«Дамы и господа, добро пожаловать на борт рейса ML-2223. Наша цель — выяснить, как авиакомпании могут улучшить свои рейтинги удовлетворенности клиентов. Попутно мы рассмотрим несколько подходов и дадим рекомендации и заключение».
В любом бизнесе жизненно важно знать потребности и потребности ваших клиентов, чтобы опережать своих конкурентов, и отрасль авиаперевозок не исключение. С таким большим количеством изменений в том, как работают авиакомпании в последние годы, что совпало с невообразимым эффектом COVID-19, необходимо изменить стратегию в отношении того, как авиакомпании обслуживают своих клиентов, и чтобы эффективно делать это, операторы авиакомпаний в основном должны сосредоточиться на двух планах: тщательно проанализировать отзывы недовольных клиентов и выяснить, какие услуги в наибольшей степени способствуют удовлетворению клиентов. Конечно, есть много других факторов, таких как пол, возраст, дальность полета и т. д., которые могут помочь. Мы также покажем, каких улучшений могла бы добиться авиакомпания, если бы она работала над услугами, которые мы рекомендовали. Итак, пристегните ремни и наслаждайтесь полетом!
Начнем с того, что используемый нами набор данных содержит около 139 000 строк и 25 атрибутов, и наш целевой атрибут — удовлетворенность. Набор данных уже разделен на обучающий и тестовый наборы. Теперь вы смотрите налево в свое окно ниже, мы проходим через EDA (исследовательский анализ данных) и очистку данных. Мы работали со всеми нулевыми значениями, приписывая их среднему значению и работая с выбросами. Мы увидели, что 57% клиентов нейтральны или недовольны, и только 43% удовлетворены, что ясно указывает на то, что авиакомпаниям необходимо работать над удовлетворенностью своих клиентов. Мы также видели то же самое для лояльных и нелояльных клиентов.
Мы дополнительно проанализировали набор данных, чтобы определить уровень удовлетворенности клиентов в каждом из трех классов обслуживания авиакомпаний: «Эконом плюс», «Бизнес» и «Эконом». Наши результаты показывают, что большинство пассажиров бизнес-класса довольны своим путешествием, в то время как большинство пассажиров как эконом-класса, так и эконом-класса плюс либо нейтральны, либо недовольны. Кроме того, наш анализ показал, что деловые поездки, как правило, приводят к более высокому уровню удовлетворенности по сравнению с личными поездками, при этом значительная часть путешественников из последней категории выражает нейтральность или неудовлетворенность.
Такой же подход был применен и к другим ключевым факторам, таким как возрастная группа и пол. Чтобы проанализировать влияние возраста на удовлетворенность клиентов, непрерывная переменная возраста была преобразована в 10 возрастных групп по 10 лет в каждой. Наш анализ показал, что наиболее довольные клиенты находятся в возрасте от 20 до 60 лет, в то время как нейтральные или неудовлетворенные клиенты, как правило, находятся в возрасте от 20 до 50 лет. Однако, пытаясь сравнить сегменты удовлетворенности с возрастом и полом, мы не смогли найти убедительной информации.
Чтобы выявить основные источники дискомфорта для лояльных клиентов эконом-класса, мы проанализировали их средние оценки различных атрибутов обслуживания. Анализ показал, что онлайн-посадка, услуга Wi-Fi на борту и простота онлайн-бронирования считаются наименее благоприятными атрибутами. Чтобы определить, были ли эти атрибуты также источником неудовлетворенности для нейтральных или недовольных клиентов в целом, мы построили средние оценки для этой группы. Результаты показали аналогичную картину с теми же тремя атрибутами, занимающими одно из самых низких мест.
Мы также проанализировали средний рейтинг обслуживания в зависимости от дальности полета. Мы классифицировали расстояния до 3000 миль как полеты на короткие или средние расстояния, а свыше 3000 миль — как полеты на дальние расстояния. Мы обнаружили, что рейсы на дальние расстояния получили более высокие оценки по сравнению с рейсами на короткие или средние расстояния. Рейсы на короткие расстояния получили более низкие оценки за такие функции, как развлечения на борту и простота онлайн-бронирования. Можно сделать вывод, что деловые путешественники, как правило, выбирают места бизнес-класса на дальних рейсах, что приводит к более высокому удовлетворению. Напротив, было обнаружено, что клиенты эко-класса, которые, как правило, совершают рейсы на короткие или средние расстояния, имеют более высокий уровень неудовлетворенности.
Выбор модели:
- Базовая модель (K-ближайших соседей):
Для анализа влияния различных характеристик на удовлетворенность клиентов мы построили корреляционную матрицу. Это потребовало создания фиктивной переменной для удовлетворения. Базовая модель была создана с использованием классификатора K ближайших соседей без какой-либо очистки данных или выбора признаков, что дало точность 66,7 %.
2. K-ближайшие соседи с последовательным выбором функций вперед:
Затем мы использовали последовательный выбор признаков, где мы установили оптимальное количество признаков от 1 до 13, чтобы уменьшить вычислительную сложность. Анализ графика показал, что точность выходит на плато после включения шести признаков. Максимальная точность была достигнута с 8 признаками (94,15%); однако разница в точности между 6 функциями (93,085%) и 8 функциями была минимальной. В результате шесть функций были сочтены оптимальным количеством функций для включения. Были выбраны шесть лучших характеристик: тип путешествия, класс, услуга Wi-Fi на борту, онлайн-посадка, тип клиента и местонахождение выхода на посадку.
3. Классификатор дерева решений:
Преимущество использования дерева решений заключается в том, что выбор признаков автоматически обрабатывается классификатором, и он эффективен в вычислительном отношении. Однако стабильность модели является серьезным недостатком, поскольку даже небольшие изменения могут изменить структуру дерева. К очищенному набору данных был применен классификатор дерева решений. Помимо точности, еще одной полезной метрикой, которую следует учитывать, является частота ложноотрицательных результатов. Этот показатель представляет собой процент неудовлетворенных клиентов, которые классифицируются как довольные. Крайне важно обращать внимание на этот показатель, поскольку авиакомпании рискуют потерять лояльность, если не смогут точно определить недовольных клиентов. Если эти клиенты останутся незамеченными, не будет никаких усилий, чтобы восстановить их лояльность. Мы видим, что наша точность увеличилась до 94,63%.
Коэффициент ложноотрицательных результатов (DT) = FN / (FN + TP) = 0,05
4. Классификатор случайного леса:
Поскольку этот классификатор использует среднее значение нескольких деревьев решений, он требует значительных вычислительных ресурсов. Следовательно, это смягчает проблему нестабильности, которую представляет дерево решений. На очищенном наборе данных был запущен классификатор дерева случайного леса. Наряду с самой высокой точностью, уровень ложноотрицательных результатов у классификатора Random Forest также самый низкий.
Коэффициент ложноотрицательных результатов (RF) = FN / (FN + TP) = 0,02
Оценка:
Модели оценивались на основе общей точности, поскольку целевая переменная (удовлетворенность) была смещена. Дерево случайного леса показало лучшую производительность, за ним следуют дерево решений и модель последовательного выбора признаков. Хотя древовидные классификаторы не поддаются интерпретации, результаты последовательного выбора функций использовались для определения двух функций, находящихся под контролем компании, которые оказывают наибольшее влияние на уровень удовлетворенности.
Уровень удовлетворенности набором тестовых данных прогнозировался на уровне 43,83% с использованием классификации случайного леса. Чтобы повысить уровень удовлетворенности, сервис Wi-Fi на борту и онлайн-посадка были выбраны в качестве двух наиболее важных функций, а их средний рейтинг был увеличен на единицу. В результате уровень удовлетворенности составил 53,5%, улучшение почти на 10%.
Рекомендация:
- Улучшение бортового Wi-Fi и услуг онлайн-посадки. Наш анализ показал, что бортовой Wi-Fi и услуги онлайн-посадки оказывают значительное влияние на удовлетворенность клиентов. Улучшая эти услуги, авиакомпании могут заметно повысить уровень удовлетворенности клиентов.
- Внедрите программу вознаграждений за лояльность: лояльные клиенты, как правило, демонстрируют более высокий уровень удовлетворенности, чем нелояльные клиенты. Авиакомпании могут извлечь из этого выгоду, предлагая вознаграждения и скидки, чтобы стимулировать лояльность клиентов.
- Перераспределение ресурсов из класса Eco Plus. Наш анализ показал, что класс Eco Plus используется редко, и в результате авиакомпании могут рассмотреть возможность перераспределения ресурсов из этой услуги в другую область бизнеса, которая может оказать большее влияние на удовлетворенность и лояльность клиентов. . Например, инвестирование в улучшение экономичных путешествий.
Наконец, этот проект и исследование были бы невозможны без помощи невероятно талантливых товарищей по команде — Альберта Ли, Ватсала Шаха, Сайнны Кристиан, Бавитры Шрути и Дженнифер Чжэн.
Источник: мы получили набор данных с сайта kaggle.com. (https://www.kaggle.com/datasets/teejmahal20/airline-passenger-satisfaction).
