航空旅客流失分析决策指南:CRC 流失风险系数模型 × 价值分层框架

信噪比过滤:剔除数据库中约 90% 的“一面之缘”过客。仅选取历史飞行频次 ≥ 3 次的旅客纳入分析,确保计算结果具备统计学意义上的行为规律。

⚠️ 需注意:此过滤会排除所有飞行 1-2 次的旅客,包括高价值首乘新客(首次公务舱但未复购)——这批人是“新客流失预警”的核心目标。建议改为两套样本并行:频次≥3 用于 CRC 计算 + 频次 1-2 的高客单价旅客单独标记。

核心思路

不以固定的 90 天为阈值,而是基于每个旅客自身的历史出行节奏来判定是否“变心”。一个习惯每月飞行的商旅人士,60 天不飞已是严重异常;而一个每季度才飞一次的旅客,90 天不飞未必是流失。

本文整合两个视角:Gemini 提出的 CRC(流失风险系数)行为模型与喜乐君的价值分层框架,形成完整的流失预警决策矩阵。

一、Gemini 方案:CRC 流失风险系数模型

第一步:选择高置信度样本

信噪比过滤:剔除数据库中约 90% 的“一面之缘”过客。仅选取历史飞行频次 ≥ 3 次的旅客纳入分析,确保计算结果具备统计学意义上的行为规律。

第二步:流失风险系数(CRC)定义

采用双维坐标衡量旅客是否变心,比“一刀切”的 90 天更科学:

CRC = 距最后出行天数 (REC) / 平均出行间隔

变量

定义

说明

REC

`DATEDIFF(CURRENT_DATE, last_flight_dt)`

最近一次出行距今天数,捕捉即时活跃度

平均出行间隔

`总跨度天数 / (飞行频次 - 1)`

基于旅客个人历史节奏,反映“正常”出行频率

示例:某旅客 3 次飞行跨度 200 天 → 平均间隔 = 200/(3-1) = 100 天。若 REC = 250 天 → CRC = 2.5,说明已超过其正常节奏 2.5 倍,属于高风险。

⚠️ 需注意:“总跨度天数”需明确定义——是 last_flight_dt - first_flight_dt 还是分析窗口内的跨度?前者会受早期历史影响,建议限定在近 12 或 24 个月内计算。

第三步:旅客流失风险定级规则

系统按以下优先级自动判定旅客状态(优先级从上到下,命中即停止):

优先级

风险等级

定级逻辑

营销策略

业务含义

1

无风险

REC ≤ 45 天(保护期)

常规关怀

活跃旅客,仍在正常出行节奏中

2

已流失

REC > 360 天 或 CRC ≥ 5.0

深度唤醒

严重偏离个人节奏,基本可视为流失

3

高风险

CRC ≥ 2.0

精准挽回

出行间隔已达正常 2 倍以上,高风险信号

4

低风险

CRC ≥ 1.2

轻量促活

略超正常节奏,低强度提醒即可

⚠️ 两处可商榷: ① 保护期 45 天偏短——航空出行周期比零售长,商务客月均 1-2 次已是高频,建议改为 60-90 天并区分商务/休闲客群; ② 此分级完全未纳入价值维度——一个 CRC=1.5 的高价值核心客户,和一个 CRC=3.0 的低价值临时旅客,优先召回谁?答案取决于价值,不是 CRC 绝对值。

第四步:运营洞察与执行建议

运营动作

具体建议

识别波峰

利用仪表板查看“最后出行月份”分布,锁定制定的抢救窗口期

差异化跟进

高价值高风险旅客优先分配人工座席跟进,普通风险旅客通过自动化推送权益

闭环追踪

下载明细时,优先按**常旅客等级**和**历史贡献价值**排序

二、框架对比:Gemini CRC 模型 vs 价值分层框架

维度

Gemini CRC 模型

价值分层框架(喜乐君)

分析维度

纯行为(时间节奏)

价值 + 忠诚度 + 体验信号

样本范围

仅频次≥3 旅客

全量旅客(分类处理)

阈值方式

个人定制(CRC 倍数)

固定 + 分群差异化

核心优势

个性化,避免一刀切

覆盖全面,决策优先级明确

主要短板

排除新客,忽略价值差异

固定阈值不够个性化

适用场景

中高频旅客的行为监控

全客群分层运营

三、融合方案:CRC × 价值分层二维预警矩阵

CRC 模型解决“谁在偏离自己的节奏”,价值分层解决“偏离的这个人值不值得花资源召回”。两者结合,用二维矩阵做流失预警决策:

CRC 风险等级 × 价值分层 二维预警矩阵

CRC 风险

核心客户(高价值+高忠诚)

机会客户(高价值+低忠诚)

潜力客户(低价值+高忠诚)

一般客户(低价值+低忠诚)

**高风险**(CRC ≥ 2.0)

**🔴 P0 最高优先级** 专属坐席,一对一挽回

**🔴 P0 紧急唤醒** 定向优惠+服务升级

P1 批量促活 低成本触达

P2 可放弃 或自动化推送

**低风险**(1.2 ≤ CRC < 2.0)

**P1 重点关注** 预警通知,提前关怀

P1 轻度激活 推送优惠券

P2 提醒即可 自动化消息

P3 暂不干预

**安全**(CRC < 1.2)

常规维护 专属权益推送

关注进展 引导提升忠诚度

培养计划 价值提升引导

常规运营

:频次<3 无法计算 CRC 的旅客(含高价值首乘新客),单独用 REC 判定并标记为“新客流失风险”,按客票金额排序优先处理。此即“新客流失预警”的分支逻辑。

四、典型场景演练

场景 A:商旅高管即将流失(高价值核心客户)

月均飞行 2 次,近 5 年高频出行。但最近一次飞行距今 210 天。平均间隔 25 天 → CRC = 8.4(远超 5.0)。

📌 行动:人工专属坐席深度跟进,核查是否投诉/竞品/换工作,提供 VIP 专属回归礼遇。

场景 B:公务舱首乘后沉寂(高价值首乘新客)

仅飞行 1 次(公务舱,客单价 8,000 元),距今 130 天。无法计算 CRC(频次不足),但 REC=130 天,客单价高。

📌 行动:新客流失预警分支介入,分析首乘航线是否已取消/调整,推送同航线优惠券。

场景 C:老客节奏放缓(忠诚低频客户)

过去 2 年飞行 6 次(每季度 1 次),平均间隔 120 天。最近一次距今 200 天 → CRC = 1.67(高风险)。

📌 行动:中等优先级,批量推送升舱体验券,观察是否促成复购。

场景 D:低频低价过客(临时低价值)

飞行 2 次(均为特价经济舱),距今 200 天。无法计算 CRC,且客单价低,无投诉等异常信号。

📌 行动:放弃主动召回,仅纳入常规自动化推送列表,不分配人工资源。

五、技术实施要点

SQL 核心字段映射

计算变量

来源表/字段

公式

REC

`last_flight_dt`

`DATEDIFF(CURRENT_DATE, last_flight_dt)`

总跨度

`first_flight_dt` + `last_flight_dt`

`DATEDIFF(last_flight_dt, first_flight_dt)`

飞行频次

`domestic_flight_cnt_12m + intl_flight_cnt_12m`

直接求和

平均间隔

计算字段

`总跨度 / NULLIF(频次 - 1, 0)`

CRC

计算字段

`REC / NULLIF(平均间隔, 0)`

价值分层

`lifecycle_phase` + `lr_fmc_segment`

按现有 LRFMC 模型 + 生命周期标签

CRC 模型的三项工程注意事项

#

风险

防范措施

1

**除零异常**——频次=1 时平均间隔分母为 0

频次<3 不计算 CRC,单独走 REC 判定分支

2

**极短间隔旅客的 CRC 失真**——短期内高频出行者(如差旅季),平均间隔仅 7 天,REC=60 天即 CRC=8.6,被误判为“已流失”

增加最小间隔门槛(如平均间隔<15 天时用 15 天替代),或叠加“近 30 天航班时刻波动”校验

3

**first_flight_dt 远早导致总跨度虚高**——若旅客 5 年前首次飞行,最近 1 年高频但被 5 年跨度稀释

总跨度限定为近 12 或 24 个月,避免历史数据干扰

作者:喜乐君 · v1.1 · 2026-06-13

No comments yet