基于Matlab编程的客户价值分析模型.doc

1、目 录1. 背景与挖掘目的52. 问题分析52.1 分析方法63 建模过程与求解73.1 模型的流程73.2 模型的建立83.2.1 数据预处理83.2.2 模型构建143.2.3 结果与分析143.2.4 模型的应用174. 实验总结184.1开发环境与软件配置184.2 小组分工184.3 个人小结18参 考 文 献191问题背景与挖掘目的信息时代的来临使得企业营销焦点从产品中心转变为客户中心，客户关系管理成为企业的核心问题。客户关系管理的关键问题是客户分类，通过客户分类，区分无价值客户、高价值客户，企业针对不同价值的客户制定优化的个性化服务方案，采取不同营销策略，将有限的营销资源集中于高

2、价值客户，实现企业利润最大化的目标。准确的客户分类结果是企业优化营销资源分配的重要依据，客户分类越来越成为客户关系管理中亟待解决的关键问题之一。面对激烈的市场竞争，各个航空公司都推出了更优惠的营销方式来吸引更多的客户，国内某航空公司面临着旅客流失、竞争力下降和航空资源未充分利用等经营危机。通过建立合理的客户价值评估模型，对客户进行分群，分析比较不同客户群的客户价值，并制定相应的营销策略，对不同的客户群提供个性化的客户服务是必须的和有效的。目前该航空公司已积累了大量的会员档案信息和其乘坐航班记录，经加工后得到如表1所示的数据信息。表1 航空信息属性表根据表2所示的数据实现以下目标：（1）借助航空

3、公司客户数据，对客户进行分类；（2）对不同的客户类别进行特征分析，比较不同类别客户价值 ；（3）对不同价值的客户类别提供个性化服务，制定相应的营销策略。表2 航空信息数据表2 分析方法与过程这个案例的目标是客户价值识别，即通过航空公司客户数据识别不同价值的客户。识别客户价值应用最广泛的模型是通过三个指标（最近消费时间间隔（Recency），消费频率（Frequency），消费金额（Monetary）来进行客户细分，识别出高价值的客户，简称RFM模型。 在RFM模型中，消费金额表示在一段时间内，客户购买该企业产品金额的总和。由于航空票价受到运输距离，舱位等级多种因素的影响，同样消费金额的不同旅客

4、对航空公司的价值是不同的。比如一位购买长航线，低等级航位票的旅客与一位购买短航线，高等级舱的位票的旅客相比，后者对于航空公司而言价值可能更高，因此这个指标并不适合于航空公司的客户价值分析。我们选择客户在一定时间内累积飞行里程（M）和客户在一定时间内乘坐舱位对所应的折扣系数的平均值（C）两个指标代替消费金额，此外，考虑航空公司会员入会时间的长短在一定程序上能够影响客户价值 ，所以在模型中增加客户的关系长度（L），以作为区分客户的另一指标。本案例将客户关系长度（L）、消费时间间隔（R）、消费频率（F）、飞行里程（M）和折扣系数的平均值（C），五个指标作为航空公司识别客户价值的指标，如表3所示，记为

5、LRFMC模型。、 表3 LRFMC模型各指标的含义模型LRFMC航空公司LRFMC模型会员入会时间距观测窗口结束的月数客户最近一次乘坐飞机距观察窗口结束的月数客户在观测窗口内乘坐公交飞机的次数客户在观测窗口内累计的飞行里程客户在观测窗口内乘坐舱位说对应的折扣系数的平均值 针对航空LRFMC模型，如果采用传统RFM模型分析的属性分箱方法，如图1所示（它是依据属性的平均值进行划分的，其中大于平均值的表示为，小于平均值的表示为 ，虽然也能够识别出最有价值的客户，但是细分的客户群太多，提高了针对性营销的成本。因此，本案例采用聚类的方法识别客户价值。通过对航空公司客户价值LRFMC五个指标进行K-Me

6、ans聚类，识别出最有价值的客户。图1 RFM模型 本案例航空客户价值分析的总体流程，如图2所示：图2 航空客运数据挖掘建模总体流程航空客运信息挖掘主要包括以下步骤：（1） 从航空公司的数据源中进行选择性抽取与新增数据抽取分别形成历史数据和增量数据。（2） 对第一步形成的两个数据集进行数据探索分析与预处理。包括数据缺失值与异常值的探索分析，以及数据的属性规约、清洗和变换。（3） 利用第二步形成的已完成数据预处理的建模数据，基于旅客价值 LRFMC模型进行客户分群，对各个客户群进行特征分析，识别出有价值的客户。（4） 针对模型结果得到不同价值的客户，采用不同的营销手段，为其提供定制化的服务。3.

7、2.1数据抽取以2014-03-31为结束时间，选取宽度为两年的时间段作为分析观测窗口，抽取观测窗口内有乘机记录的所有客户的详细数据形成历史数据。对于后续新增的客户详细信息，以后续新增数据中最新的时间点作为结束时间，采用上述同样的方法进行抽取，形成增量数据。 从航空公司系统内的客户基本信息、乘机信息以及积分信息等详细数据中，根据末次飞行时期（LAST-FLIGHT-DATE）,抽取2012-04-012014-03-31内所有乘客的详细数据，总共62988条记录。其中包含了如会员卡号、入会时间、性别、年龄、会员卡级别、工作地域市、工作地所在省份、工作地所在国家、观测窗口结束时间、观测窗口乘机积

8、分、飞行公里数、飞行次数、飞行时间、乘机时间间隔、平均折扣率等44个属性。3.2.2数据探索分析 本案例的数据探索分析是对数据进行缺失值分析与异常值分析，分析出数据的规律以及异常值，通过对数据进行观察发现原始数据中存在票价为空值、票价最小值为0、折扣率最小值为0、总飞行公里数大于0的记录。票价为空值的数据可能是客户不存在乘机记录造成的，其他的数据可能是客户乘坐0折扣机票或者积分兑换造成的。查找每列属性观测值中空值个数、最大值、最小值的MATLAB的代码，如下所示。% 数据空缺值探索,如果是字符串则返回缺失值个数，% 如果是数值型返回缺失值个数以及最大最小值clear;% 参数初始化datafi

9、le= air_data.csv ; % 航空原始数据,第一行为属性标签logfile = log.txt; % 日志文件resultfile = explore.xls; % 数据探索结果表% 读取数据num,txt = xlsread(datafile);rows,cols = size(num);% 初始化 结果变量results = cell(5,cols+1);result = zeros(4,cols);results(:,1)= 属性;空记录数;缺失率;最大值;最小值;results(1,2:end)=txt(1,:);% 记录日志log_add(logfile,文件 dataf

10、ile 一共有 num2str(rows) . 条记录); % 遍历所有列，进行空缺判断for i= 1: cols % 判断txt每列从第二行开始 ，是否都是空串 empty_sum = sum(cellfun(isempty,txt(2:end,i); % 如果是空串，则empty_sum=rows,即为数值型 if empty_sum=rows % 该列为数值型 min_ = min(num(:,i); % 最小值 max_ = max(num(:,i); % 最大值 nan_sum = sum(isnan(num(:,i); nan_rate = nan_sum/rows; % 缺失率

11、 loginfo=属性列 txt1,i 是数值型，其最大值为. num2str(max_) ,最小值为 num2str(min_) . ,缺失值个数为 num2str(nan_sum) 个，缺失率为 . num2str(nan_rate); log_add(logfile,loginfo);% if nan_sum=0% disp(loginfo);% end result(1,i)=nan_sum; result(2,i)=nan_rate; result(3,i)=max_; result(4,i)=min_; else % 该列为字符串型，接着判断txt emptynum,emptyra

12、te= find_empty(txt(2:end,i); loginfo=属性列 txt1,i 是字符串型，缺失值个数为 . num2str(emptynum) 个，缺失率为 . num2str(emptyrate); log_add(logfile,loginfo);% if emptynum=0% disp(loginfo);% end result(1,i)=nan_sum; result(2,i)=nan_rate; endend % 写入数据探索结果results(2:end,2:end)=num2cell(result);xlswrite(resultfile,results);d

13、isp(代码运行完成！);执行完毕在当前目录产生日志记录文件log.txt，以及数据处理结果保存的文件explore.xls。根据上面的代码得到的探索结果，如表4所示：表4 数据探索分析结果属性空记录数缺失率最大值最小值MEMBER_NO00629881FFP_DATE0000FIRST_FLIGHT_DATE0000GENDER0000FFP_TIER0064WORK_CITY0000WORK_PROVINCE0000WORK_COUNTRY0000AGE4200.00671106LOAD_TIME4200.006700FLIGHT_COUNT002132BP_SUM005053080EP_

14、SUM_YR_10000EP_SUM_YR_200744600SUM_YR_15510.00872395600SUM_YR_21380.00222341880SEG_KM_SUM00580717368WEIGHTED_SEG_KM005.5844e+050LAST_FLIGHT_DATE0000AVG_FLIGHT_COUNT0026.62500.2500AVG_BP_SUM006.3164e+040BEGIN_TO_FIRST007290LAST_TO_END007311AVG_INTERVAL007280MAX_INTERVAL007280ADD_POINTS_SUM_YR_1006000

15、000ADD_POINTS_SUM_YR_2007282820EXCHANGE_COUNT00460avg_discount001.50000P1Y_Flight_Count001180L1Y_Flight_Count001110P1Y_BP_SUM002461970L1Y_BP_SUM002591110EP_SUM00744600ADD_Point_SUM009849380Eli_Add_Point_Sum009849380L1Y_ELi_Add_Points007282820Points_Sum009855720L1Y_Points_Sum007282820Ration_L1Y_Fligh

16、t_Count0010Ration_P1Y_Flight_Count0010Ration_P1Y_BPS001.00000Ration_L1Y_BPS001.00000Point_NotFlight0014003.2.3 数据预处理本案例主要采用数据清洗、数据规约与数据变换的预处理方法1.数据清洗 通过数据探索分析，发现数据中存在缺失值，票价最小值为0、折扣率为0、总飞行公里数大于0的记录。由于原始数据量大，这类数据所占比例较小，对该问题影响不大，因而对其进行丢弃处理，具体处理方法如下： 丢弃票价为空的记录。 丢弃票价最小值为0、折扣率为0、总飞行公里数大于0的记录。使用Matlab对满足清洗

17、条件的数据进行丢弃，处理方法为满足清洗条件的一行数据全部丢弃，其代码如下：% 数据清洗，过滤掉不符合规则的数据clear;% 参数初始化datafile = air_data.csv; % 数据文件cleanedfile = data_cleaned.csv; % 数据清洗后保存的文件% 清洗空值和不符规则的数据num,txt=xlsread(datafile); row,col=size(txt);% 数据整合for i=1:col % 判断txt每列从第二行开始 ，是否都是空串 empty_sum = sum(cellfun(isempty,txt(2:end,i); % 如果是空串，则e

18、mpty_sum=row-1,即为数值型 if empty_sum = row-1 txt(2:end,i)=num2cell(num(:,i); % 把数值型转为cell类型，并整合 end% if mod(i,500)=0% disp(已整合数据 num2str(i) 条记录.); % endenddisp(过滤前行数： num2str(size(txt,1);% 初始化变量txt_copy=;rule1_sum =0;rule2_sum =0;% 数据过滤for i=2:row % 从第二行数据行开始判断 % 判断每一行数据是否符合规则，其中filter_data为自定义函数， % 如果

19、数据符合要求则返回1，否则返回0 filterflag,rule1_sum,rule2_sum = filter_data(txt(i,:),rule1_sum,rule2_sum); if filterflag =0 % 不合要求,删除 txt_copy=txt_copy,i; % 清除数据 end% if mod(i,500)=0% disp(已过滤数据 num2str(i) 条记录.); % endendtxt(txt_copy,:)=;disp(过滤后行数： num2str(size(txt,1)-1) ，规则1过滤记录数： num2str(rule1_sum) . 规则2过滤的记录数

20、： num2str(rule2_sum);% 写入过滤后的数据xlswrite(cleanedfile,txt); % 写入数据文件执行结束产生数据处理结果保存的文件data_cleaned.csv。过滤前行数：62989过滤后行数：62051，规则1过滤记录数：689规则2过滤的记录数：2482.属性规约 原始数据中属性太多，根据航空公司客户价值LRFMC模型，选择与LRFMC指标相关的六个属性：FFP_DATE、LOAD_TIME、FLIGHT_COUNT、AVG_DISCOUNT、SEG_KM_SUM、LAST_TO_END，删除与其不相关、弱相关或冗余的属性。例如：会员卡号、性别、工作

21、地城市、工作地所在省份、工作地所在国家、年龄等属性。经过属性选择后的数据集，如表5所示： 表5 属性选择后的数据集3.数据变换数据变换是要将数据转换成适当的格式、以适应挖掘任务及算法的需要。本案例总主要采用的数据变换方式有属性构造和数据标准化。由于原始数据中并没有直接给出LRFMC五个指标，需要通过原始数据提取这五个指标，具体的计算方式如下： L=LOAD_TIMEFFP_DATE会员入会时间距观测窗口结束的月数=观测窗口结束的时间会员入会时间（单位：月） R=LAST_TO_END客户最近一次乘坐飞机距观测窗口结束的月数=最后一次乘机时间至观窗口末端时长(单位：月) F=FLIGHT_COU

22、NT客户在观测窗口内乘坐公司飞机的次数=观测窗口内的飞行次数(单位：次) M=SEG_KM_SUM客户在观察时间内在公司累计的飞行里程=观测窗口总飞行公里数（单位：公里） C=AVG_DISCOUNT客户在观测时间内乘坐舱位所对应的折扣系数的平均值=平均折扣率（单位：无）数据变换之后保存在EXCEL文件zscoredata.xls中，如下格式：以上五个指标的数据提取后，对每个指标数据分布情况进行分析，其数据的取值范围如表6所示。从表中数据来看，五个指标的取值范围数据差异较大，为了消除数量及数据带来的影响，需要对数据进行标准化处理。 表6 LRFMC指标的取值范围属性名称LRFMC最小值12.2

23、30.0323680.14最大值114.6324.372135807171.5 用标准差标准化处理的Matlab代码如下，datafile为数据预处理后的输入数据文件zscoredata.xls，zscoredfile为标准差标准化后的数据文件zscoreddata.xls。% 标准差标准化clear;% 参数初始化datafile = zscoredata.xls; % 需要进行标准化的数据文件；zscoredfile = zscoreddata.xls; % 标准差化后的数据存储路径文件；% 标准化处理data,txt=xlsread(datafile); zscoredata = zsc

24、ore(data) ; % 其中zscore函数为MATLAB内置的标准化函数% 数据写入xlswrite(zscoredfile,txt;num2cell(zscoredata);执行结束产生数据处理结果保存的文件zscoreddata.xls3.2.2 模型构建客户价值分析模型构建主要有两个部分组成：第一个部分根据航空公司客户五个指标的数据，对客户做聚类分群；第二部分结合业务对每个客户群进行特征分析，分析其客户价值，并对每个客户群进行排名。1.客户聚类采用K-means聚类算法对客户数据进行客户分群，聚成五类（需要结合业务的理解与分析来确定客户的类别数量）。利用K-means聚类算法进行客

25、户分群的MATLAB代码，代码如下。输入数据集为inputfile，聚类类别数为k=5,输出结果type为每个样本对应的类别号，centervec为聚类中心向量。% K-Means聚类算法clear;% 参数初始化inputfile = zscoreddata.xls; % 待聚类的数据文件；k=5; % 需要进行的聚类类别数；logfile = log.txt; % 日志文件% 读取数据并进行聚类分析num,txt=xlsread(inputfile); % 读取数据% 调用k-means算法，进行聚类分析 type,centervec = kmeans(num,k);% 其中，type为每

26、个样本对应的类别号，centervec为聚类中心向量；% 打印结果for i=1:kdisp(第 num2str(i) 组样本个数：, num2str(length(find(type=i);disp(第 num2str(i) 组样本个数占比：, num2str(length(find(type=i)/length(type); disp(第 num2str(i) 组聚类中心为：); disp(centervec(i,:);end% 聚类中心写入日志文件rows = size(centervec,1); for i=1:rows loginfo= 聚类号为 num2str(i) 的聚类中心向量

27、为： . num2str(centervec(i,:); log_add(logfile,loginfo);end对数据进行聚类分群的结果，如表7所示（由kmeans的输出type和centervec可得）。表7 客户聚类结果第1组样本个数：5323第1组样本个数占比：0.085794第1组聚类中心为： 0.4822 -0.7993 2.4861 2.4261 0.3019第2组样本个数：12201第2组样本个数占比：0.19665第2组聚类中心为： -0.3146 1.6823 -0.5740 -0.5371 -0.1629第3组样本个数：24914第3组样本个数占比：0.40155第3组聚

28、类中心为： -0.6997 -0.4125 -0.1634 -0.1640 -0.2391第4组样本个数：15830第4组样本个数占比：0.25514第4组聚类中心为： 1.1578 -0.3755 -0.0890 -0.0969 -0.1524第5组样本个数：3776第5组样本个数占比：0.06086第5组聚类中心为： 0.0995 -0.0134 -0.1988 -0.1964 2.31732. 客户价值分析针对聚类结果进行特征分析，如图3所示，其中客户群1在F、M属性中最大，在R属性最小；客户群2在L属性中最大；客户群3在R属性中最大，在F、M属性中最小，客户群4在L、C属性中最小；客户

29、群5在C属性中最大。结合业务分析，通过比较各个指标在群间的大小对某一个群的特征进行评价分析。如客户群1在F、M属性中最大，在R指标最小，因此可以说F、M、R在群1是优势特征；以此类推，F、M、R在群3上是劣势特征，从而总结出每个群的优势和弱势特征。图3 客户群的特征分析图由上述客户群特征分析的图表说明每个客户群的都有显著不同的表现特征，基于该特征描述，本案例定义五个等级的客户类别：重要保护客户，重要发展客户，重要挽留客户，一般客户与低价值客户。他们之间的区别，如图所示，其中每种客户类别的特征如下。图4 客户类别的特征分析 重要保持客户：这类客户的平均折扣率（C）较高（一般所乘航班的舱位等级较高

30、），最近乘坐过本公司航班（R）少，乘坐的次数（F）多或里程（M）较长。他们是航空公司的高价值客户，是最为理想的客户类型，对航空公司的贡献最大，所占比例却较小。航空公司应该优先将资源投放到他们的身上，对他们进行差异化管理和一对一的营销，提高这类客户的忠诚度与满意度，尽可能地延长这类客户的高水平消费。 重要发展客户：这类客户的平均折扣率（C）较高，最近乘坐过本公司航班（R）少，但乘坐次数（F）少或乘坐里程（M）较短。这类客户入会时长（L）短，他们是航空公司的潜在价值客户。虽然这类客户的当前价值 并不是很高，但却有很大的发展潜力。航空公司要努力促使这类客户增加在本公司的乘机消费和合作伙伴处的消费，也

31、就是增加客户钱包份额。通过客户价值的提升，加强这类客户的满意度，提高他们转向竞争对手的转移成本，使他们逐渐成为公司的忠诚客户。 重要挽留客户：这类客户过去所乘航班的平均折扣率（C）高，乘坐次数（F）多或者里程(M)较长，但是较长时间已经没有乘坐本公司的航班（R）或是乘坐频率变低，该类客户价值变化的不确定性很大。由于这些客户衰退的原因各不相同，所以掌握客户最新信息，维持与客户的互动就显得尤为重要了。航空公司应该根据这些客户的最近消费时间，消费次数的变化情况，推测客户消费的异动状况，并列出客户的名单，对其进行重要联系，采取一定的营销手段，延长该类客户的生命周期。 一般客户或低价值客户：这类客户所乘

32、航班的平均折扣率（C）很低，较长时间没有乘坐过本公司航班（R）少，乘坐的次数（F）少或里程（M）较少，入会时长（L）短，他们是航空公司的一般用户或低价客户，可能是在航空公司机票打折促销时，才会乘坐该公司的航班。其中，重要发展客户、重要保持客户、重要挽留客户，这三类重要客户分别可以归入客户生命周期管理的发展期、稳定期、衰退期三个阶段。根据每种客户类型的特征，对各类客户群进行客户价值排名，其结果如表8所示。针对不同类型的客户群提供不同的产品和服务，提升重要发展客户的价值、稳定和延长重要保持客户的高水平消费、防范重要挽留客户的流失，并积极进行关系恢复。表8 客户群价值排名 本模型采用历史数据进行建模

33、，随着时间的变化，分析数据的观测窗口也在变换，因此，对于新增客户详细信息，考虑业务的实际情况，该模型建议每一个月运行一次，对其新增客户的信息通过聚类中心进行判断，同时对本次新增客户特征进行分析。如果增量数据的实际情况与判断结果差异大，需要业务部门重点关注，查看变化大的原因以及确认模型的稳定性。如果模型的稳定性变化大，需要重新对模型进行调整。目前对模型进行重新调整的时间没有统一标准，大部分情况都是根据经验来决定的。根据经验建议：每隔半年调整一次模型比较合适。32.4模型应用根据对各个客户群进行特征分析，采取下面的一些营销手段和策略，为航空公司的价值客户群的管理提供参考。（1）会员的升级与保级航空

34、公司的会员可以分为白金卡会员，金卡会员，银卡会员，普通卡会员，其中非普通卡会员可以统称为航空公司的精英会同。虽然各个航空公司都有自己的特点和规定，但会员制的管理方法是大同小异的。成为精英会员一般都是要求在一定时间 内（如一年）积累一定的飞行里程或航段，达到这种要求后就会在有效期内（通常为两年）成为精英会员，并享受相应的高级别服务。有效期快结束时，根据相关的评价方法确定客户是否有资格继续作为精英会员，然后对该客户进行相应地升级或降级。 然而，由于许多客户并没有意识到或根本不了解会员升级或保级的时间与要求（相关的文件说明往往复杂且不易理解），经常在评价期过后才发现自己其实只差一点儿就可以实现升级或

35、保级，却错过了机会，使之前的里程积累白白损失了。同时，这种认知还可能导致客户的不满，于是干脆放弃在该公司的消费。 因此，航空公司可以在对会员升级或保级进行评价的时间点之前，对那些接近但尚未达到要求的较高消费的客户进行适当地提醒甚至采取一些促销活动，刺激他们通过消费达到相应的标准，这样既可以获得收益，同时也提高了客户的满意度，增加了公司的精英会员。（2）首次兑换航空公司常旅客计划中最能够吸引客户的内容就是客户可以通过消费积累的里程来兑换免费机票或免费升舱等。各个航空公司都有一个首次兑换标准，也就是当客户的里程或航段积累到一定程度时才可以实现第一次兑换，这个标准会高于正常的里程兑换标准。但是很多公

36、司的里程积累随着时间会进行一定的削减。例如，有的公司会在年末对该年积累的里程进行折半处理。这样会导致许多不了解情况的会员白白损失自己好不容易积累的里程，甚至总是难以实现首次兑换。同样，这也会引起客户的不满或流失。可以采取的措施是从数据库中提取出接近但尚未达到首次兑换标准 的会员，对他们进行提醒或促销，使他们通过消费达到标准，一旦实现了首次兑换，客户在本公司进行再次消费兑换就比在其他公司进行兑换要容易许多，在一定程度上等于提高了客户转移的成本。另外，在一些特殊的时间点（如里程折半的时间点）之前可以给客户一些提醒，这样可以增加客户的满意度。（3）交叉销售 通过发行联名卡等与非航空类企业的合作，使客

37、户在其他企业的消费过程中获得本公司的积分，增强客户与公司的联系，提高他们的忠诚度，如可以查看重要客户在非航空类合作伙伴处的里程积累情况，找出他们习惯的里程积累方式（是否经常在合作伙伴处消费，更喜欢消费哪些类型的合作伙伴的产品），对他们进行相应的促销。 客户识别期和发展期可为建立客户关系打下基石，但是这两个时期事业来的客户关系是短暂的，不稳定的，企业要获取长期的利润，必须具有稳定的，高质量的客户，保持客户对于企业是至关重要的，不仅因为争取一个新客户的成本远远高于维持老客户的成本，更重要的是客户的流失会造成公司收益的直接损失。因此，在这一时期，航空公司应该努力维系客户关系水平，使之处于较高的水准，

38、最大化在生命周期内公司与客户的互动价值，并使这样的高水平尽可能地延长。对于这一阶段的客户，主要应该通过提供优质的服务产品和提高服务水平来提高客户的满意度。通过对常旅客数据库的数据挖掘，进行客户细分，可以获得重要保持客户的名单。这类客户一般所乘航班的平均折扣率（C）较高，最近乘坐过本公司航 班（R）少，乘坐的频率（F）高或里程（M）也较长，他们是航空公司的价值客户，是最为理想的客户类型，对航空公司的贡献最大，所占比例却比较小。航空公司应该优先将资源投放到他们身上，对他们进行差异化管理和一对一的营销，提高这类客户的忠诚度与满意度，尽可能地延长这类客户的高水平消费。 5 实验总结5.1 开发环境与软件配置（1）平台：Windows 7（2）数据库：excel（3）编程语言：Matlab5.2 小组分工5.3 个人小结参 考 文 献1范明，孟小峰.数据挖掘概念与技术M.北京：机械工业出版社，20122张良均.Matlab数据分析与挖掘实战M.北京：机械工业出版社，201515