基于数据挖掘的航空公司客户价值分析是一个涉及多个知识点的领域，以下是对标题和描述中提到的知识点的详细说明。
1. 数据挖掘技术：
数据挖掘是一种从大量数据中通过算法搜索隐藏信息的过程，它能帮助企业和组织从现有数据资源中发现有用的知识，用于指导决策。数据挖掘的三大步骤包括数据筹备、数据挖掘和结果表达与解释。数据筹备阶段涉及数据集成、数据选择和目标数据预处理。数据挖掘阶段则是对预处理后的数据运用特定算法进行探索和分析，比如聚类分析。结果表达和解释即结果可视化，是指将分析的结果以图表或报告的形式呈现出来，使得非技术人员也能理解。
2. 行业数据和航空公司客户价值分析：
在航空业中，数据挖掘技术可以用来分析客户价值，从而帮助企业为不同客户群提供个性化的服务。客户价值分析是指通过分析客户的购买行为、偏好和价值贡献等方面，评估客户对企业的价值。传统的客户价值分析方法如RFM模型在航空公司的应用中存在局限性。RFM模型是基于最近购买日期、购买频率和购买金额这三个维度来分析客户的，但它无法准确反映航空公司的客户价值，因为航空票价受到多种因素的影响，而RFM模型无法考虑这些因素。
3. K-Means聚类分析：
K-Means聚类分析是一种将数据点分成若干组的技术，目的是使得同一组内的数据点相似度最高，而不同组之间的数据点差异最大。在航空客户价值分析中，K-Means算法可用于将客户分为不同的价值群体，以分析每个群体的特征和价值。这种方法有助于航空公司识别和区分不同价值的客户群体，实现更精准的营销策略。
4. LRFMC模型：
针对RFM模型在航空客户价值分析中的局限性，研究者提出了LRFMC模型。L代表客户关系长度（Length），R代表最近一次购买（Recency），F代表购买频率（Frequency），M代表客户乘坐距离（Mileage），C代表舱位折扣系数的平均值（Coefficient）。在LRFMC模型中，M和C替代了传统的消费金额指标，L则考虑了会员加入时间对客户价值的影响。这使得模型更适合分析航空公司的客户价值。
5. 经验经济时代与数据爆炸：
在体验经济时代，消费趋势趋向于体验化、情感化、个性化、主动化、休闲化和求美化。随着第三次工业革命的兴起，信息技术迅猛发展，数据的积累越来越庞大，导致了“数据爆炸”的现象。企业开始意识到传统统计方法无法应对海量数据，数据挖掘技术应运而生，帮助企业从海量数据中提取有用信息，增强数据挖掘能力。
6. 国内外数据挖掘应用与发展：
数据挖掘技术在航空电子领域、航空安全领域、航空维修等航空领域得到较好的应用与发展。我国自上世纪90年代开始对数据挖掘的研究，已经形成了基础理论框架，但与国外相比，我国数据挖掘应用发展的速度还不够快，仍然面临着不少挑战。
通过将数据挖掘技术应用于航空公司的客户价值分析，不仅能够提高分析的准确性和高效性，还能提高企业信息化应用水平。这对于提高航空公司客户满意度、优化个性化服务具有重要意义。
