基于改进RFM模型的航空公司顾客分级研究

新冠疫情的全球爆发和疫情防控措施的常态化给航空业带来了严重利润损失和顾客流失等问题,航空企业迫切需要新的营销策略和顾客管理方案。针对以上问题,本文通过对传统顾客分级模型进行研究和改进,为航空企业的精准营销策略提供理论支持和模型工具。为了更加贴合航空企业的特征以及计算更加精确,本文在经典RFM模型基础上进行改进和创新,考虑航空企业在服务、管理和保留顾客过程中付出的服务成本,构建RFMC模型,重新评估顾客价值。本文采用SOM神经网络算法将顾客分为:核心顾客、机会主义顾客、服务流失顾客和边缘顾客4个级别,根据不同顾客群的特征和价值,改变营销策略,提供差异化服务,降低服务成本,最大化企业利润,提高航空企业竞争力。     

基于机器学习算法的机票价格预测研究

将机票价格预测定为回归问题,以历史机票数据作为研究对象,寻找影响机票价格的特征为研究目的。首先对数据集进行数据预处理,归一化消除量纲差,再将0/1整数规划确定为特征提取的子集形式,用9种特征选择方法选择影响机票价格的特征子集,构建包括原始数据集的5个数据子集。运用线性回归模型、梯度提升模型、随机森林模型、CART决策树模型、K近邻模型和MLP模型评估5个数据子集预测结果的优劣。从结果表明,MLP模型应用于5个子集的预测效果均表现良好,MSE值最小达到0.000 31,MLP模型在subset＿4数据子集上的R2值为0.999 73,说明subset＿4是机票价格预测的最优解。