引言

• 背景

        信息时代的来临使得企业营销焦点从产品转向了客户，客户的管理关系成为企业的核心问题。客户的关系管理问题是客户分群。通过客户分群，进而区分无价值客户和高价值客户。高价值客户代表他们的消费会给企业带来利益最大。企业需要针对不同类别的客户进行定制个性化服务方案，采取不同的营销策略，实现企业利润最大化。准确的客户分群结果是企业优化营销资源分配的重要依据，客户分群是重要的解决问题之一。

一、RFM模型介绍

       R(Recency)：指的是最近一次消费时间与截止时间的间隔。通常情况下，最近一次消费时间与截  止时间的间隔越短，客户对即时提供的商品或是服务也最有可能感兴趣。这也是为什么消费时间间隔为0－6个月的顾客收到的沟通信息多于一年以上的顾客。
　　F(Frequency)：指顾客在某段时间内所消费的次数。消费频率越高的顾客，也是满意度越高的顾客，其忠诚度越高，顾客价值也就越大。增加顾客购买的次数意味着从竞争对手处抢得市场占有率，赚取营业额。商家需要做的，是通过各种营销方式去不断地刺激顾客消费，提高他们的消费频率，提升店铺的复购率。
　　M(Monetary)：指顾客在某段时间内所消费的金额。消费金额越大的顾客，他们的消费能力自然也就越大，这就是所谓"20%的顾客贡献了80%的销售额＂的二八法则。而这批顾客也必然是商家在进行营销活动时需要特别照顾的群体，尤其是在商家前期资源不足的时候。
　　在RFM模型理论中，最近一次消费时间与截止时间的间隔、消费频率、消费金额是测算客户价值最重要的特征。这3个特征对营销活动具有十分重要的意义。其中，最近一次消费时间与截止时间的间隔是最有力的特征。
　　RFM模型包括3个特征，R值越大，说明该类客户最近都没有来店消费，。R特征数值变大需要企业管理人员引起重视，说明该类客户可能流失，对企业造成损失。消费频率F很高，说明客户很活跃，经常到商家店里消费。消费金额M值很高，说明该类客户具备一定的消费能力，为店里贡献了很多的营业额。

二、航空公司客户分析实例

     在RFM模型中，消费金额表示在一段时间内客户购买该企业产品金额总的和。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客对航空公司的价值是不同的，比如一位购买长航线、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，后者对于航空公司而言价值可能更高。因此这个特征并不适合用于航空公司的客户价值分析，取消这个特征。

所以我们这一选取以下作为特征之后进行聚类分析：

(一）python代码实现：

data_select=new_data[["FFP_DATE","LOAD_TIME","FLIGHT_COUNT","LAST_TO_END","avg_discount","SEG_KM_SUM"]]
L=pd.to_datetime(data_select["LOAD_TIME"])-pd.to_datetime(data_select["FFP_DATE"])
L=L.astype('str').str.split().str[0]
L=L.astype('int')/30

 日期进行相减，然后进行分割取第一个元素，结果如图：

data_features=pd.concat([L,data_select.iloc[:,2:]],axis=1)
data_features.columns=["L","FLIGHT_COUNT","LAST_TO_END","avg_discount","SEG_KM_SUM"]

 这样我们就可以得到重要的特征值啦！！为啥选取这个作为特征值了呢？这是根据社会背景分析达！

 我们在通过聚类分析，根据这些重要特征进行聚类分析，代码如下（KMEANS聚类）

from sklearn.preprocessing import StandardScaler
data1=StandardScaler().fit_transform(data_features)#标准化
print('标准化后LRFMC五个特征为：\n',data1[:5,:])
from sklearn.cluster import KMeans
from sklearn import metrics
group_number=5
kmeans_model=KMeans(n_clusters = group_number,random_state=123)
kmeans_model.fit(data1)  
kmeans_model.cluster_centers_       

 查看聚类中心，结果如图：

kmeans_model.labels_

查看标签，结果如图：

pgjg=metrics.silhouette_score(data1, kmeans_model.labels_, metric='euclidean')
print('聚类结果的轮廓系数=',pgjg)

 查看轮廓系数，结果如图：

 得到如下客户群：

#直方图形式显示聚类后各组聚类中心的值
%matplotlib inline
import matplotlib.pyplot as plt
cluster_center.drop(['客户数'],axis=1,inplace=True)
my_sort=cluster_center.rank(ascending=True) 
airline_features.drop(['cluster'],axis=1,inplace=True)
my_sort.columns=list(airline_features.columns) 
my_sort["cluster"]=np.array(range(group_number))+1   
data_group=my_sort.groupby("cluster").mean()
data_group.plot(kind="bar",figsize=(13,6),ylim=(0,7.5))  
plt.show()

客户群1：飞行次数第4，飞行公里数第4，飞行时间间隔第2，平均折扣系数第1，会员时长第3。-----一般客户
客户群2：飞行次数第5，飞行公里数第5，飞行时间间隔第1，平均折扣系数第4，会员时长第4。-----低价值客户
客户群3：飞行次数第1，飞行公里数第1，飞行时间间隔第5，平均折扣系数第2，会员时长第2。-----重要保持客户
客户群4：飞行次数第3，飞行公里数第3，飞行时间间隔第4，平均折扣系数第5，会员时长第5。-----重要发展客户
客户群5：飞行次数第2，飞行公里数第2，飞行时间间隔第3，平均折扣系数第3，会员时长第1。-----重要挽留客户