustomerUpgrade : function(){
    				
        var row = potentialcustomerDatagrid.datagrid("getSelected");
    	//判断是否选中
    	if(!row){
                $.messager.alert('温馨提示','请选择一位客户进行升级!','info');
    		return;
    	}
    	//打开模态框
    	customerUpDialog.dialog("open").dialog("setTitle","潜在客户升级").dialog("center");
    	//回显form表单
    	customerUpDialogForm.form("load",row);
    }

    选中后打开模态框,并回显客户信息

    模态框编辑完成后点击确定的js代码:

                            //客户升级模态框 确定
    			customerUpSave : function(){
    				//调用easyui的form组件的submit方法
    				customerUpDialogForm.form('submit', {    
    				    url:'customer/ups',    
    				    onSubmit: function(){    
    				        return customerUpDialogForm.form("validate");
    				    },    
    				    success:function(data){    
    				       	var result = $.parseJSON(data);
    				       	if(result.success){
    				    		//成功
    							$.messager.alert('温馨提示','升级成功!','info');
    				    		//关闭模态框
    							customerUpDialog.dialog("close");
    				    		//刷新datagrid
    							potentialcustomerDatagrid.datagrid("reload");
    				    	}else{
    				    		$.messager.alert('温馨提示',result.code+"-"+result.message,'error');
    				    	}
    				    }    
    				});
    
    			}

    前端js代码写完之后,我们需要在后台来完成这一步操作,提交的时候,我们访问的后台路径为 url:'customer/ups'

    我们在后台找到这个路径,写一个方法就可以了

    后台代码:

    	@RequestMapping("/ups")
    	@ResponseBody
    	public AjaxResult up(Customer cus){
    		AjaxResult ar = null;
    		System.out.println(cus);
    		try {
    			if(!cus.equals(null)){
    				
    			customerService.ups(cus);
    				
    			}
    			ar = new AjaxResult("保存成功!");
    		} catch (Exception e) {
    			e.printStackTrace();
    			ar = new AjaxResult("保存失败!"+e.getMessage(), -1002);
    		}
    		return ar;
    	}

    由于这项操作需要同时完成,因此我们需要把这两个操作放到一个事务中,避免出现 潜在客户信息被删除而正式客户没有添加成功,或者正式客户添加成功,但是潜在客户没有将这条信息删除的情况。上面这两种情况是一定要规避的,不然就是一个bug。

    所以我们不能直接在controller中写这两项操作,而是在实现类中重写这个方法,然后来调用这个方法。

    实现类的代码实现:

    @Override
    	@Transactional
    	public void ups(Customer cus) {
    		//删除潜在客户
    		potentialCustomerMapper.deleteByPrimaryKey(cus.getId());
    		//添加正式客户
    		//设置录入人
    		cus.setInputuser(UserContext.getUser());
    		customerMapper.insert(cus);
    	}

    前面一定要加上@Transactional注解,然后可以设置一个录入人,使信息更加完善,确定是当前登陆的员工执行的这一操作

    做完以上几步操作,我们的客户升级功能就实现了。

     

    展开全文
  • 航空公司客户流失分析

    千次阅读 2019-07-27 09:47:01
    背景与分析方法 本文是接着航空公司客户价值分析,这是拓展思考部分,这里简单将它做了一下。...客户流失分析针对老客户进行分析预测,这里老客户定义为飞行次数大于6次客户。用航空公司客户信息数据来进行...

    背景与分析方法

    本文是接着航空公司客户价值分析,这是拓展思考的部分,这里简单的将它做了一下。在客户管理中,客户流失也是一个十分重要的问题。客户流失对利润增长造成的负面影响非常大,客户与航空公司之间的关系越长久,给航空公司带来的利润就回越高。所以流失一个客户,比获得一个新客户对公司的损失更大。
    客户流失分析针对老客户进行分析预测,这里的老客户定义为飞行次数大于6次的客户。用航空公司客户信息数据来进行分类模型训练,预测未来客户的类别归属:未流失、准流失或已流失。

    特征选择

    这里直接采用之前清洗好的数据集来进行特征选择,这里选择的关键属性有:会员卡级别、客户类型、平均乘机时间间隔、平均折扣率、积分兑换次数、非乘机积分总和、单位里程票价以及单位里程积分等。其中客户类型需要进行筛选定义,单位里程票价和单位里程积分需要进行计算。
    选择代码如下:

    import pandas as pd
    #读数据
    input_file = '../data/cleaned.xls'
    output_file = '../tmp/selected.xls'
    data = pd.read_excel(input_file)
    #选取特征
    data['单位里程票价'] = (data['SUM_YR_1'] + data['SUM_YR_2'])/data['SEG_KM_SUM']
    data['单位里程积分'] = (data['P1Y_BP_SUM'] + data['L1Y_BP_SUM'])/data['SEG_KM_SUM']
    data['飞行次数比例'] = data['L1Y_Flight_Count'] / data['P1Y_Flight_Count'] #第二年飞行次数与第一年飞行次数的比例
    #筛选出老客户(飞行次数大于6次的为老客户)
    data = data[data['FLIGHT_COUNT'] > 6]
    #选择特征
    data = data[['FFP_TIER','飞行次数比例','AVG_INTERVAL',
                 'avg_discount','EXCHANGE_COUNT','Eli_Add_Point_Sum','单位里程票价','单位里程积分']]
    #导出
    data.to_excel(output_file,index=None)
    

    然后进行客户类别的定义添加,代码如下:

    import pandas as pd
    input_file = '../tmp/selected.xls'
    output_file = '../tmp/classfication.xls'
    data = pd.read_excel(input_file)
    data['客户类型'] = None
    for i in range(len(data)):
        #第一、二年飞行次数比例小于50%的客户定义为已流失
        if data['飞行次数比例'][i] < 0.5:
            data['客户类型'][i] = 0 #0代表已流失
        #第一、二年飞行次数比例在[0.5,0.9)之间的客户定义为准流失
        if (data['飞行次数比例'][i] >= 0.5) & (data['飞行次数比例'][i] < 0.9) :
            data['客户类型'][i] = 1 #1代表准流失
        #第一、二年飞行次数比例大于等于90%的客户定义为未流失
        if data['飞行次数比例'][i] >= 0.9:
            data['客户类型'][i] = 2 #2代表未流失
    #导出
    data.to_excel(output_file,index=None)
    

    到这里基本上将可以用来训练的数据集准备好了,但是还需要一定的处理。

    标准化处理

    查看之前选择完的数据集,如下图所示,发现其跨度还是比较大,需要进行标准化处理。
    在这里插入图片描述
    处理的代码如下:

    import pandas as pd
    #读数
    input_file = '../tmp/classfication.xls'
    output_file = '../tmp/std.xls'
    data = pd.read_excel(input_file)
    #去掉飞行次数比例
    data = data[['FFP_TIER','AVG_INTERVAL','avg_discount','EXCHANGE_COUNT',
                 'Eli_Add_Point_Sum','单位里程票价','单位里程积分','客户类型']]
    #标准化
    data.loc[:,:'单位里程积分'] = (data.loc[:,:'单位里程积分'] - data.loc[:,:'单位里程积分'].mean(axis = 0)) \
           / (data.loc[:,:'单位里程积分'].std(axis = 0))
    #导出
    data.to_excel(output_file,index=None)
    

    到这里就把能用来进行模型训练的数据集准备好了,下面就需要进行模型的选择以及模型参数的选择了。

    模型选择

    在本文中主要对两个算法进行了测试,分别是决策树以及SVM算法。采用了交叉验证的方法,来测试哪个模型表现得好,主要代码如下所示:

    import pandas as pd
    from sklearn.model_selection import cross_val_score
    from sklearn.tree import DecisionTreeClassifier
    from sklearn.svm import SVC
    input_file = '../tmp/std.xls'
    data = pd.read_excel(input_file)
    #划分X,y
    X = data.loc[:,:'单位里程积分'].values
    y = data.loc[:,'客户类型'].values
    #模型选择使用交叉验证法来评估模型
    model1 = DecisionTreeClassifier()
    model2 = SVC(kernel='rbf')
    score1 = cross_val_score(model1,X,y,cv=5)
    score2 = cross_val_score(model2,X,y,cv=5)
    print('决策树模型得分:{:.2f}'.format(score1.mean()))
    print('SVM模型得分:{:.2f}'.format(score2.mean()))
    
    

    结果如下图所示:
    在这里插入图片描述
    可以看到在还没有对SVM进行参数选择优化的时候,SVM得分已经远远超过了决策树,所以在本次流失分析中,初步选择SVM模型进行此次的分类模型训练。

    模型参数选择

    在这里使用网格搜索法来选取SVM的最优参数,即确定C、gamma的值,代码如下:

    import pandas as pd
    from sklearn.model_selection import train_test_split
    from sklearn.model_selection import GridSearchCV
    from sklearn.svm import SVC
    import joblib
    #读取数据
    input_file = '../tmp/std.xls'
    output_file = '../tmp/loss.pkl'
    data = pd.read_excel(input_file)
    #划分训练集、测试集
    X = data.loc[:,:'单位里程积分'].values
    y = data.loc[:,'客户类型'].values
    X_train,X_test,y_train,y_test =  train_test_split(X,y,train_size = 0.8)
    #采用网格搜索法来寻找SVC的最优参数
    svc = SVC(kernel='rbf')
    params = {'gamma':[0.1,1.0,10.0],
              'C':[1.0,10.0,100.0]}
    grid_search = GridSearchCV(svc,params,cv=5)
    grid_search.fit(X_train,y_train)
    print('模型最高分 {:.2f}'.format(grid_search.score(X_test,y_test)))
    print('最优参数为: {}'.format(grid_search.best_params_))
    
    

    执行结果如下:
    在这里插入图片描述
    可以看到模型得分并不是很高,最佳参数也出来了,暂且就这样用用吧,接下来用最佳参数来训练模型并保存。

    svc = SVC(kernel='rbf',C=1.0,gamma=1.0)
    svc.fit(X_train,y_train)
    joblib.dump(svc,output_file)
    

    这样就将模型保存好了,后面再用模型来进行预测。

    模型预测

    这里就只用测试集的一组数据进行测试了,看是否预测分类正确,代码如下:

    import joblib
    from model import X_test,y_test
    #导入模型
    model = joblib.load('../tmp/loss.pkl')
    #预测分类
    y_predict = model.predict([X_test[0]])
    print(y_predict)
    print(y_test[0])
    

    运行结果如下所示:
    在这里插入图片描述
    如上图所示,这一组预测是正确的,预测的结果是2代表未流失,实际结果也是未流失,说明预测正确,虽然这次的模型得分不高但主要是用来练一下手,有兴趣的可以下来看采用什么办法来提高模型得分。

    展开全文
  • 摘要:提出了一种利用聚类和分类等数据挖掘技术预测客户价值方法·通过对客户历 史交易数据的分析,获得能够综合反映老客户忠诚度和价值度指标·基于该指标对老客户进行 聚类,将老客户划分为若干个不同价值...
  • 需求分析方法

    2019-03-24 22:23:04
    背景描述:XX保险公司希望充分利用日益完善移动通信技术,在原有办公系统基础上进行扩展,使得在外业务人员能够及时地获得客户、业务相关动态信息,与此同时,实现企业内部即时通信。 业务需求/目标 :...
  • 航空公司客户价值分析

    千次阅读 2019-04-08 11:44:50
    信息化,大数据快速发展今天。航空公司作为一个庞大数据载体,无时不刻在产生数据,如何通过既有数据转化为客户...2 通过得到客户分类,对客户价值进行比较分析 方法论 根据客户价值RFM方法,选择以下...

    在信息化,大数据快速发展的今天。航空公司作为一个庞大的数据载体,无时不刻的在产生数据,如何通过既有数据转化为客户价值,进行精准营销,成为很多航空公司的统一难题,实现数据变现,说难也难,说易也易。关键在于找到方法与目标。

    所以我们的目标是什么:

    1通过数据将用户分类,因为这些数据没有类标签,相当于是无监督训练
    2 通过得到的客户分类,对客户价值进行比较分析

    方法论

    根据客户价值的RFM方法,选择以下几项作为分析字段。

    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客对航空公司的价值是不同的。例如,一位购买长航线、低等级舱位票的旅客与一位购买短航线、高等级舱位票的旅客相比,后者对于航空公司价值更高。因此,这个指标并不适用于航空公司的客户价值分析。这里选择客户在一定时间内累计的飞行里程M和客户在一定时间内乘坐舱位多对应的折扣系数的平均值C两个指标代表消费金额。此外,考虑航空公司会员入会时间长短在一定程度上影响客户价值,所以在模型中增加客户关系长度L,作为区分客户的另一指标。

    本案例中将客户关系长度L、消费时间间隔R、消费频率F、飞行里程M和折扣系数C的平均值五个指标作为识别客户价值指标。

    L=LOAD_TIME-FFP_DATE=MENBER_TIME 会员入会时间距观测窗口结束的月数=观测窗口的结束时间-入会时间[单位:月]
    R=LAST_TO_END 客户最近一次乘坐公司飞机距观测窗口结束的月数=最后一次乘机时间至观察窗口末端
    F=FLIGHT_COUNT 客户在观测窗口内乘坐公司飞机的次数=观测窗口的飞行次数[单位:次]
    M=SEG_KM_SUM 客户在观测时间内在公司累计的飞行里程=观测窗口的总飞行公里数[单位:公里]
    C=AVG_DISCOUNT 客户在观测时间内乘坐舱位所对应的折扣系数的平均值=平均折扣率[单位:无]

    #原始数据

    原始数据有很多列,主要分为三大类:客户基本信息,乘机信息还有积分信息
    客户基本信息:一飞(第一次飞行时间),性别,卡级(会员卡级别),城市,国家,省份,年龄
    乘机信息:飞数(飞行次数),采集终点时间,末飞(最后一次飞行时间),打折(平均折扣率),收入(票价收入),公里数(总飞行公里数)
    末飞日期(最后一次飞行日期),平均间隔(平均乘机间隔),最大间隔(最大乘机间隔)
    积分信息:兑换(积分兑换次数),总积分

    实现步骤

    1导入模块库

    import pandas as pd
    from datetime import datetime
    from sklearn.cluster import KMeans
    from sklearn.preprocessing import StandardScaler
    import matplotlib.pyplot as plt
    

    2导入数据

    df = pd.read_csv('./air_data.csv', \
                     encoding='utf-8')
    #生成copy
    df_a=df.copy(deep=True)
    

    3探索数据

    explore = df_a.describe(percentiles=[], include='all').T
    # describe()函数自动计算非空值数,需要手动计算空值数
    explore['null'] = len(df_a) - explore['count']
    
    explore = explore[['null', 'max', 'min']]
    explore.columns = [u'空值数', u'最大值', u'最小值']
    

    4数据清洗

    a=[]
    for i in range(len(df_a)):
        load_time=datetime.strptime(df['LOAD_TIME'][i], '%Y/%m/%d')
        temp=datetime.strptime(df_a['FFP_DATE'][i], '%Y/%m/%d')
        a.append(round((load_time-temp).days/30))
    df_a['MENBER_TIME']=a
    df_a = df_a[df_a['SUM_YR_1'].notnull() & df_a['SUM_YR_2'].notnull()]
    df_a = df_a[df_a['SUM_YR_1'] != 0]
    df_a = df_a[df_a['SUM_YR_2'] != 0]
    df_a = df_a[df_a['SEG_KM_SUM'] != 0]
    df_a = df_a[df_a['avg_discount'] != 0]
    df_a.dropna(subset=['WORK_PROVINCE'], inplace=True)
    df_a.dropna(inplace=True)
    #再一次数据探索,确认没有不合理的值和缺失值
    explore = df_a.describe(percentiles=[], include='all').T
    # describe()函数自动计算非空值数,需要手动计算空值数
    explore['null'] = len(df_a) - explore['count']
    explore = explore[['null', 'max', 'min']]
    explore.columns = [u'空值数', u'最大值', u'最小值']
    #L=LOAD_TIME-FFP_DATE=MENBER_TIME 会员入会时间距观测窗口结束的月数=观测窗口的结束时间-入会时间[单位:月]
    #R=LAST_TO_END 客户最近一次乘坐公司飞机距观测窗口结束的月数=最后一次乘机时间至观察窗口末端
    #F=FLIGHT_COUNT 客户在观测窗口内乘坐公司飞机的次数=观测窗口的飞行次数[单位:次]
    #M=SEG_KM_SUM 客户在观测时间内在公司累计的飞行里程=观测窗口的总飞行公里数[单位:公里]
    #C=AVG_DISCOUNT 客户在观测时间内乘坐舱位所对应的折扣系数的平均值=平均折扣率[单位:无]
    

    5特征选择

    features = ['MENBER_TIME', 'LAST_TO_END', 'FLIGHT_COUNT', 'SEG_KM_SUM', 'avg_discount']
    df_b = df_a[features]
    df_b.rename(columns={'avg_discount':'AVG_DISCOUNT'},inplace=True)
    ss = StandardScaler()
    df_b = ss.fit_transform(df_b)
    

    6模型训练

    kmodel = KMeans(n_clusters=5)
    kmodel.fit(df_b)
    print(kmodel.cluster_centers_)  # 查看聚类中心
    print(kmodel.labels_)  # 查看各样本对应的类别
    

    7可视化

    #计算各类数据量
    cluster_list=list(kmodel.labels_)
    cluster_value=pd.value_counts(cluster_list)
    fig = plt.figure(figsize=[7, 5])
    clu = kmodel.cluster_centers_
    x = [1,2,3,4,5]
    colors = ['red','green','yellow','blue','black']
    for i in range(5):
        plt.plot(x, clu[i],label='cluster'+str(i)+' '+str(cluster_value[i]), color=colors[i], marker='o')
    plt.legend()
    plt.xlabel('L R F M C')
    plt.ylabel('values')
    plt.show()
    

    结果如图所示
    1.png

    数据分析

    在LRFMC五维指标中,我们需要重点评估的是L,F以及M,从图中看出:
    1、cluster0客户群的F,M很高,L也不低,可以看做是重要保持的客户;
    2、cluster1客户群是重要发展客户,乘坐的舱位等级相对较高
    3、cluster2客户群重要挽留客户,原因:入会时间长,但是F,M较低
    4、cluster3是一般客户
    5、cluster4是低价值客户,乘机的概率太低

    策略应对

    1会员的升级与保级
    航空公司的会员可以分为白金卡会员、金卡会员、银卡会员、普通卡会员,其中非普通卡会员可以统称为航空公司的精英会员。虽然各个航空公司都有自己的特点和规定,但会员制的管理方法是大同小异的。成为精英会员一般都是要求在一定时间内(如一年)达到这种要求后就会在有效期内(通常为两年)成为精英会员,并享受相应的高级别服务。有效期快结束时,根据相关评价方法确定客户是否有资格继续作为精英会员,然后对该客户进行相应的升级或降级。
    然而,由于许多客户并没有意识到货根本不了解会员升级或保级的时间与要求(相关的文件说明往往复杂且不易理解),经常在评价期过后才发现自己其实只差一点就可以实现升级或保级,却错过了机会,是之前的里程积累白白损失。同时,这种认知还可能导致客户的不满,干脆放弃在本公司的消费。
    因此,航空公司可以在对会员升级或保级进行评价的时间点之前,对那些接近但尚未达到要求的较高消费者进行适当提醒甚至采取一些促销活动,刺激他们通过消费达到相应的标准。这样既可以获得收益,同时也提高了客户的满意度,增加了公司的精英会员。

    2首次兑换
    航空公司常旅客计划中最能够吸引客户的内容就是客户可以通过消费积累里程来兑换免票或免费升舱等。各个航空公司都有一个首次兑换标准,也就是当客户的里程或航段积累到一定程度时才可以实现第一次兑换,这个标准会高于正常的里程兑换标准。但是很多公司的里程积累随着事件会进行一定的削减,例如有的公司会在年末对该年累计的历程进行折半处理。这样会导致许多不了解情况的会员白白损失自己好不容易积累的里程,甚至总是难以实现首次兑换。同样,这也会引起客户的不满或流失。可以采取的措施是从数据库中提取出接近但尚未达到首次兑换标准的会员,对他们进行提醒或促销,使他们通过消费达到标准。一旦实现了首次兑换,客户在本公司进行再次消费兑换就比其他公司进行兑换要容易许多,在一定程度上等于提高了转移的成本。另外,在一些特殊的时间点(如里程折半的时间点)之前可以给客户一些提醒,这样可以增加客户的满意度。

    3交叉销售
    通过发行联名卡等与非航空类企业的合作,使客户在其他企业的消费过程中获得本公司的积分,增强与公司的联系,提高他们的忠诚度。例如,可以查看重要客户在非航空类合作伙伴处的里程积累情况,找出他们习惯的里程积累方式(是否经常在合作伙伴处消费、更喜欢消费哪些类型合作伙伴的产品),对他们进行相应促销。
    客户识别期和发展期为客户关系打下基石,但是这两个时期带来的客户关系是短暂的、不稳定的。企业要获取长期的利润,必须具有稳定的、高质量的客户。保持客户对于企业是至关重要的,不仅因为争取一个新客户的成本远远高于维持老客户的成本,更重要的是客户流失会造成公司收益的直接损失。因此,在这一时期,航空公司应该努力维持客户关系,使之处于较高的水准,最大化生命周期内公司与客户的互动价值,并使这样的高水平尽可能延长。对于这一阶段的客户,主要应该通过提供优质的服务产品和提高服务水平来提高客户的满意度。通过对于旅客数据库的数据挖掘、进行客户细分,可以获得重要保持客户的名单。这类客户一般所乘航班的平均折扣率(C)较高,最近乘坐过本公司航班(R低)、乘坐的频率(F)或里程(M)也较高。他们是航空公司的价值客户,是最理想的客户类型,对航空公司的贡献最大,所占比率却比较小。航空公司应该优先将资源投放到他们身上,对他们进行差异化管理和一对一营销,提高这类可会的忠诚度与,满意度,尽可能延长这类客户的高水平消费。

    展开全文
  • 引言 本篇文章是根据航空公司提供乘客个人信息,通过建立合理客户价值评估模型,对客户进行分群,比较分析不同客户群特点和价值,来指定相应营销策略,从而减少客户流失,挖掘出潜在客户,实现盈利。...
  • 航空公司客户价值分析——K-Means

    千次阅读 2018-08-19 17:34:39
    借助航空公司客户数据,对客户进行分类 对不同客户类别进行特征分析,比较不同类客户客户价值 对不同价值客户类别提供个性化服务,制定相应营销策略 分析方法与过程 本案例目标是客户价值识别,即通过.....
  • 借助航空公司客户数据,对客户进行分类。 对不同客户类别进行特征分析,比较不同类客户客户价值。 对不同价值客户类别提供个性化服务,制定相应营销策略。 分析方法与过程(选择原则) 调用CRM中客户...
  • 一、数据分析的目的数据分析是指用适当的统计分析方法对收集来的大量数据进行分析,提取有用信息和形成结论而数据加以详细研究和概括总结的过程。本篇文章中,假设以朝阳医院2018年销售数据为例,目的是了解朝阳...
  • 因此需要海量客户投诉信息进行分析,将客户反映弱覆盖区域进行聚类分析,识别出投诉热点区域,作为后续网络规划依据。目前网优部门收集投诉渠道是来自客户服务部门投诉记录,由于客户投诉地址是千差万别...
  • 对客户进行分类(2)对不同客户进行特征分析,比较不同类客户客户价值(3)对不同价值客户类别提供个性化服务,指定相应营销策略二、分析方法与过程航空客运信息挖掘主要步骤: (1)从航空公司数据源...
  • 如果我们分别每个指标进行分析,往往得到的结论是孤立的,并不能完全利用数据蕴含的信息。但是盲目的去减少我们分析的指标,又会损失很多有用的信息。所以我们需要找到一种合适的方法,一方面可以减少分析指标,另...
  • 结合5折交叉验证,模型来自3个地市营销返回样本,在训练分类时间和预测分类精度上与未经主成分分析降维BP神经网络方法进行了比较分析。实验结果表明模型获取了较高平均预测分类精度(77.46%)和较少训练分类...
  • 这些结果表明,使用定量和定性方法对通讯进行可视化和标点符号化可能有助于反思面试和提高面试技巧。 与传统方法相比,采用定量方法将提高评估结果可重复性,并提供进一步见解。 这些方法可用于提高访调员...
  • 目的是研究在确定家庭贷款需求中最重要因素,同时潜在客户的贷款需求进行分类和预测。 从这三种方法获得结果表明,相似产出,收入水平,土地面积,贷款方式以及政策了解是决定一个特定农民申请信用贷款...
  • 数据挖掘是从大量数据中自动发现隐含的信息和知识过程,属于主动分析方法,不需要分析先验假设,可以发现未知知识。 1 分类 分类(classification) 是通过具有类别对象数据集进行学习,概括其主要...
  • 测试需求的分析

    2021-01-19 22:29:07
    测试需求分析就是根据测试计划中确定测试范围,然后利用测试需求分析方法来确定我们真正要测试点,得到了我们要测试内容后,再进行测试设计 为什么要分析测试需求 帮助客户明确他们最终产品真正需求一个...
  • 什么是项目管理 项目管理生命周期   1.什么是项目管理 ...客户接受最后得到的信息系统;2.及时地交付系统;3.在预算内交付了系统;4.系统开发过程现在进行的企业运营影响很小。 并不是...
  • ()l主要从供应链角度对信息集成技术与方法的研究现状进行综述,同时 说明了论文选题理由、依据和理论及现实意义。并界定了集成化供应链概念, 并研究了信息特点、分类、以及信息集成层次与需求,为论文...
  • 证券客户划分可以帮助证券公司掌握更多的客户特征,但是传统证券客户划分方法都是基于客户自身属性进行分析并划分,缺少证券客户之间联系信息的分析,使得划分结果具有一定局限性和偏差性。针对这种问题,...
  • 为了提高云存储环境中对客户隐私保护,本文设计研究了一种支持隐私保护云存储加密方法CESVMC。通过对矩阵和向量进行加、减、乘、除运算,完成对云存储数据和客户信息的保密工作。最后经过安全分析和对其性能进行...
  • 结果表明,按标题进行的文字摘要(食品质量,服务质量,环境条件,COVID保护措施)比当前星级系统和现有过滤方法更准确地描述了餐厅表现。 对于公民来说,这是一种在决策之前可以获取信息的方法。 对于管理...
  • 本文提出了一种基于六西格玛测量值ISBSG信息进行分析的方法。 它研究了ISBSG数据存储库与六西格码测量相关方面的使用,包括西格玛缺陷测量和软件缺陷估计。 这项研究提出了由两个级别的数据准备组成的数据集...
  • 在必要时候还可以对客户信息进行打印。 3.客户销售情况管理:及时对客户每一比交易进行跟踪纪录,同时分时段进行统计,便于企业及时了解客户销售业务情况和统计、还可以通过对客户活动了解间接了解市场...
  • PAGE1 / NUMPAGES24 试题2(2019年上半年试题19~20) 信息资源是企业重要资源需要进行合理管理其中19管理强调数据控制(维护和安全)20管理则关心企业管理人员如何获取和处理信息(流程和方法)且强调企业中信息...
  • 接着,针对客户关系管理的业务逻辑和业务流程,运用UML建模工具系统的各类业务进行详细的需求分析,建立和分析了各类用例,在充分分析的基础上,建立客户关系管理系统完整的业务对象模型,并详细描述了模型的各个...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 783
精华内容 313
关键字:

对客户信息进行分析的方法