2025年CART算法对航空公司客户流失的应用.docxVIP

本文格式为Word版，下载可任意编辑

第

第PAGE1页共NUMPAGES1页

CART算法对航空企业客户流失应用

为了减少客户流失导致企业巨大损失，构建了客户流失模型。通过航空企业客户信息、数据预处理、属性规约、数据离散化以及样本选用构建数据集，并运用CART算法进行客户流失预测，运用混淆矩阵和ROC曲线评估模型性能，证明该模型可行性和良好性，为航空企业开展持续改善营销活动提供参照。

客户流失；分类预测；混淆矩阵；ROC曲线；CART算法

1引言

伴随大数据时代到来，航空企业掌握隐藏在数据有价值信息成为获取商机关键原因，客户流失是导致企业利润损失重要原因。客户与企业保持关系越良好，带给企业利润就越高。不过不少客户成为新客户同步，又有一大批客户流失，一种老客户关系维护比获取一种新客户成本更小[1]。这就需要预测措施，怎样在客户即将流失前有效地发现，并对客户特征进行精确分析，从而协助营销部门确定也许流失目客户群体，制定有针对性方略是关重视点。基于决策树建立航空企业客户流失模型，将具有不一样特征客户划分为不一样客户类型，分析不一样客户群体特征，为制定营销方略提供参照。

2准备工作

2.1客户流失类型

由于不一样业务所对应客户流失定义不一，这里对客户流失类型定义：把客户类型MEMBER_TYPE分为三类。第一类：次年飞行次数和第一年飞行次数比例不小于或者等于90%客户为未流失客户，标识为0；第二类：次年飞行次数和第一年飞行次数比例不小于或者等于50%不不小于90%客户为准流失客户，标识为1；第三类：次年飞行次数和第一年飞行次数比例不不小于50%客户为已流失客户，标识为2.

2.2预测客户流失重要性

获得新客户，一般需要在销售、市场、广告和人力等方面花费诸多，然而大多数新客户白喉产生利润往往不如流失老客户。然而，在航空市场竞争日益剧烈今天，航空企业在客户流失方面应当引起自购重视，怎样改善流失问题，深入提高客户满意度。忠诚度是航空企业保持自身关键竞争力一大关键原因。因此，航空企业要做好客户流失预测工作。

2.3CART决策树

决策树是由内部节点、分支和叶子构成一种树状构造。由根节点开始，叶节点结束。决策树在数据分类和预测中是最简单易懂数据挖掘措施，同步也是一种非常有效分类算法。CART算法可用于分类和回归，相对ID3算法和C4.5算法应用愈加广泛，目前已经成功应用于医学疾病预测[2,3]、鱼种丰富度预测[4]、客户流失分析[5-7]、土壤湿度分析[8]等多种领域。

3分析措施与过程

大数据时代迅猛发展，使得企业客户数据呈数量级增长，怎样迅速并有效地发掘隐藏在数据价值，是企业必抓重点之一。目前航空企业客户数据重要体现出为数据量大、属性多而余。由于客户信息包括了MEMBER_NO、GFFP_TIER、SUM_YR_1、SUM_YR_2等44个属性。从系统中直接抽取数据不能直接表达客户流失特征，需要对样本数据进行探索性分析与预处理，包括数据缺失值与异常值探索行分析，数据属性构造、清洗和变换等、对已完毕预处理数据进行建模，构建客户流失模型、评估模型性能、调用模型实现实时诊断，逐渐完善该模型。

3.1数据来源

从某个航空企业抽取了-04-01至-03-31客户数据，共有62,988条记录，其中包含了44个属性，由于篇幅限制，给出部分属性名称以及阐明如表1所示。

3.2数据探索性分析

原始数据中存在大量缺失值与异常值，需要分析数据分布规律。数据探索成果如表3所示。原始数据中存在票价为空值，最小票价为0，最小票价折扣率为0，总飞行公里数不小于0状况。票价是空值也许是客户没有乘机记录，其他也许是客户乘坐免费机票或者积分兑换导致。原始数据中某些属性数据取值范围差异比较大，为了消除数量级数据导致影响以及数据变换属性取值分级，因此需要对数据进行离散化（3.3.2小节提及）。

3.3数据预处理

客户流失分析一般是针对老客户而言，这里定义飞行次数FIGHT_COUNT不小于6次客户为老客户。由于客户类型MEMBER_TYPE是由次年飞行次数以及第一年飞行次数比例确定，则第一年飞行次数等于0记录不满足分母不为零条件。发现数据中存在缺失值，原始数据中存在票价为空值，最小票价为0，最小票价折扣率为0，总飞行公里数不小于0状况。由于原始数据量很大，此类数据占比比较小，对于问题分析影响很小，因此对这些记录直接删除，即删除票价为空记录；删除票价是0、平均折扣率是0、总公里数不小于0数据。通过数据简单处理后，剩余数据是31,272条记录。3.3.1属性规约原始数据