精华内容
下载资源
问答
  • 2018-12-20 10:49:38

    实战背景

    如今的营销已经远远不同于过去了,那个一张传单一则广告的时代结束了,这是个大数据的时代。一个时代有一个时代的生存法则,那些没有适应时代的企业,即使曾经是个庞然大物,今天也几乎不见踪影。在航空公司这个特殊的领域,国内竞争还是很严峻的,一个顾客的流失造成的损失是4-5个新顾客的流入所不能弥补的,分析用户(特别是会员用户)相关信息,建立模型,发现流失用户特征,制定针对性营销策略,挽留用户是企业生存的重要一环。本项目基于大数据样本进行挖掘建模,根据用户特征建立模型发现用户流失特征及其原因分析。

    实战分析

    其实,作为航空公司,客户流失是不可避免的,因为有些用户乘机频率非常低,这部分用户是偶然用户,他们的流失没有太大的挽留价值。再者,那些会员用户才是研究的重点,愿意入会的,一定是有频繁乘机体验的,这部分人要么是商务精英要么是比较富裕的人,这几类人都是颇具头脑的。但是,即使这样还是流失了,那就是航空公司给出的服务问题了,这类人是重点研究对象。

    当前,有一个比较尴尬的问题,什么样的顾客可以定义为流失呢?样本数据中根本没有这一项。我们不妨这样定义:

    客户类型定义方式
    已流失客户第二年飞行次数与第一年飞行次数比例小于50%
    准流失客户第二年飞行次数与第一年飞行次数比例在[50%,90%)内
    未流失客户第二年飞行次数与第一年飞行次数比例大于90%

    通过上面的定义,解决了这个问题,以一种相对合理的方式定义了用户类型。

    当然,实际处理时还需要选取客户的关键属性建立模型,如会员卡级别、客户类型(如上定义)、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、单位里程票价和单位里程积分等。任然采用常用的8:2进行训练测试样本分布。

    数据获取

    数据给出(特征过多)

    数据探索

    首先声明,表头均没有使用中文,均为航空公司报表专业术语观测窗口使用两年(06年4月到08年3月),请了解后再阅读本博客,这里不做赘述了。

    经过初步的数据探索,我得到了一个分析表,记录数目,各列的平均值、四分位数、标准差、极值等;

    为数据预处理定下了基本的基调,首先,有几列数据几乎所有记录都为0,这是没有意义的。(在数据挖掘领域中没有对比的数据是没有任何意义的,因为所有数据都是为了建模服务的)

    数据预处理

    在数据预处理的第一步就出现了一个不算问题的问题,就是由于Excel解析csv以及编码的一些问题,我看到的表格是错位的,我数据处理第一步就直接数据流导出去成为一个新的xls文件,对于xls文件Excel的解析没有问题,现在,最基本的,我们可视化判断没有了阻碍。(保留最开始的数据是数据分析的基本原则之一)

    然后,发现第一列用户编号是用户的唯一标识,然而这对于建模是没有意义的,必须剔除第一列。选取合适属性构造了需要的六个属性LRFMCK模型,并进行标准化数据。

    数据挖掘建模

    流失用户的分析,并且判断用户会不会流失,这是一个分类问题,我们使用决策树建模。

    具体代码如下。

    # -*- coding:UTF-8 -*-
    import pandas as pd
    from sklearn import tree
    from sklearn.model_selection import train_test_split
    import pydotplus
    from sklearn.externals.six import StringIO
    
    
    def getDataSet(fileName):
        # 读取数据
        data = pd.read_csv(fileName)
        dataSet = []
        for item in data.values:
            dataSet.append(list(item[:5]))
        label = list(data['K'])
        return dataSet, label
    
    
    def divide(dataSet, labels):
        '''
        分类数据,按比例拆开
        :param dataSet:
        :param labels:
        :return:
        '''
        train_data, test_data, train_label, test_label = train_test_split(dataSet, labels, test_size=0.2)
        return train_data, test_data, train_label, test_label
    
    
    if __name__ == '__main__':
        data, label = getDataSet('./data/data_standard.csv')
        train_data, test_data, train_label, test_label = divide(data, label)
        clf = tree.DecisionTreeClassifier(max_depth=5)
        clf = clf.fit(train_data, train_label)
        # 可视化
        dataLabels = ['ZL', 'ZR', 'ZF', 'ZM', 'ZC', ]
        data_list = []
        data_dict = {}
        for each_label in dataLabels:
            for each in data:
                data_list.append(each[dataLabels.index(each_label)])
            data_dict[each_label] = data_list
            data_list = []
        lenses_pd = pd.DataFrame(data_dict)
        print(lenses_pd.keys())
        dot_data = StringIO()
        tree.export_graphviz(clf, out_file=dot_data, feature_names=lenses_pd.keys(),
                             class_names=clf.classes_, filled=True, rounded=True, special_characters=True)
        graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
        graph.write_pdf("tree.pdf")
        from cm_plot import *
        cm_plot(test_label, clf.predict(test_data)).show()

    后续处理

    通过分类预测现有用户是否流失倾向是无比重要的,发现流失可能性进行相应营销比较必要,这里决策树预测准确率还算可以,在深度合适(发现4-5)预测准确率达到85%左右,对于营销需求是达到了。

    补充说明

    本文参考书为《Python数据分析与挖掘》,本案例使用决策树建模,具体数据集和其他代码可以查看我的Github,欢迎star或者fork。

    更多相关内容
  • Excel数据分析—制作客户画像

    千次阅读 2022-02-08 22:23:54
    Excel数据分析小技巧,教你快速制作分析客户画像~~更有实战资料供你练习!!!

    客户画像——关于客户多方面特征或信息的描述集合

    (1)一种分类描述客户的方式,通过对海量用户数据的分析进行更多信息的提取,帮助解决如何把数据转化为商业价值的问题。

    (2)构建客户画像的过程,就是客户建模(customer profiling)的过程,是将用户多维度数据系统性整合的过程。

    (3)客户画像的内容组成有多种定义方式,构建时可以考虑以下组成部分,如人口属性、社会经济、心理特征、购买行为。

    客户画像——以客户为驱动的高价值商业决策

    客户画像不仅能帮助企业更好地了解目标客户,还能为企业的研发团队、市场营销部门和销售团队提供高价值的商业决策建议。

    以某平台东区销售情况制作用户画像为例

    (1)整理基础数据

    (2)分模块制作分析

    ① 使用数据占比分析图制作销售报表分析:

    ② 使用柱状图、折点图制作年利润率表分析:

     

    ③ 使用数据占比分析图制作各产品类型销售额表:

    使用坐标轴图制作各区域经理销售额及利润率表:

     (3)整体效果:

    附上述客户画像数据:

    百度云盘链接:https://pan.baidu.com/s/1wMHj6RgBlVmcXv7ljO1tQg
    提取码:x5hm

    就这么轻松地完成啦~希望对各位有所帮助,有兴趣可以收藏点赞哈!

    展开全文
  • 客户分析就是根据客户信息数据来分析客户特征,评估客户价值,从而为客户制订相应的营销策略与资源配置。通过合理、系统的客户分析,企业可以知道不同的客户有着什么样的需求,分析客户消费特征与商务效益的关系,使...

    客户分析就是根据客户信息数据来分析客户特征,评估客户价值,从而为客户制订相应的营销策略与资源配置。通过合理、系统的客户分析,企业可以知道不同的客户有着什么样的需求,分析客户消费特征与商务效益的关系,使运营策略得到最优的规划;更为重要的是可以发现潜在客户,从而进一步扩大商业规模,使企业得到快速的发展。

      企业客户分析可以从以下几个方面入手,对客户数据信息展开分析:

      1、分析客户个性化需求

      “以客户为中心”的个性化服务越来越受到重视。实施CRM的一个重要目标就是能够分析出客户的个性化需求,并对这种需求采取相应措施,同时分析不同客户对企业效益的不同影响,以便做出正确的决策。这些都使得客户分析成为企业实施CRM时不可缺少的组成部分。

      2、分析客户行为

      企业可以利用收集到的信息,跟踪并分析每一个客户的信息,不仅知道什么样的客户有什么样的需求,同时还能观察和分析客户行为对企业收益的影响,使企业与客户的关系及企业利润得到最优化。

      3、分析有价值的信息

      利用客户分析系统,企业不再只依靠经验来推测,而是利用科学的手段和方法,收集、分析和利用各种客户信息,从而轻松的获得有价值的信息。如企业的哪些产品最受欢迎,原因是什么,有什么回头客,哪些客户是最赚钱的客户,售后服务有哪些问题等。客户分析将帮助 企业充分利用其客户关系资源,在新经济时代从容自由地面对客户。

    目前国内企业对客户的分析还很欠缺,分析手段较为简单,而简单的统计方法虽然可以在一定程度上得出分析结果,但因为不同企业发展中存在一定的不平衡性,利用简单的统计模式得出的结论容易有较大的误差,难以满足企业的特殊需求。因而企业需要有更加完善、合理的客户分析方案,进一步提高客户分析的合理性、一致性,并能在对 潜在客户的培养和发现中提供更多的决策支持。

    本文将使用客户RFM模型来衡量客户价值,当然仅一个模型也无法完整并系统的分析客户,还是需要结合CRM系统中的数据,切勿过度依赖该模型来分析客户价值。该模型仅供决策参考。接下来我们来看一下RFM模型是什么?

    客户RFM数据分析

    RFM分析(Recency,Frequency,Monetary)是用来细分用户和衡量客户价值的一个重要工具,就是根据客户活跃程度和交易金额的贡献,进行客户价值细分的一种方法。

    RFM的含义:

    R(Recency):客户最近一次交易时间的间隔。R值越大,表示客户交易发生的日期越久,反之则表示客户交易发生的日期越近。

    F(Frequency):客户在最近一段时间内交易的次数。F值越大,表示客户交易越频繁,反之则表示客户交易不够活跃。

    M(Monetary):客户在最近一段时间内交易的金额。M值越大,表示客户价值越高,反之则表示客户价值越低。

    本文中通过分析某个店铺客户消费数据,将会员分为以下8种,以便有针对性的做营销决策,实现精细化运营:

    RFM定义

    一、RFM数据源

    我们准备的数据源中有很多的字段,由RFM模型的含义可知。我们需要通过订单日期判断R值,订单ID判断F值,销售额判断M值,客户ID是基础数据,其他的字段就是冗余字段

    RFM数据源

    二、RFM值

    1、确定R值

    确定R值为指定日期和最近购买日期之间的差异天数,计算每个客户的最近一次消费日期。再根据截止日期的时间和最后一个交易日期的差值

     

    RFM R = 

     

    AVERAGEX( DISTINCT('维度_客户'[客户名称]) , 

     

        CALCULATE( 

     

            AVERAGEX( '事实_订单', DATEDIFF( [订单日期] , LASTDATE( '维度_RFM日期'[Date] ) , DAY ) ) , 

     

            TREATAS( VALUES( '维度_RFM日期'[Date] ) , '事实_订单'[订单日期])

     

        )

    )

     

    R最大值

     

    RFM R MAX = 

     

    MAXX( ALL('维度_客户'[客户名称]) , 

     

     CALCULATE( 

    AVERAGEX( '事实_订单' , DATEDIFF( [订单日期] , LASTDATE( '维度_RFM日期'[Date] ) , DAY ) ) , 

     

    TREATAS( VALUES( '维度_RFM日期'[Date] ) , '事实_订单'[订单日期])

     

      )

    )

     

    R最小值

     

    RFM R MIN = 

     

    MINX( ALL( '维度_客户'[客户名称]) , 

    CALCULATE( 

     

            AVERAGEX( '事实_订单' , DATEDIFF( [订单日期] , LASTDATE( '维度_RFM日期'[Date] ) , DAY ) ) , 

     

           TREATAS( VALUES( '维度_RFM日期'[Date] ) , '事实_订单'[订单日期] )

     

        )

     

    R平均值

     

    RFM R AVG = CALCULATE( [RFM R] , ALL('维度_客户') )

     

    2、确定F值

     

    交易次数值需要感觉非重复计数获得,这里根据虚拟关系筛选计数顾客交易次数

     

    RFM F = 

     

    AVERAGEX( DISTINCT('维度_客户'[客户名称]) , 

    CALCULATE('度量值'[顾客交易次数] , TREATAS( VALUES('维度_RFM日期'[Date]) , '事实_订单'[订单日期]))

     

    )

     

    F最大值

     

    RFM F MAX = 

     

    MAXX( ALL('维度_客户'[客户名称]) , 

     

        CALCULATE('度量值'[顾客交易次数] , TREATAS( VALUES('维度_RFM日期'[Date]) , '事实_订单'[订单日期]))

     

    )

     

    F最小值

     

    RFM F MIN = MINX( ALL('维度_客户'[客户名称]) ,  CALCULATE('度量值'[顾客交易次数] , TREATAS( VALUES('维度_RFM日期'[Date]) , '事实_订单'[订单日期])))

     

    F平均值

     

    RFM F AVG = CALCULATE( [RFM F] , ALL('维度_客户') )

     

    3、确定M值

    M值为每个客户共享的销售金额

     

    RFM M = AVERAGEX( DISTINCT( '维度_客户'[客户名称]) ,  CALCULATE('度量值'[销售金额], TREATAS( VALUES( '维度_RFM日期'[Date] ) , '事实_订单'[订单日期] ) ))

     

    M最大值

     

    RFM M MAX = MAXX( ALL( '维度_客户'[客户名称]) , CALCULATE('度量值'[销售金额], TREATAS( VALUES( '维度_RFM日期'[Date] ) , '事实_订单'[订单日期] ) ))

     

    M最小值

    RFM M MIN = MINX( ALL('维度_客户'[客户名称]) , CALCULATE('度量值'[销售金额], TREATAS( VALUES( '维度_RFM日期'[Date] ) , '事实_订单'[订单日期]) ))

     

    M平均值

    RFM M AVG = CALCULATE( [RFM M] , ALL( '维度_客户' ) )

     

    三、确定客户类型

     

    确定RFM值后,我们将R、F、M分别与平均值比较,计数出RFM的得分情况

     

    RFM R 分数 = IF( NOT ISBLANK( [RFM R] ) , DIVIDE( [RFM R MAX] - [RFM R] , [RFM R MAX] - [RFM R MIN] ) * 100 )

     

    RFM F 分数 = IF( NOT ISBLANK( [RFM F] ) , DIVIDE( [RFM F] - [RFM F MIN] , [RFM F MAX] - [RFM F MIN] ) * 100 )

     

    RFM M 分数 = IF( NOT ISBLANK( [RFM M] ) , DIVIDE( [RFM M] - [RFM M MIN] , [RFM M MAX] - [RFM M MIN] ) * 100 )

     

    四、新建辅助表

     

    1、新建RFM分类表

    可以直接输入数据,也可以通过Excel导入数据。

     

    RFM分类表

     

    2、新建权重参数表

     

    权重参数从0到100进行设定

     

    参数_RFM R权重 = GENERATESERIES(0, 100, 1)

     

    参数_RFM F权重 = GENERATESERIES(0, 100, 1)

     

    参数_RFM M权重 = GENERATESERIES(0, 100, 1)

     

    3、新建TOP参数表

    参数_RFM TOP X = GENERATESERIES(0, 100, 1)

     

    五、制作可视化报告

     

    1、制作表格,拖放已经计算好的数据

    表格

     

    2、制作客户RFM权重占比环形图

    权重占比环形图

     

    3、制作客户分类占比环形图

    分类占比环形图

     

    4、制作客户RFM得分排名条形图

    排名条形图

     

    5、制作切片器

     

    切片器拖放辅助表中的权重R\F\M字段和TopX字段,并设置显示格式为下拉。日期切片器直接设置开启滑块

    切片器制作

     

    六、总结

     

    客户RFM分析首先需要根据订单数据来计算RFM的值,其次通过辅助表进行补充动态设定的参数。再次通过RFM的值和最大值、最小值对比使用平均函数进行计算出RFM得分情况。通过辅助表客户分类维度,来确定客户所属分类。该模型可以动态根据企业对R,F,M设定不同的权重来计算客户的价值。

     

    对于销售分析的指标的分析模型还有动态ABC分析模型,在后续得文章中会给大家展现。

    展开全文
  • Excel数据分析--客户对象分析

    千次阅读 2018-12-06 14:26:50
    最近一直也在学习Excel相关的知识,在学的过程中,觉得Excel在少量数据分析这块功能还是很强大的,尤其是在清理数据方向,这次想根据之前学过的一些内容知识,对Excel这块也有个巩固。 拿出一份Excel文档,这个文档...

    最近一直也在学习Excel相关的知识,在学的过程中,觉得Excel在少量数据分析这块功能还是很强大的,尤其是在清理数据方向,这次想根据之前学过的一些内容知识,对Excel这块也有个巩固。
    拿出一份Excel文档,这个文档是在网上下载的关于银行客户贷款方面的Excel文档。
    首先先理清一下数据分析的思路和步骤:
    1、拿到相关的统计数据
    2、根据问题思考什么样的客户意向最大,提出问题
    3、根据问题,清洗数据
    4、构建模型
    5、数据可视化分析
    (一)先拿到一份数据表(这个是经过稍微处理的一个数据表格):
    在这里插入图片描述(二)然后根据表格提出相关问题:
    1)办理信用卡的人目前多吗
    2)年龄对办理信用卡的影响,什么年龄阶段最喜欢办理信用卡
    3)教育程度对办理信用卡的影响
    4)年收入多少对办理信用卡的影响
    (三)清洗数据
    1)选择需要使用到的数据,把无关的数据可以隐藏起来
    字段:个人贷款,存款账户这两个字段分析师用不到,所以暂时可以隐藏掉
    2)删除重复值
    在这个表中,客户ID是唯一的,所以可以根据这个来删除重复不需要的数据
    可通过【数据】-【删除重复值】实现
    在这里插入图片描述3)缺失值处理
    可通过【开始】-【查找和选择】-【定位条件】-【空值】来定位出缺失值
    该文本没有显示有缺失项,如果有缺失项的话一般可以这样处理:
    人工手动补全(缺失值较少时);
    删除缺失值的项;
    用平均值代替缺失值;
    用统计模型计算出的值代替缺失值;
    4)一致化处理
    数据格式设置要统一,可设置标准的日期、数值或文本格式,便于后续的分析;
    (四)根据问题,来处理数据
    1)办理信用卡的人目前多吗
    可以用countif函数来解决,得出是1469位客户办理了信用卡,目前所占的总比例是29%,所以持有信用卡的人不是很多,可以从中寻找一些商机
    在这里插入图片描述
    可以用饼状图来查看办理信用卡用户所占的比例 在这里插入图片描述2)年龄对办理信用卡的影响,什么年龄阶段最喜欢办理信用卡
    在年龄这一栏点击下面的筛选按钮,可以看到年龄是在23-67之间的,所以可以把这几块分成几个年龄阶段,到时候方便统计分析
    在这里插入图片描述
    然后增加一列,输入字段“年龄阶段”,然后根据VLOOKUP函数来进行对应,得到以下图片: 在这里插入图片描述再根据透视表,来进行数据处理
    可在【插入】 - 【数据透视表】中来进行添加数据透视表,把年龄阶段和信用卡两个字段添加到行标签和值中,得到以下数据
    在这里插入图片描述 可在【插入】 - 【推荐的图表】中来对数据进行图形化操作,选择矩形图,直接插入,得到以下矩形图:
    在这里插入图片描述 得出结论:30-40,40-50,50-60这三个年龄阶段的人对信用卡的需求量偏高,这个三个时期主要是人们事业期的开始和结尾期间,尤其是50-60阶段,人的事业期到达一定的顶峰,对资金这块的需求量也越来越多,可利用信用卡来缓解短时期内的资金紧张的问题
    3)教育程度对办理信用卡的影响
    同样对上面的数据进行透视分析,把教育程度当道行标签,信用卡放到列标签和值中,1是指专科,2指本科,3指高级
    在这里插入图片描述
    在这里插入图片描述在这里插入图片描述从饼状图和矩形图中可以看出,专科生对信用卡的需求量还是比较大的,因为能力有限,需要资金,所以只能靠信用卡来做支撑,然后来回转款还款,随后就是本科以上的人对信用卡需求也还不错的,所以业务开展的人群对象方向可以以专科生为主,高级人员为辅,这样的话,开发效率还是比较高的,成单率也较高
    4)年收入多少对办理信用卡的影响
    通过简单筛选可以看出年收入是在8-224万元这个区间,那么可以给这个区间分成几个阶级,为了看的详细一点可以划分8个阶级:
    0-30;
    30-60;
    60-90;
    90-120;
    120-150;
    150-180;
    180-210;
    210-240;
    然后再利用透视表进行分析
    在这里插入图片描述在这里插入图片描述可以很清楚的看到年收入30-60万元和年收入60-90万元的人群对信用卡的需求量还是蛮高的,其次就是0-30万和90-120万元,他们对信用卡需求量也不低。

    展开全文
  • 文章目录研究目的:精准营销研究内容:客户分类维度数据获取与处理设计调查问卷及确定调研计划数据处理数据分析架构客户细分目标客户选择目标客户定位数据分析与输出结果确定分类维度分类维度的消减适应性检验因子...
  • 1.案例背景 二八定律: 20%的客户,为企业带来约80%的利益。 在企业的客户关系管理中,对客户分类,区分不同价值的客户。...广泛用于分析客户价值的是RFM模型,它是通过三个指标(最近消费时间间隔(Recency
  • 数据挖掘实战—航空公司客户价值分析

    千次阅读 多人点赞 2021-04-05 16:18:13
    数据特征分析2.1 描述性统计分析2.2 分布分析2.2.1 客户基本信息分布分析 引言   企业在面向客户制定运营策略与营销策略时,希望针对不同的客户推行不同的策略,实现精准化运营。通过客户分类,对客户群体进行细分...
  • 客户流失分析与预测 一、数据来源 https://www.kaggle.com/blastchar/telco-customer-churn 二、数据整理 1、导入函数包 import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn ...
  • 数据分析客户忠诚度

    千次阅读 2019-05-28 18:28:52
    一、 根据客户忠诚度划分 忠诚度是一种行为,也是一种情绪。想要获得客户忠诚度的公司需要着重长远发展而不仅局限于一个项目。主要强调交易式忠诚度和着重“锁住”客户而不是回馈客户的项目并不可行。 客户忠诚是指...
  • 一、认识用户分析 简单说明一下,用户分析包括基本属性、交易行为、浏览行为、服务体验、社交分享这几个方面的分析,主要应用场景是用户画像、用户忠诚度提升策略设计、用户数增长、精准运营。 这里只进行用户消费...
  • Python基于RFM模型和K-Means聚类算法进行航空公司客户价值分析
  • 数据分析之航空公司客户价值分析

    千次阅读 2020-03-06 20:24:04
    航空公司客户价值分析 1.挖掘背景与目标 开启了第一个数据分析的项目,针对于航空公司价值的分析客户关系管理的关键问题是客户分类,通过客户分类,区别无价值客户,高价值客户,企业针对不同价值的客户制定...
  • 第6章 STP分析案例解析——甲保险公司客户分类分析 6.1 研究目的:精准营销 对车险客户分类调研分析,开展精准营销,以期建立起自身的相对优势 6.2 研究内容:客户分类维度 客户分类的5种维度  自然属性因素  ...
  • 电信客户流失数据分析(一)

    万次阅读 多人点赞 2020-04-20 22:41:50
    目录来个数据分析项目^-^任务1:探索数据集任务2:哪些输入特征与顾客流失具有关联性? 来个数据分析项目- 背景:在kaggle网站上发现了这个数据集,就顺手拿来个数据分析的项目,希望发现一些有趣的结果吧~~感...
  • 数据挖掘 | 航空公司客户价值分析

    千次阅读 2020-06-18 11:30:23
    研究生期间读了一些关于客户生命周期价值(customer lifetime value,CLV)的一些文章,对此颇感兴趣,正好最近看到一个关于航空公司客户价值分析的案例,写一篇博客记录一下。 1. 数据挖掘的目标 相对激烈的市场...
  • 电信客户流失数据分析

    千次阅读 2020-08-21 14:24:32
    这里写自定义目录标题电信客户流失数据分析研究背景提出问题数据集描述特征工程1、数据预处理1.1、特征类型处理1.2、缺失值处理1.3、异常值处理1.4、分类变量标签整理2、特征选择2.1、方差过滤2.2、卡方检验过滤2.3...
  • 航空公司客户价值分析

    千次阅读 2018-07-20 22:05:19
    1.背景方面 准确的客户分类的结果是企业优化营销资源的重要依据,本文利用了航空公司的部分数据,利用Kmeans聚类方法,对航空公司的客户进行...(2)对不同类别的客户进行特征分析,比较不同类别客户的价值分析; ...
  • 任务流程 第一步明确任务目标第二步明确任务内容第三步根据辅导资料完成相应学习第四步完成任务第五步复习(任务/课程)任务目标任务内容任务背景洞察企业客户群画像,能够帮助企业实现“千人千面”,使企业可以针对...
  • 银行客户流失分析

    万次阅读 多人点赞 2019-07-22 09:12:51
    本文首先根据已有数据集对各特征进行描述性统计分析,初步了解数据;之后进行数据预处理,包括数据清洗,数据变换、特征选择;再后用SVM、LR、朴素贝叶斯、决策树、RF、XGBoost、LM神经网络进行建模,通过不同性能...
  • 比较不同类客户客户价值 对不同价值的客户类别提供个性化服务,制定相应的营销策略 分析方法与过程 本例的目标是客户价值识别,通过航空公司客户数据识别不同价值的客户 RFM模型 识别客户最广泛的模型通过三个指标...
  • 使用 K-Means 算法进行客户分群 数据源:https://pan.baidu.com/s/1JVW5K6OJjZnp9Huz5dpGkA 1 实训目标 使用 K-Means 算法对客户进行分群。 2 实训环境 (1) 使用 3.6 版本的 Python 。 (2) 使用 jupyter ...
  • 数据挖掘之航空公司客户价值分析

    千次阅读 2020-05-23 17:03:01
    题目:航空公司客户价值分析 目录 一、 任务背景 2 二、 数据挖掘目标 2 三、数据探索与预处理 3 构建航空客户价值分析的关键特征 3 数据抽取 5 探索性分析 5 数据处理 6 四、模型构建...
  • 利用RFM模型电商客户价值分析

    万次阅读 2017-01-06 20:44:41
    模型,从而对客户进行分类,并对此结果进行动态的客户分析,以达到对不同的客户采取不同的客户服务的效果。 一、RFM模型介绍 1.RFM模型的基本原理 在RFM模式中,R(Recency)表示客户最近一次购买的时间有多远,
  • 了解航空公司现状与客户价值分析任务描述与分析1.1 前言 信息时代的来临使得企业营销焦点从产品转向了客户,客户关系管理(Customer relationship management ,CRM)成为企业的核心问题。客户关系管理的关键问题是客户...
  • 实战 | 电信客户流失分析与预测

    万次阅读 多人点赞 2020-03-01 12:29:00
    本文所有代码都通过运行!将从以下方面进行分析:1.背景 2.提出问题 3.理解数据 4.数据清洗 5.可视化分析 6.用户流失预测 7.结论和建议本项目带你根据以上过程详细分析电信客户数...
  • 利用Python分析航空公司客户价值

    千次阅读 多人点赞 2020-01-11 16:19:40
    利用Python分析航空公司客户价值 一、背景介绍 随着社会生活中数据量的急剧增多,如何从这些海量的数据中提取与发掘出对我们决策有用的信息成为当前亟待解决的题,因此,数据分析与挖掘技术在这些年得到了广泛的...
  • K-means算法分析航空公司客户价值

    千次阅读 多人点赞 2019-03-22 10:15:18
    信息时代的来临使得企业营销焦点从产品转向了客户客户关系管理(Customerrelationship management,CRM)成为企业的核心问题。客户关系管理的关键问题是客户分群。通过客户分群,区分无价值客户和高价值客户。企业...
  • 【SPSS笔记01】交叉分析表

    千次阅读 2021-05-05 20:53:36
    使用步骤Step1Step2变量解释Step3交叉结果观察卡方分析的解释 交叉用途&使用步骤 主要用途:主要用于分析分类变量的相关关系,如果是连续变量的相关性,主要使用相关分析 Step1 :分析——描述统计——交叉...
  • 本次建模项目是来自于《python数据分析与挖掘实战》的案例,是介绍航空公司客户价值的分析,书中给出了关于62988个客户的基本信息和在观测窗口内的消费积分等相关信息,其中包含了会员卡号、入会时间、性别、年龄、...
  • 对航空公司客户价值进行KMeans聚类分析 使用sklearn.cluester的KMeans类对航空公司客户数据进行聚类分析,把乘客分到不同的类别中。 kmeans参数说明 from sklearn.cluster import KMeans k = 5 model = … KMeans...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 288,005
精华内容 115,202
关键字:

如何做客户分析表