浅谈数据挖掘对航空数据统计工作的创新

王佳丽

摘 要：数据挖掘技术是一门全新的信息处理技术，其能够从海量的数据中根据设定的挖掘目标来挖掘有价值的信息。航空公司在运营过程中需要涉及众多数据统计的工作，将数据挖掘技术应用在其中就能够有效提升数据统计工作效率，使得数据价值最大化。文章主要以航空公司客户关系管理工作为例，针对数据挖掘技术对航空数据统计工作的创新进行探析。

关键词：数据挖掘；航空公司；客户关系管理

引言

在航空公司市场竞争日益激烈的环境下客户关系管理已经不仅仅是电话关怀可以实现的。一条信息或简单的行为都有可能会赢到航空公司客户和潜在客户的去留。从海量的数据中进行分析有助于商业运作，能够帮助航空公司做出更加正确的决定。数据挖掘是一种全新的商业信息数据处理手段，其能够在企业客户关系管理工作中的各个方面起到关键作用，包括新客户争取、保留老客户、提升客户利润等等。

1.数据挖掘技术

1.1时间序列分析法

时序数据是指某些在相同时间间断下所获得的，伴随着实践改变的序列值整数或者实数。时间序列就是根据时间的顺序来蝴蝶的一系列观测值。时间序列的数据库就是包含时序数据的数据库[1]。在时序数据的挖掘过程中可以将时序数据分为以下几个类别：1）数值型序列。即为狭义的时间序列，其构成序列的元素为数值型的。例如网站的点击率、证券价格历史数据等。单个或多个时间序列均能够被作为挖掘对象；2）事务型序列。该序列即为构成序列的元素为事务型的。例如，客户在某一段时间中消费的记录序列。对于事务序列来说其挖掘对象通常都是一组该序列的集合。3）事件型序列。該序列构成的元素为事件。例如，无线通信网络中的故障序列、用户界面交互行为序列等。对于事件型序列来说其挖掘对象是单个事件序列[2]。

1.2聚类分析法

聚类分析法是一种统计分析法，也被称作群分析。其主要是对样品与指标之间的分类问题进行研究。在商业领域中应用的数据挖掘方法通常都是不同类别的聚类分析计算法。

1.3预测法

预测法是一种获得连续取值数据，对信息中的预测知识进行挖掘的重要方法之一。传统的预测法主要包括时间序列分析法、线性与非线性回归模型等。现代应用前沿的预测方法包括神经网络与支持向量机算法。其主要可以被利用于描述建立预测未来数据趋势的模型。在商业领域中进行销售量、市场份额占有等数据的预测可以利用该算法[3]。

2.数据挖掘对旅客结构分析的创新应用

2.1旅客结构

2.1.1旅客分群

航空公司客户主要可以分为三大类别：首先，为无价值或低价值客户；其次，为不会轻易流失的有价值的客户；最后，是不断寻找更加优惠价格与服务的价值客户。传统的航空市场是针对前两种客户来开展的。而现代客户关系管理论认为，第三类客户是当前急需重视维护的重要价值客户，对这一类客户进行维护能够有效的降低航空公司的运营成本。数据挖掘技术能够在数据库中挖掘大量的数据，对其进行分析与处理，从而来对客户流失风险进行判断、分析与评价，并且从中获得客户流失的根本原因，客户流失风险的因素以及留住有价值客户的方式，将盈利能力低下的客户提升为盈利能力高的客户[4]。

2.1.2旅客忠诚度分析

忠诚的客户可以给航空公司带来巨大的利润空间。而数据挖掘技术可以对数据库中的大量数据进行挖掘分析，从而确定客户的消费习惯、消费数量以及消费频率，进而得知客户对品牌的忠诚程度、变动情况等数据，从而有针对性的确定忠诚客户，并且向其提供尊贵的一对一个性化服务，从而提升客户的忠诚度，帮助航空公司最大程度的挖掘客户的最大价值，对企业的经济利润增长起到积极作用。

2.1.3高端客户贡献

客户对航空企业盈利贡献的多少与企业利润的大小有着直接的关系。使用数据挖掘技术能够对客户进行分析，从而发现能够真正创造利润的高端客户[5]。同时，航空公司还可以利用数据挖掘技术将企业的无利客户与低利客户提升为高端客户。数据挖掘技术可以从数据库中获得客户信息以及客户的历史交易数据，从而对客户的利润贡献进行判断评价，以对客户日后的消费模式与消费行为进行预测，进而能够在航空市场营销过程中留住高端客户，保留高端客户的贡献。避免消耗过多的精力与时间无目的的开发新客户，尽可能的为高端客户提供个性化服务，有效降低航空公司的运营成本，提高经济收益。

2.2数据挖掘对旅客精细化管理工作中的创新应用

2.2.1数据挖掘流程

数据挖掘技术（Data Mining）就是从海量的、无序的、杂乱的、随机的数据中搜索、挖掘、识别有效的、有价值的、有意义的模式的过程。数据挖掘技术是一项涉及面宽广，涉及内容广泛的学科，其包含了神经网络、模式识别、数理统计等相关技术。数据挖掘的流程主要分为以下几个步骤：

（1）定义商业目标。每一个客户关系管理应用程序都拥有一个或者多个商业目标，只有当拥有商业目标的时候数据挖掘才不会漫无目的。数据挖掘技术必须根据特定的目标来建立模型。例如，基于提高市场占有率的目标来进行数据挖掘的准备工作，建立相关的模型，并且对数据挖掘的效果进行评价。

（2）数据处理。第一步，数据过滤。数据过滤可以保证所收集获得的数据能够满足分析的需求与目的。开展数据挖掘工作的重要前提之一就是获得高质量、有价值的数据。如果挖掘的数据对象不合理有弊端的话，那么就算利用最为科学、最为先进的数据挖掘工具也难以获得理想的效果。第二步，数据预处理。数据预处理这一步骤应该保证原始数据数据与输入标准相同。数据挖掘所需要的数据有一定的可能分布在客户数据库、产品数据等不同的数据库当中。因此需要对多个数据库进行合并处理，将其集成为单一的营销数据库，并且对多个数据来源的数据进行差异化处理，使其数据属性统一标准。同时，对存在重复的数据进行去除。

（3）数据分析。建立合理的预测模型之前需要对预处理后的数据进行粗略的分析，从而对数据有一个初步的认识，得知数据的最大值、最小值、平均值等，掌握数据的分布状况。

（4）数据准备。数据准备的内容包括给建立模型选择变量，从原始数据中建立新的预示值，从数据中选择样本来建立模型，更改变量使其与建模算法相同，最后建立模型。这一过程需要在众多模型中选择最合理的模型，最初的初始模型可能无法实现数据挖掘的目的，需要进行多次修改与调整。在探索最佳模型的过程中调整数据或问题的表述。

（5）评价模型。评价模型之一阶段是对数据挖掘构建的模型进行质量的判断。其评价方式是从预处理的数据中随机选择两个样本，分别用于构建模型以及验证校准样本产生模型。

2.2.2建立模型

（1）数据来源

数据来源主要途径为记录飞行计划的数据库以及航班起降数据库，即为一级数据库与二级数据库。在记录飞行计划数据库中包括了可选择所有的航空公司客户的信息，每一位客户的信息都十分相近。在这个数据库汇总可以利用统计学原理来进行完整的收集。航班起降数据库中包括以往所有的航班起降信息，例如飞机离开抵达机场的时间、客户预约或遗留的数据。在该数据库中客户活动的数据与信息被聚集起来。

（2）数据准备

从一级数据库中随机抽取一定量的在某段时间内某飞行航班的客户n个。对所选择的n个客户进行类别分割，其中1/4用于子样品使用，1/4用作确认子样品使用，剩余1/2用于验证工作精度使用，进而从过去的航班活动中获得最具有价值的数据。

（3）工作处理

航空公司客户会受到其飞行目的的影响来有规律的对机票进行购买。根据这一规则就能够获得的新的元素属性。即为根据客户旅行目的与方式来划分客户等级开展聚集数据，并且对这一数据群体冠以完整的备注。这样分割的主要目的就是识别典型的客户群体。每一类别客户群体的数据都有其相似之处，但是却存在根本性质的区别。聚类方法是解决数据挖掘技术这一问题的最佳方式。利用聚类分析法将彼此之间相对类似的样本归纳到同类当中，可以选择K-均值算法、自组织映射神经算法等。然后再将聚类结果进行综合处理，对客户进行标记。然后再利用决策树、贝叶斯分类等方式来进行建模，获得客户类别细分的模型。让航空公司可以识别有价值的客户，针对不同特点的客户类别来实施不同的营销策略与个性化服务。数据挖掘技术可以挖掘大量与客户沟通后累计的旅客满意度调查数据来获得影响客户满意度的各个因素以及每个因素的重要程度。进而通过客户调查、暗访竞争对手等方式来探索出与竞争对手对于影响客戶满意度上的差距，从而有针对性的做出改进，改善客户体验，提升客户满意度，提高航空公司核心竞争力。

3.结论

数据挖掘在航空公司数据统计工作中有着十分重要作用。利用数据挖掘能够对客户消费行为进行等级划分，以建立相对应的消费体系，通过准确的营销方式来实现高效率的客户关系管理工作。在航空公司客户关系管理中数据挖掘技术的使用能够让其准确掌握每一位客户的消费特点，从而有针对性的提供合适的服务，全面提升客户满意度，推动客户消费水平提升，提高客户利润价值，高效的留住客户，防止客户流失。（作者单位：中国国际航空股份有限公司）

参考文献：

[1] 任惠琳.商业企业营销数据挖掘及营销数据统计分析系统的有效构建[J].现代商业，2013，（31）：162-163.

[2] 张会荣，陈云.数据挖掘技术在航空公司CRM中的应用分析[J].曲靖师范学院学报，2011，（03）：40-45.

[3] 张曦，解开颜，张欢.高性能实时数据分析平台在航空公司收益提升中的应用[J].企业导报，2013，（23）：105-108.

[4] 巩斌.上市公司财务危机判别综合评价分析——基于数据挖掘技术[J].山东理工大学学报（社会科学版），2014，（01）：15-18.

[5] 阮梦黎.基于改进GEP的航空器故障数据挖掘研究与仿真[J].计算机仿真，2015，（06）：92-95.