[发明专利]乘客行为数据分析方法

说明书

技术领域

本发明涉及一种乘客行为数据分析方法。

背景技术

航空旅游业各公司内部每天都会产生很多数据，如订票数据、航班数据、安检数据等，这些数据分别部署在不同的系统上，不仅相当庞而且分散，没有被很好地结合和运用。

当下，航空旅游业的乘客行为分析主要存在如下问题：

1、缺乏对各种数据源进行整合，数据分散（订票系统数据、社交网站数据、机场数据等）；

2、缺乏对乘客的特征描述，即如何选择哪些属性来描述乘客，如性别年龄分布、消费情况等；

3、缺乏对乘客行为的细分，对乘客进行细分从而进行不同的营销活动，如定义不同的票价、推广不同的广告和其他更多的个性化服务。

发明内容

为了解决上述问题，本发明提供一种乘客行为数据分析方法，从各个渠道收集的乘客行为相关的数据，运用数据挖掘与统计分析方法细分乘客，从而对乘客提供针对性的服务，并改进营销策略以提高收益。

为了达成本方面之目的，本发明的技术方案如下。

乘客行为数据分析方法，包括以下步骤：

步骤1，收集乘客行为数据，将订票系统和社交网络平台等其他渠道得到的数据进行抽取、整合和清理，并将数据转换成可用于数据分析的格式；

步骤2，采用数据挖掘算法、统计方法以及业务经验知识对乘客的属性进行计算和筛选，提取有用的行为属性和信息属性；

步骤3，实现潜在类别模型对乘客行为的细分，并进行可视化展示每一类别乘客的特点，以及给出精准营销的建议。

本发明的有益效果是：对乘客行为数据的各种数据源进行整合，形成较为完整的分析数据源；乘客细分可用于描述各个乘客群的行为特征，通过为不同特点的乘客群提供不同的营销活动，达到精准营销的效果，降低成本，并提高了收益。

附图说明

图1是本发明实施例乘客行为细分流程图；

图2是本发明实施例乘客细分的结果展示图。

具体实施方式

如图1所示，每一部分的具体过程如下：

1、数据源：PNR数据、乘客的社交网络数据（如微博、微信、人人网、论坛等）、航空订票系统、机场数据等与乘客行为相关的数据；

2、数据预处理（ETL过程）：将所有数据源的数据通过提取、转换、加载存储到数据库，并采用Python进行数据预处理，将数据格式转换为符合数据分析工具的数据格式；

3、RFM改进模型计算乘客价值：采用RFM的改进模型来分析和推测乘客消费的状况，判断乘客流失的可能性，计算乘客的价值，从而能够及时地挽留住重要贡献的乘客；其中，R(Recency)表示在观测期间内，乘客最近一次购买的时间；F(Frequency)表示乘客在观测时间内购买的次数；M (Monetary)表示乘客在观测时间内购买的金额；RFM模型在航空领域的应用不同于其他领域，根据航空领域的特点，加入起飞日期、机票费用、成为会员的时间、里程积分等变量属性，并采用逻辑回归来拟合RFM模型的参数，得到乘客的价值属性；

4、乘客的行为特征选取：根据民航业务经验知识和统计方法，选取可用于乘客细分的行为特征属性；其中考虑的变量包括乘客价值、乘客类型（成人、儿童、婴儿）、出行目的（旅游、商务）、舱位等级、离港时刻、提前订座时间差、起飞时间是否为周末、起飞时间是否为早上、航程类型（单程、往返、其他）、性别、年龄、消费情况、学历情况（初中、高中、本科、硕士及以上）、工作情况（学生、白领、公务员、非全职）、家庭情况（有无小孩、小孩是否上学）、行李、出行频率、出行目的地等行为和乘客信息属性；

5、数据挖掘实现乘客细分：潜在类别模型（Latent Class Model）；潜在类别模型处理的是类别变量，它是一种用于从多元数据中寻找潜在类，并实现聚类；将航空乘客的行为属性特征放进潜在类别模型，从中将行为相近的乘客聚集在一起，实现乘客细分；采用R语言工具实现算法；

6、乘客细分结果为五类：积极规划型、体验爱好型、自发娱乐探索型、旅游购物爱好型、就近度假探索型；

7、可视化展示统计乘客细分结果如图2：分析和挖掘每一类乘客的特点，动态展示每一乘客群的行为特点，并对不同的乘客群制定不同的营销手段，达到精准营销的效果。