航空公司客户流失率及其影响因素分析

    周宝建 卢锋长

    [摘 要] 航空公司之间的竞争日益激烈，提高客户满意度，降低客户流失率是航空公司制胜的关键。文章以某航空公司的实际运营数据为基础，应用数据分析软件，从客户的会员卡级别、入会时间、性别、年龄、所在城市、飞行次数、总飞行里程、平均乘机间隔时间、积分兑换次数等多维度进行分析，包括相关性分析、回归分析，构建数据模型，包括流失概率模型和客户画像，进行客户流失预警，为航空公司运营管理提供对策建议，数据模型对于其他航空公司的运营决策具有一定的参考价值。

    [关键词] 航空公司 客户流失率 资料分析

    中图分类号：F407.5 文献标志码：A

    伴随全球数字化经济的高速发展，世界进入了一个崭新的数字经济时代。消费者行为日益理性化，在客户驱动的新型市场特征下传统的CRM难以满足企业维持客户关系的需求。

    通过分析客户数据获取价值成为企业提高核心竞争力的新策略。如何改善客户流失的问题，继而提高客户满意度、忠诚度是航空公司维护自身市场并面对激烈竞争的一件大事，客户流失分析将成为帮助航空公司开展持续改进活动的指南。

    一、A航空公司分析

    目前A航空公司拥有大量较为完善的2016—2017年间历史客户数据，对历史数据进行分析，为当下的精准营销策略提供决策支持。

    航空数据分析的过程如下：通过筛选数据，初步认识数据流失状况，借助不同算法和工具来了解客户在本航空公司中牵涉到飞行的日常行为习惯，如会员卡级别、累计飞行次数等，找出影响客户流失的主要因素，再接着针对具体问题提供不同的解决方案。

    二、航空公司客户价值模型

    RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的R（最近一次消费距观测窗日结束时间的间隔）、F（消费频次）、M（消费总额）三项指标来描述该客户的价值状况。因为F和M指标并不能完全反应客户的真实价值，两者适用的营销策略不同，故可用LRRFM模型。

    三、客户流失率分析

    数据来源于A公司，数据字段包括：第一次飞行日期、性别、年龄、会员卡级别、飞行次数、积分兑换次数、平均乘机时间间隔等各项相关数据字段，下面我们将通过分析客户的各类历史数据来论证客户流失率。

    （一）航空公司会员级别分析

    将会员级别进行分类，根据A公司数据显示，会员级别分为：4级、5级和6级：

    1.4级会员客户：频率58066，占会员总数的百分比92.20%，是航空公司的主要收入来源，是客户流失的重点关注群体，对以下航空公司客户流失数据分析起到重要作用。

    2.5级会员客户：频率3409，百分比5.40%，位于4级和6级之间，是稳定收人来源，航空公司需要着力将该类用户发展成6级会员。

    3.6级会员客户：频率1515，百分比2.40%，是航空公司的重要收入来源，该类用户也是航空公司的核心竞争力，是客户流失的重点关注对象。

    企业可以依据不确定因素定期进行客户的升级，升级的最终目标是使客户成为企业的忠实客户。

    （二）客户类型与流失率的关系

    根据航空公司客户流失数据，分别通过对客户性别、客户会员等级、会员积分兑换次数以及客户年龄四个维度，以此来进行航空公司客户流失率分析，分析内容如下所示：

    1.在客户的性别维度上，男性客户流失率为36.99%，女性客户流失率为44.86%。航空公司在服务中分别收集男性和女性客户的满意度，分析其中差异，根据所收集的用户反馈对服务质量进行针对性的改善，以此提高客户满意度。

    2.在客户的会员等级维度上，客户流失率最高的是最低等级4级会员，流失率为41.56%，表明客户的会员等级越低流失率就越高；6级会员流失率为11.04%，较5级会员的流失率5.08%高出5.96%。

    3.在客户的积分兑换次数维度上，积分兑换0—4次的流失率分别为：42.18%、22.23%、17.74%、14.45%、11.17%。没有进行过积分兑换的客户流失率最高，进行过4次积分兑换的客户流失率最低，可见积分兑换次数越多，客户流失率越低。

    对此现象，航空公司可以通过降低积分兑换额度、提高兑换品类来鼓励会员进行积分兑换，以此提高客户感知价值，减少流失。

    由于1—10岁人群还不具备自主消费意愿，所以不作为流失率分析指标。上图数据显示，该航空公司客户年龄与流失率的关系呈正态分布，在40岁以前，随着年龄的增长客户的生活和事业日渐成熟，乘飞机次数也会相应增加；40岁以后，会员客户的年龄渐大，乘飞机次数也会相应减少。

    根据以上现象，航空公司可以针对40岁以下的客户提供高品质和高效率的服务，满足其社会需求；可以针对40岁以上客户提供舒适、便捷的服务，提高客户体验和忠诚度。

    （三）主成分分析

    由于变量较多，为便于构建分析模型，本文将运用主成分分析来获取主导变量。

    分析结果是由14个主要因素构成的相关性因素矩阵。为降低相关性对分析过程带来的干扰，从中选取10个主成分变量来代替原有的14个数值变量进行后续的建模分析。该10个主成分（1—10）能够解释全部变量的比例达到98.159%。

    所选取的前10个主要成分变量分别为：会员卡级别、年龄、飞行次数、第一季度飞行次数、第二季度飞行次数、第三季度飞行次数、总飞行公里数、最大乘机间隔、平均折扣率、第1年乘机次数。

    在此针对会员卡级别、年龄、飞行次数和第一季度飞行次数这前4个主要变量进行分析，它們对流失率的影响分别为49.217%、9.429%、8.317%和7.053%，累计74.016%，在14个变量中具有较强的代表性。

    对此现象，航空公司首要任务是针对不同级别会员制定更加合理的管理方案和优惠策略，完善会员管理生态体系；其次，针对不同年龄的会员客户制定差异化的服务管理办法，例如为中老年人提供一些更加舒适暖心的服务，满足不同年龄段客户的需求；此外，航空公司还应在每年的第一季度提高折扣力度，此举不仅可以提高客户忠诚度，还有利于新客户的开发。

    （四）UNIVARIATE分析

    UNIVARIATE过程是探索性数据分析中最常用的过程之一，它可以计算均值、中位数、偏度系数、偏峰系数等描述性统计量。

    以下是对该航空公司的avg_discount平均折扣率）进行的UNIVARIATE分析过程，表1为输出结果，从表中数据可见A航空公司的平均折扣力度在0.72左右，符合正态分布。

    航空公司可以考虑调整对于未流失客户的预警，比如结合上文分析的会员卡级别、年龄、飞行次数和第一季度飞行次数4个主要影响因素进行折扣，这样可以有效的降低客户流失率。

    （五）LOGISTIC回归分析

    因为该A航空客户的流失情况数据中，因变量是分类变量而不是连续变量，所以本文采用来LOGISTIC回归[7]模型来进行定量分析分類变量。可用分层变量控制法的原理，来拟合条件LOGISTIC回归模型[8]。

    使用SPSS 22软件拟合前面所选的主成分分析变量，进行LOGISTIC回归拟合，报表中输出如下：因变量0（非流失）频数38315；因变量1（流失）频数24253，百分比38.8%。

    使用选项EVENT=“1”，使LOGISTIC过程对runoff_flag=1进行建模。

    在表2变量分析报表中，给出了MAX_FLIGHT_ INTERVAL（最大乘机间隔）、FFP_TIER（会员卡级别）、age（年龄）、FLIGHT_COUNT（飞行次数）、FLIGHT_COUNT_QTR_1（第一季度飞行次数）、FLIGHT_COUNT_QTR_2（第二季度飞行次数）、FLIGHT_COUNT_QTR_5（第五季度飞行次数）、SEG_KM_SUM（总飞行公里数）、avg_discount（平均折扣率）和P1Y _Flight_Count（第1年乘机次数）的参数估计和假设检验结果，这里是运用显著性检验，报表中除了age、FLIGHT_COUNT_QTR_2外，显著性都小于0.01，说明参数都是显著非零的。因此，可以将LOGISTIC回归模型写成如下形式：

    四、结语

    根据统计数据显示，A航空公司客户流失率基本在每年40%左右，通过主成分分析、L OGISTIC分析模型等方法发现客户流失主要与属性变量中的会员卡级别、入会时长有关，与行为变量中的每年的乘机次数、平均折扣率、最大间隔乘机时间关系密切。对于长时间未乘机的客户及时做出相应提醒。根据最后一次乘机时间来设置老客户召回日，减少客户流失比例。实行老顾客计划，对非忠诚顾客提供一定的个性化服务，促使其下次在此消费。

    参考文献：

    [1]崔亚奇.基于C5.0算法的航空客户流失分析[J].西安航空学院学报，2018，36（01）：72-77.

    [2]姜朋，李挺.基于大数据的航空客户价值分析[J].民航学报，2019，3（03）：1-4.

    [3]潘玲玲.基于旅客行为的航空旅客细分模型研究及其实现[D].南京：南京航空航天大学，2011.

    [4]陈宁.航空公司客户价值分析——以某一航空公司为例[J].现代商业，2017（22）：137-138.