随着航空市场的发展,客户流失已成为企业迫不及待需要解决的问题,因此针对客户流失的成因分析和建立航空公司客户流失预测模型具有重要的理论价值和现实意义。由于数据挖掘技术在电信行业、金融行业以及传统行业的客户流失预测中都已得到广泛应用,数据挖掘的方法也较为成熟,相比之下,国内航空业的客户流失研究才刚刚起步,且很多数据挖掘方法尚未在民航客户流失中得到应用,因此航空业的客户流失研究是现今急需发展的课题。本文将数据挖掘技术应用于解决民航客户流失问题的研究中,以客户关系管理中的客户价值和客户创利能力两个方向为基础,结合民航企业客户行为的特点,在传统的RFM模型上进行了改进,构建了本文的客户流失预测模型的指标体系。结合某航空公司的客户消费数据,运用了Python和SPSS数据挖掘软件,对数据进行预处理,同时对指标进行了相对性分析。使用SVM模型、随机森林和LightGBM算法建立民航客户流失预测模型,利用GridSearchCV网格搜索交叉验证法对模型的参数进行调优,采用模型评估指标和AUC值作为模型性能好坏的评价指标。模型结果表明,LightGBM算法的预测效果要好于其他两个算法,AUC值达到0.962,accuracy为0.93。基于集成学习Voting Classifier对三个客户流失预测模型进行组合,得到的结果表明该组合模型的precision、recall、F1-score以及accuracy都比其三个单个模型的评估指标要高出0.02。通过对预测模型结果进行客户流失的重要性分析,同时利用K-means聚类算法对流失客户进行分类,将流失客户分为4类,根据不同客户流失群体的行为特点制定不同的挽留策略。