第一章 课程导入：学习目标、课程价值、目标学员与整体学习路径

航空货运业正经历从“经验驱动”向“数据驱动”的深刻转型。客户画像作为连接货运收益管理、舱位分配、运力调度与客户服务的核心枢纽，其建模质量直接决定航空公司的定价精度、资源利用率和客户满意度。本章作为全课程的起点，将明确学习目标、课程价值、目标学员画像，并给出贯穿30章内容的整体学习路径与项目实战框架，帮助学员建立全局认知，为后续的标签体系设计、特征工程、算法选型与业务落地打下坚实基础。

1.1 学习目标：从业务问题到数据模型的完整闭环

本课程的学习目标不是单纯讲授机器学习算法，而是培养学员在航空货运场景下，将业务问题转化为数据建模问题的能力。具体而言，完成本课程后，学员将能够：

• 业务理解层：准确识别货运客户的生命周期阶段、价值分层和流失风险，理解收益管理、舱位分配、运力调度对客户画像的需求差异。
• 数据构建层：独立完成货运客户基础信息、订舱记录、运单轨迹、结算数据、服务反馈等多源数据的清洗、对齐与特征衍生。
• 标签体系层：设计并落地一套包含事实标签、规则标签、模型标签和预测标签的四级客户标签体系。
• 算法建模层：掌握适用于货运客户画像的聚类（K-Means、DBSCAN）、分类（逻辑回归、XGBoost）和评分卡模型，并理解模型的可解释性要求。
• 业务应用层：将画像结果嵌入定价引擎、舱位保护、销售激励和客户服务流程，形成“画像-策略-评估-迭代”的运营闭环。

1.2 课程价值：为什么航空货运需要专门的客户画像建模

与电商、金融等行业的客户画像相比，航空货运客户画像具有显著差异，这些差异决定了其建模方法的特殊性。

航空货运客户画像的核心价值体现在三个层面：收益层面，通过精准识别高价值客户和价格敏感客户，优化报价策略，提升单公斤收益；运营层面，根据客户历史订舱规律预测舱位需求，减少虚耗和爆舱；服务层面，识别高服务需求客户，提供差异化保障，提升客户粘性。

1.3 目标学员：谁需要掌握这门课程

本课程面向航空货运领域的数据分析师、商业智能工程师、收益管理专员、航线网络规划人员以及希望转型数据驱动决策的货运业务管理者。不同背景的学员将获得差异化收益：

• 数据分析师/数据科学家：学习如何将通用建模技术适配到航空货运场景，理解业务约束对特征工程和模型评估的影响。
• 收益管理从业者：掌握从数据角度量化客户价值的方法，将经验判断升级为数据支撑的决策依据。
• IT/数据工程师：了解货运客户画像对数据架构的要求，包括标签存储、实时计算和API服务设计。
• 货运业务管理者：建立数据化思维，能够有效提出建模需求并评估模型效果，避免“黑盒”依赖。

1.4 整体学习路径：30章内容的逻辑递进

本课程30章内容按照“业务认知→数据基础→标签体系→特征工程→模型算法→业务应用→项目实战”七个阶段组织，每一章都建立在前一章的基础上，形成螺旋式上升的知识结构。

1. 阶段一（第1-4章）：业务与数据认知。包括课程导入、航空货运业务全景、数据源分析与采集、数据质量治理。目标是让学员建立对货运业务和数据资产的全局认知。
2. 阶段二（第5-8章）：标签体系设计。包括标签体系架构、事实标签开发、规则标签开发、模型标签规划。目标是掌握从业务需求到标签定义的方法论。
3. 阶段三（第9-13章）：特征工程实践。包括基础特征、时序特征、客户价值特征、行为序列特征、特征选择与降维。目标是构建高质量的特征集。
4. 阶段四（第14-20章）：模型算法核心。包括客户分群模型、价值预测模型、流失预警模型、价格敏感度模型、需求预测模型、模型评估与调优、模型解释性。目标是掌握核心建模技术。
5. 阶段五（第21-25章）：业务应用场景。包括收益管理中的应用、舱位分配优化、差异化服务策略、销售协同与客户拓展、风险控制与合规。目标是将模型输出转化为业务动作。
6. 阶段六（第26-28章）：工程化与运营。包括画像系统架构、实时画像计算、A/B测试与效果评估。目标是实现模型的产品化落地。
7. 阶段七（第29-30章）：综合实战与前沿。包括完整项目实战（某国际货运航线客户分层与收益提升）和前沿趋势（大模型在货运画像中的应用探索）。目标是完成知识整合与创新。

1.5 项目实战概览：从零到一构建货运客户画像系统

本课程设置了一个贯穿始终的实战项目，模拟某国际货运航空公司（代码：AC Airlines）的真实业务场景。该项目将分阶段推进，每章的理论知识都会在项目中得到应用。

项目背景与约束：AC Airlines运营中国-欧洲5条货运航线，年货运量约12万吨，拥有直客和货代两类客户群体。公司面临的核心问题是：不同客户的收益贡献差异巨大，但缺乏精细化的客户分层手段，导致报价策略单一、舱位分配效率低。项目目标是通过构建客户画像模型，实现客户分层，并针对不同层级客户制定差异化策略，预期提升整体货运收益8%。

项目关键输入数据：

-- 核心数据表结构（简化示例）
-- 1. 客户主数据表
CREATE TABLE dim_customer (
    customer_id      STRING,   -- 客户唯一标识
    customer_type    STRING,   -- 直客/货代
    industry         STRING,   -- 所属行业
    region           STRING,   -- 所在区域
    cooperation_date DATE      -- 首次合作日期
);

-- 2. 订舱记录表
CREATE TABLE fact_booking (
    booking_id       STRING,   -- 订舱单号
    customer_id      STRING,   -- 客户ID
    flight_no        STRING,   -- 航班号
    route            STRING,   -- 航线
    cargo_type       STRING,   -- 货型（普货/鲜活/危险品等）
    weight           DECIMAL,  -- 计费重量(kg)
    volume           DECIMAL,  -- 体积(m³)
    freight_rate     DECIMAL,  -- 运价(元/kg)
    booking_date     DATE,     -- 订舱日期
    departure_date   DATE      -- 起飞日期
);

-- 3. 运单执行表
CREATE TABLE fact_awb (
    awb_id           STRING,   -- 运单号
    booking_id       STRING,   -- 关联订舱号
    actual_weight    DECIMAL,  -- 实际重量
    revenue          DECIMAL,  -- 实际收入
    cost             DECIMAL,  -- 实际成本
    delay_flag       INT,      -- 是否延误
    damage_flag      INT       -- 是否破损
);

项目推进节奏：

1.6 常见误区与学习复盘

在课程学习之初，学员需要警惕以下常见误区，这些误区可能导致后续学习事倍功半：

• 误区一：重算法轻业务。认为只要模型够复杂、准确率够高就能解决业务问题。实际上，航空货运场景中，业务规则（如航线限制、危险品运输规定）往往比算法精度更重要。
• 误区二：重模型轻数据。忽视数据质量治理和特征工程，直接套用开源模型。货运数据中常见的订舱取消、运单拆分、客户合并等数据异常，如果不提前处理，模型效果将大打折扣。
• 误区三：重开发轻评估。只关注模型训练阶段的指标，忽视上线后的业务效果评估。客户画像模型需要与业务KPI（如收益、舱位利用率、客户留存率）联动评估，而非仅看AUC或Silhouette Score。
• 误区四：重静态轻动态。将客户画像视为一次性项目，忽视客户行为和市场环境的变化。货运客户的需求受国际贸易形势、燃油价格、季节性因素影响显著，画像模型需要定期重训和更新。