航空公司客戶流失率及其影響因素分析

周寶建 盧鋒長

[摘 要] 航空公司之間的競爭日益激烈，提高客戶滿意度，降低客戶流失率是航空公司制勝的關鍵。文章以某航空公司的實際運營數據為基礎，應用數據分析軟件，從客戶的會員卡級別、入會時間、性別、年齡、所在城市、飛行次數、總飛行里程、平均乘機間隔時間、積分兌換次數等多維度進行分析，包括相關性分析、回歸分析，構建數據模型，包括流失概率模型和客戶畫像，進行客戶流失預警，為航空公司運營管理提供對策建議，數據模型對于其他航空公司的運營決策具有一定的參考價值。

[關鍵詞] 航空公司 客戶流失率 資料分析

中圖分類號：F407.5 文獻標志碼：A

伴隨全球數字化經濟的高速發展，世界進入了一個嶄新的數字經濟時代。消費者行為日益理性化，在客戶驅動的新型市場特征下傳統的CRM難以滿足企業維持客戶關系的需求。

通過分析客戶數據獲取價值成為企業提高核心競爭力的新策略。如何改善客戶流失的問題，繼而提高客戶滿意度、忠誠度是航空公司維護自身市場并面對激烈競爭的一件大事，客戶流失分析將成為幫助航空公司開展持續改進活動的指南。

一、A航空公司分析

目前A航空公司擁有大量較為完善的2016—2017年間歷史客戶數據，對歷史數據進行分析，為當下的精準營銷策略提供決策支持。

航空數據分析的過程如下：通過篩選數據，初步認識數據流失狀況，借助不同算法和工具來了解客戶在本航空公司中牽涉到飛行的日常行為習慣，如會員卡級別、累計飛行次數等，找出影響客戶流失的主要因素，再接著針對具體問題提供不同的解決方案。

二、航空公司客戶價值模型

RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段。該模型通過一個客戶的R（最近一次消費距觀測窗日結束時間的間隔）、F（消費頻次）、M（消費總額）三項指標來描述該客戶的價值狀況。因為F和M指標并不能完全反應客戶的真實價值，兩者適用的營銷策略不同，故可用LRRFM模型。

三、客戶流失率分析

數據來源于A公司，數據字段包括：第一次飛行日期、性別、年齡、會員卡級別、飛行次數、積分兌換次數、平均乘機時間間隔等各項相關數據字段，下面我們將通過分析客戶的各類歷史數據來論證客戶流失率。

（一）航空公司會員級別分析

將會員級別進行分類，根據A公司數據顯示，會員級別分為：4級、5級和6級：

1.4級會員客戶：頻率58066，占會員總數的百分比92.20%，是航空公司的主要收入來源，是客戶流失的重點關注群體，對以下航空公司客戶流失數據分析起到重要作用。

2.5級會員客戶：頻率3409，百分比5.40%，位于4級和6級之間，是穩定收人來源，航空公司需要著力將該類用戶發展成6級會員。

3.6級會員客戶：頻率1515，百分比2.40%，是航空公司的重要收入來源，該類用戶也是航空公司的核心競爭力，是客戶流失的重點關注對象。

企業可以依據不確定因素定期進行客戶的升級，升級的最終目標是使客戶成為企業的忠實客戶。

（二）客戶類型與流失率的關系

根據航空公司客戶流失數據，分別通過對客戶性別、客戶會員等級、會員積分兌換次數以及客戶年齡四個維度，以此來進行航空公司客戶流失率分析，分析內容如下所示：

1.在客戶的性別維度上，男性客戶流失率為36.99%，女性客戶流失率為44.86%。航空公司在服務中分別收集男性和女性客戶的滿意度，分析其中差異，根據所收集的用戶反饋對服務質量進行針對性的改善，以此提高客戶滿意度。

2.在客戶的會員等級維度上，客戶流失率最高的是最低等級4級會員，流失率為41.56%，表明客戶的會員等級越低流失率就越高；6級會員流失率為11.04%，較5級會員的流失率5.08%高出5.96%。

3.在客戶的積分兌換次數維度上，積分兌換0—4次的流失率分別為：42.18%、22.23%、17.74%、14.45%、11.17%。沒有進行過積分兌換的客戶流失率最高，進行過4次積分兌換的客戶流失率最低，可見積分兌換次數越多，客戶流失率越低。

對此現象，航空公司可以通過降低積分兌換額度、提高兌換品類來鼓勵會員進行積分兌換，以此提高客戶感知價值，減少流失。

由于1—10歲人群還不具備自主消費意愿，所以不作為流失率分析指標。上圖數據顯示，該航空公司客戶年齡與流失率的關系呈正態分布，在40歲以前，隨著年齡的增長客戶的生活和事業日漸成熟，乘飛機次數也會相應增加；40歲以后，會員客戶的年齡漸大，乘飛機次數也會相應減少。

根據以上現象，航空公司可以針對40歲以下的客戶提供高品質和高效率的服務，滿足其社會需求；可以針對40歲以上客戶提供舒適、便捷的服務，提高客戶體驗和忠誠度。

（三）主成分分析

由于變量較多，為便于構建分析模型，本文將運用主成分分析來獲取主導變量。

分析結果是由14個主要因素構成的相關性因素矩陣。為降低相關性對分析過程帶來的干擾，從中選取10個主成分變量來代替原有的14個數值變量進行后續的建模分析。該10個主成分（1—10）能夠解釋全部變量的比例達到98.159%。

所選取的前10個主要成分變量分別為：會員卡級別、年齡、飛行次數、第一季度飛行次數、第二季度飛行次數、第三季度飛行次數、總飛行公里數、最大乘機間隔、平均折扣率、第1年乘機次數。

在此針對會員卡級別、年齡、飛行次數和第一季度飛行次數這前4個主要變量進行分析，它們對流失率的影響分別為49.217%、9.429%、8.317%和7.053%，累計74.016%，在14個變量中具有較強的代表性。

對此現象，航空公司首要任務是針對不同級別會員制定更加合理的管理方案和優惠策略，完善會員管理生態體系；其次，針對不同年齡的會員客戶制定差異化的服務管理辦法，例如為中老年人提供一些更加舒適暖心的服務，滿足不同年齡段客戶的需求；此外，航空公司還應在每年的第一季度提高折扣力度，此舉不僅可以提高客戶忠誠度，還有利于新客戶的開發。

（四）UNIVARIATE分析

UNIVARIATE過程是探索性數據分析中最常用的過程之一，它可以計算均值、中位數、偏度系數、偏峰系數等描述性統計量。

以下是對該航空公司的avg_discount平均折扣率）進行的UNIVARIATE分析過程，表1為輸出結果，從表中數據可見A航空公司的平均折扣力度在0.72左右，符合正態分布。

航空公司可以考慮調整對于未流失客戶的預警，比如結合上文分析的會員卡級別、年齡、飛行次數和第一季度飛行次數4個主要影響因素進行折扣，這樣可以有效的降低客戶流失率。

（五）LOGISTIC回歸分析

因為該A航空客戶的流失情況數據中，因變量是分類變量而不是連續變量，所以本文采用來LOGISTIC回歸[7]模型來進行定量分析分類變量。可用分層變量控制法的原理，來擬合條件LOGISTIC回歸模型[8]。

使用SPSS 22軟件擬合前面所選的主成分分析變量，進行LOGISTIC回歸擬合，報表中輸出如下：因變量0（非流失）頻數38315；因變量1（流失）頻數24253，百分比38.8%。

使用選項EVENT=“1”，使LOGISTIC過程對runoff_flag=1進行建模。

在表2變量分析報表中，給出了MAX_FLIGHT_ INTERVAL（最大乘機間隔）、FFP_TIER（會員卡級別）、age（年齡）、FLIGHT_COUNT（飛行次數）、FLIGHT_COUNT_QTR_1（第一季度飛行次數）、FLIGHT_COUNT_QTR_2（第二季度飛行次數）、FLIGHT_COUNT_QTR_5（第五季度飛行次數）、SEG_KM_SUM（總飛行公里數）、avg_discount（平均折扣率）和P1Y _Flight_Count（第1年乘機次數）的參數估計和假設檢驗結果，這里是運用顯著性檢驗，報表中除了age、FLIGHT_COUNT_QTR_2外，顯著性都小于0.01，說明參數都是顯著非零的。因此，可以將LOGISTIC回歸模型寫成如下形式：

四、結語

根據統計數據顯示，A航空公司客戶流失率基本在每年40%左右，通過主成分分析、L OGISTIC分析模型等方法發現客戶流失主要與屬性變量中的會員卡級別、入會時長有關，與行為變量中的每年的乘機次數、平均折扣率、最大間隔乘機時間關系密切。對于長時間未乘機的客戶及時做出相應提醒。根據最后一次乘機時間來設置老客戶召回日，減少客戶流失比例。實行老顧客計劃，對非忠誠顧客提供一定的個性化服務，促使其下次在此消費。

參考文獻：

[1]崔亞奇.基于C5.0算法的航空客戶流失分析[J].西安航空學院學報，2018，36（01）：72-77.

[2]姜朋，李挺.基于大數據的航空客戶價值分析[J].民航學報，2019，3（03）：1-4.

[3]潘玲玲.基于旅客行為的航空旅客細分模型研究及其實現[D].南京：南京航空航天大學，2011.

[4]陳寧.航空公司客戶價值分析——以某一航空公司為例[J].現代商業，2017（22）：137-138.