Анализ удовлетворенность пассажиров авиакомпаний

Будучи студентом, полеты домой, на разные мероприятия участились и я стала замечать, как люди по-разному отзываются об авиакомпании и ее услугах, ведь удовлетворенность пассажиров является ключевым показателем для авиакомпаний, так как она напрямую влияет на их репутацию, именно поэтому меня заинтересовал данный датасет.
Анализ данных сможет показать какие аспекты обслуживания наиболее важны для клиентов и как можно улучшить качество услуг для повышения удовлетворенности и лояльности пассажиров.

Для анализа я выбрала датасет с сайта Kaggle.com, а именно удовлетворенность пассажиров авиакомпании. Данные оказались достаточно объемными, поэтому, чтобы наглядно показать информацию, я использовала:

Для генерации обложки я использовала нейросеть Krea.ai. Prompt: The room where luggage is checked in. Airport during the day, lots of bright things. Young man in formal setting standing next to suitcase.

Аэропорт это место, где сменяется день с ночью, где время замирает и становиться спокойно на душе, поэтому стилем проекта, цветовой палитрой, послужили пастельные светлые и темные цвета. При помощи Krea.ai была сгенерированна картинка, где видны разные приглушенные цвета чемоданов, а с помощью сервиса coolors.co цвета, взятые из картинки.

Prompt: there are many different suitcases in one place at the airport. there are many of them, they are colorful. Цвета: #374849, #456D7B, #8F8B85, #7D3451, #7BA3AE, #CAE4E9, #B691AC, #E8A6AF

Обработка данных была выполнена с использованием библиотек Pandas( для работы с данными), Matplotlib(для создания графиков и визуализации данных),Numpy (для числовых вычислений) и Seaborn( для статистической визуализации). Сначала я загрузила базу данных, после чего приступила к ее анализу и созданию визуализаций. В таблице содержится информация о поле, возрасте, типе клиента, путешествия, расстояния и услуг.

Далее я определяю стиль графиков. С использованием библиотеки matplotlib: создается пользовательская цветовая палитра my_palette, на ее основе формируется цветовая карта pallete, задаются параметры для отображения графиков, включая размер фигуры, включение сетки и стиль линий.

Код создает гистограмму, которая показывает распределение возраста пассажиров. Гистограмма показывает, сколько пассажиров находится в каждом из 5 возрастных интервалов. График распределения возраста пассажиров показывает, что наибольшее количество людей, удовлетворенных услугами авиакомпании, находится в возрастной группе 40–50 лет. Это может свидетельствовать о том, что данная категория пассажиров чаще пользуется услугами авиакомпании, возможно, из-за активного периода жизни, связанного с деловыми поездками или семейными путешествиями. Также это может указывать на то, что услуги авиакомпании лучше всего соответствуют потребностям и ожиданиям именно этой возрастной группы. Кроме этого, стоит отметить группу 20-30 лет, то есть среди пассажиров много молодых людей: студентов или молодых специалистов, которые часто путешествуют по делам или для отдыха.

В коде использую массив bins, который будет использоваться для группировки возрастов. Также использую округление: np.floor(min_age / step) * step (округляет минимальный возраст вниз до ближайшего кратного step) и np.ceil(max_age / step) * step: (округляет максимальный возраст вверх до ближайшего кратного step) А step устанавливает шаг между значениями в массиве bins.

Столбчатая диаграмма сравнивает удовлетворенность пассажиров в зависимости от типа путешествия и класса обслуживания: оценки аспектов сервиса в зависимости от типа клиента. График показывает, что пассажиры бизнес-класса наиболее удовлетворены, возможно, из-за повышенного комфорта и сервиса, а пассажиры эконом-класса — чуть меньше, так как получают базовые услуги, но остаются лояльными.

Первым делом заменяю английские текстовые значения на русские в столбцах. Далее группирую данные по столбцам, визуализирую и настраиваю график.

Тепловая карта средних оценок сервиса показывает, что лояльные клиенты больше всего неудовлетворены комфортом сидений, упаковкой багажа и сервисом на борту, а нелояльные клиенты — упаковкой багажа и сервисом на борту. Это может быть связано с тем, что лояльные клиенты, чаще пользующиеся услугами авиакомпании, имеют более высокие ожидания и замечают недостатки, особенно в комфорте, который для них является ключевым фактором. Нелояльные клиенты, вероятно, менее требовательны к комфорту, но их недовольство упаковкой багажа и сервисом на борту может быть связано с разовым негативным опытом, который повлиял на их общее восприятие.

Первым делом также занимаюсь переводом текстовых значений.

sns.heatmap создаёт тепловую карту для визуализации средних оценок, annot=True показывает числовые значения в каждой ячейке, а cmap=pallete устанавливает цветовую палитру.