本文以電信行業(yè)數(shù)據(jù)為基礎(chǔ)，對(duì)其進(jìn)行用戶流失預(yù)警的建模，整理如下，歡迎拍磚~

一、流失知識(shí)點(diǎn)整理

1. 流失定義

不同產(chǎn)品存在不同的使用周期，因此在定義流失用戶上，需要去進(jìn)行用戶調(diào)研，比如可以對(duì)時(shí)隔1周、1個(gè)月、3個(gè)月、半年未下單用戶進(jìn)行用戶調(diào)研，去了解用戶不再產(chǎn)生瀏覽和購(gòu)買的行為原因，定義流失。

DAU/MAU

這里的DAU是一個(gè)月內(nèi)日活均值，MAU是月活躍用戶數(shù)去重。
DAU/MAU比值高，說(shuō)明用戶訪問(wèn)產(chǎn)品頻率高且穩(wěn)定，用戶粘性高留存率高；
相反DAU/MAU比值低，說(shuō)明用戶訪問(wèn)產(chǎn)品頻率低不穩(wěn)定，用戶粘性差留存率低；

以社交產(chǎn)品為例，DAU/MAU定義用戶流失：
一般來(lái)說(shuō)0.03<DAU/MAU<1，DAU/MAU=0.03說(shuō)明活躍用戶只來(lái)一次，產(chǎn)品粘性太低；=1說(shuō)明用戶每天都來(lái)。微信的DAU/MAU處于0.8左右，一般產(chǎn)品0.3就比較好了。

2. 研究流失的目的

首要目的還是避免用戶繼續(xù)流失，其次才是挽回流失。
這里可以看用戶的生命周期判斷流失原因：
（1）獲取期：新用戶通過(guò)推廣、宣傳來(lái)到產(chǎn)品中，嘗鮮型；
（2）提升期：用戶有購(gòu)買行為
（3）成熟期：用戶存在復(fù)購(gòu)和交叉購(gòu)買行為
（4）衰退期：購(gòu)買行為和頻次開(kāi)始衰退，是最需要預(yù)警的時(shí)期
（5）離開(kāi)期：達(dá)到流失標(biāo)準(zhǔn)
根據(jù)以上五個(gè)生命周期為用戶打上標(biāo)簽，判斷用戶是在哪個(gè)時(shí)期流失，相應(yīng)的流失原因不同，采取不同措施對(duì)產(chǎn)品進(jìn)行改進(jìn)。

3. 流失指標(biāo)

• 可以通過(guò)流失率趨勢(shì)圖定位流失率的大小

  
  
  image.png
  
  

  如圖可知，當(dāng)流失率達(dá)到40%左右開(kāi)始流失變緩且達(dá)到28天處于平穩(wěn)趨勢(shì)，因此30天沒(méi)活躍就算成流失用戶。

• 細(xì)分流失用戶的畫像
  包括與活躍用戶的行為差異、屬性差異、渠道差異等，流失之前的訪問(wèn)頻次、訪問(wèn)頁(yè)面一些列行為。

4. 確定首要挽回用戶

對(duì)于老板來(lái)說(shuō)，成本有限，挽回流失用戶當(dāng)然是挑最值得挽回那一波。因此這里用到了RMF模型，總的來(lái)說(shuō)獲取期用戶的優(yōu)先級(jí)一定是低于成熟期的。這里有我寫過(guò)的RFM文章：RFM模型分析實(shí)戰(zhàn)

5. 流失用戶召回

使用push推送、短信、微信服務(wù)號(hào)等方式進(jìn)行召回
這里也同樣應(yīng)用到了流失模型。
比如：根據(jù)購(gòu)買頻次和金額來(lái)細(xì)分。
1次也沒(méi)購(gòu)買過(guò)的用戶可派發(fā)大額度優(yōu)惠券、大促活動(dòng)或超低價(jià)商品吸引回訪，成為首單新客。
購(gòu)買1—2次且客單價(jià)較低的用戶，可精準(zhǔn)推送優(yōu)惠專場(chǎng)或在這個(gè)客單水平的好貨。
購(gòu)買3次及以上的用戶，可推送用戶偏好的品牌或品類，額外增加會(huì)員專屬優(yōu)惠券等形式。

總而言之，根據(jù)用戶流失模型區(qū)分不同行為和屬性的用戶，以及他們流失的節(jié)點(diǎn)、原因，運(yùn)營(yíng)才可以做到有的放矢，強(qiáng)化用戶召回的效果。

說(shuō)在后面：用戶的召回很難，更好的做法是避免用戶流失。比如通過(guò)區(qū)分用戶生命5個(gè)周期找到用戶在各周期的流失原因進(jìn)行產(chǎn)品或運(yùn)營(yíng)改進(jìn)；比如通過(guò)分析之前已流失的用戶特征屬性，行為建立預(yù)警模型，針對(duì)現(xiàn)有用戶有流失跡象提前預(yù)警提前進(jìn)行挽回打消用戶流失的念頭，這才是關(guān)鍵！

二、電信行業(yè)流失預(yù)警模型

分析目的

哪些用戶可能會(huì)流失？
流失概率高的用戶有哪些共同特征？

數(shù)據(jù)探索EDA

2.1 導(dǎo)入數(shù)據(jù)

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
import seaborn as sns
import os
os.chdir('/Users/xy/Desktop/專業(yè)知識(shí)/電信行業(yè)流失預(yù)警/')
df = pd.read_csv('WA_Fn-UseC_-Telco-Customer-Churn.csv')

2.2 數(shù)據(jù)概覽

pd.set_option('display.max_columns', None)
df.head(5)
#各個(gè)字段取值個(gè)數(shù)
for i in range(21):
    print(df.iloc[:,i].value_counts())
df.shape

customerID：用戶ID
gender：性別 male男性 female女性
SeniorCitizen：是否老年人 0否1是
Partner：是否有配偶 YES是NO否
Dependents：是否經(jīng)濟(jì)獨(dú)立 YES是NO否
tenure：客戶職位 73個(gè)
PhoneService：是否開(kāi)通電話業(yè)務(wù) YES是NO否
MultipleLines：是否開(kāi)通多線業(yè)務(wù) YES是NO否 No phoneservice
InternetService：是否開(kāi)通互聯(lián)網(wǎng)業(yè)務(wù) No, DSL數(shù)字網(wǎng)絡(luò)，fiber optic光纖網(wǎng)絡(luò)
OnlineSecurity：是否開(kāi)通網(wǎng)絡(luò)安全服務(wù)YES是NO否 No phoneservice
OnlineBackup：是否開(kāi)通在線備份業(yè)務(wù)YES是NO否 No phoneservice
DeviceProtection：是否開(kāi)通了設(shè)備保護(hù)業(yè)務(wù)YES是NO否 No phoneservice
TechSupport：是否開(kāi)通了技術(shù)支持服務(wù)YES是NO否 No phoneservice
StreamingTV：是否開(kāi)通網(wǎng)絡(luò)電視YES是NO否 No phoneservice
StreamingMovies：是否開(kāi)通網(wǎng)絡(luò)電影
Contract：簽訂合同方式 按月 一年 二年
PaperlessBilling：是否開(kāi)通電子賬單YES是NO否
PaymentMethod：付款方式（bank transfer，credit card，electronic check，mailed check）
MonthlyCharges：月費(fèi)用
TotalCharges：總費(fèi)用
Churn：是否流失 YES是NO否

(7043行, 21列)

其中：
gender：男女比例均衡
SeniorCitizen：非老年人居多
Partner：有無(wú)配偶比例均衡
Dependents：經(jīng)濟(jì)獨(dú)立2k，非獨(dú)立5k
PhoneService：開(kāi)通電話業(yè)務(wù)居多
Contract：合同中按月的較多，按1年和2年的占比相似
Churn：數(shù)據(jù)集中有5174名用戶沒(méi)流失，有1869名客戶流失，數(shù)據(jù)集不均衡

2.3 數(shù)據(jù)信息

df.info()
df.isnull().sum()

image.png

未發(fā)現(xiàn)缺失值

df['TotalCharges'].apply(pd.to_numeric, errors='coerce')#object轉(zhuǎn)為float
df['TotalCharges'].isnull().sum()#再次查看缺失值
df.dropna(inplace=True)#刪除缺失行

將TotalCharges的object轉(zhuǎn)為float格式，網(wǎng)上給出的方法大多數(shù)都是dt_df = dt_df.convert_objects(convert_numeric=True)，但是因?yàn)槲椰F(xiàn)在的版本號(hào)低于1.0也不想升級(jí)，因此終于找到上面的方法改變類型啦！(^▽)
發(fā)現(xiàn)有11個(gè)缺失值，數(shù)量不多刪除

df['Churn'].replace('Yes',1,inplace=True)
df['Churn'].replace('No',0,inplace=True)

將df['Churn']中值變?yōu)閿?shù)值化，yes變?yōu)?，no變?yōu)?

2.4 數(shù)據(jù)可視化

2.41 流失用戶占比

plt.rcParams['font.sans-serif']=['SimHei']  #正常顯示中文
plt.rcParams['axes.unicode_minus'] = False  #正常顯示負(fù)號(hào)

labels = ['未流失用戶','流失用戶']
Churn = df['Churn'].value_counts()
plt.pie(Churn,labels=labels,autopct='%.1f%%')

image.png

流失用戶占比26.6%，未流失占比73.4%

2.42 性別、老年人、配偶、經(jīng)濟(jì)是否獨(dú)立對(duì)流失用戶的影響

plt.figure(1),plt.title('區(qū)分性別對(duì)流失的影響')
sns.countplot(x='gender',hue='Churn',data=df,palette='BuPu_r')
plt.figure(2),plt.title('區(qū)分老年人對(duì)流失的影響')
sns.countplot(x='SeniorCitizen',hue='Churn',data=df,palette='BuPu_r')
plt.figure(3),plt.title('區(qū)分配偶對(duì)流失的影響')
sns.countplot(x='Partner',hue='Churn',data=df,palette='BuPu_r')
plt.figure(4),plt.title('區(qū)分經(jīng)濟(jì)獨(dú)立對(duì)流失的影響')
sns.countplot(x='Dependents',hue='Churn',data=df,palette='BuPu_r')

image.png

image.png

image.png

image.png

可以得出結(jié)論：男性與女性之間的流失沒(méi)有差異；老年用戶流失占比比非老年用戶高；沒(méi)有配偶的流失占比高于有配偶的流失占比；經(jīng)濟(jì)未獨(dú)立的流失率遠(yuǎn)高于經(jīng)濟(jì)獨(dú)立；

2.43 特征之間的關(guān)系

想知道特征之間的關(guān)系，需要將這些特征以數(shù)值形式展現(xiàn)。這里就用到LabelEncoder或pd.factorize，LabelEncoder能將文本或非連續(xù)性數(shù)字進(jìn)行編號(hào)，缺點(diǎn)是該編碼方法有順序關(guān)系。pd.factorize與LabelEncoder的區(qū)別是：pd.factorize支持None默認(rèn)不排序。pd.factorize()返回兩個(gè)值前面值為編碼后的值，后面為原來(lái)值。

• 使用LabelEncoder進(jìn)行編碼化：

from sklearn.preprocessing import LabelEncoder
labelencoder = LabelEncoder()
lst = []
columns=['gender', 'SeniorCitizen', 'Partner', 'Dependents',
       'tenure', 'PhoneService', 'MultipleLines', 'InternetService',
       'OnlineSecurity', 'OnlineBackup', 'DeviceProtection', 'TechSupport',
       'StreamingTV', 'StreamingMovies', 'Contract', 'PaperlessBilling',
       'PaymentMethod', 'MonthlyCharges', 'TotalCharges']
for i in range(1,20):
    corrdf = labelencoder.fit_transform(df.iloc[:,i])
    lst.append(corrdf)
df2 = pd.DataFrame(map(list,zip(*lst)),columns=columns)
df2.corr()

用corr相關(guān)矩陣難以看出這些列之間的關(guān)系，可以用熱力圖。

plt.figure(figsize=(16,8))
sns.heatmap(df2.corr(),cmap='YlGnBu',annot=True)

image.png

從熱力圖矩陣中能夠明顯看出配偶與經(jīng)濟(jì)獨(dú)立有一定關(guān)系，職業(yè)與繳納總費(fèi)用以及合同期限有強(qiáng)相關(guān)關(guān)系

• 使用pd.factorize進(jìn)行編碼化：

charge=df.iloc[:,1:20]#取要編碼的列
for i in range(0,19):
    charge.iloc[:,i] = pd.factorize(charge.iloc[:,i])[0]
plt.figure(figsize=(16,8))
sns.heatmap(charge.corr(),cmap='YlGnBu',annot=True)

image.png

可以看出電話業(yè)務(wù)與多線業(yè)務(wù)之間存在強(qiáng)相關(guān)性，互聯(lián)網(wǎng)服務(wù)、網(wǎng)絡(luò)安全服務(wù)、在線備份業(yè)務(wù)、設(shè)備保護(hù)業(yè)務(wù)、技術(shù)支持服務(wù)、網(wǎng)絡(luò)電視和網(wǎng)絡(luò)電影之間存在較強(qiáng)的相關(guān)性，并且都呈正相關(guān)關(guān)系。

我稍微研究了下兩者編碼后的區(qū)別，都是按照從上到下出現(xiàn)順序?qū)﹄x散非數(shù)值變量進(jìn)行0，1，...的編碼；對(duì)于離散數(shù)值變量如職業(yè)，labelencoder按照原數(shù)據(jù)大小從0向后依次編碼，而pd.factorize仍舊按照出現(xiàn)順序不分大小進(jìn)行編碼。這樣也就解釋了為什么在pd.factorize中有明顯關(guān)系的幾個(gè)列在labelencoder無(wú)明顯關(guān)系了，因?yàn)楸籰abelencoder中的有大小順序掩蓋了。（僅個(gè)人見(jiàn)解）

2.44 特征與churn之間的關(guān)系

首先介紹連續(xù)數(shù)據(jù)離散化相關(guān)知識(shí)點(diǎn)：
一般在回歸、分類、聚類算法中，特征之間計(jì)算歐式距離來(lái)計(jì)算相似度十分重要。當(dāng)特征中既包括離散變量也包括連續(xù)變量，或存在數(shù)量級(jí)不一致的情況下，就要進(jìn)行歸一化。
（1）連續(xù)變量處理方法

• 最大最小值歸一化[0,1] x = (x-x.min)/(x.max-x.min)

• 標(biāo)準(zhǔn)化z_score x= (x-x.mean)/σ
  （2）離散變量處理方法-onehot編碼，將離散取值擴(kuò)展到歐式空間上。

• pd.get_dummies：適合于含有字符串類型的數(shù)據(jù)

• OneHotEncoder()：適用于含有數(shù)值的數(shù)據(jù)

• Churn與各特征之間相關(guān)性

df_churn = pd.get_dummies(df.iloc[:,1:21])
plt.figure(figsize=(16,8)),plt.title('Churn與各特征之間相關(guān)性')
df_churn.corr()['Chaurn'].sort_values(ascending=False).plot(kind='bar')

image.png

可見(jiàn)變量gender 和 PhoneService處于中間，相關(guān)性非常小，可以舍棄。

• 網(wǎng)絡(luò)安全服務(wù)、在線備份業(yè)務(wù)、設(shè)備保護(hù)業(yè)務(wù)、技術(shù)支持服務(wù)、網(wǎng)絡(luò)電視和網(wǎng)絡(luò)電影對(duì)流失影響

columns=['OnlineSecurity', 'OnlineBackup', 'DeviceProtection', 'TechSupport',
       'StreamingTV', 'StreamingMovies']
fig,axes = plt.subplots(nrows=2,ncols=3,figsize=(16,10))
for i,item in enumerate(columns):#enumerate變量數(shù)據(jù)對(duì)象如列表，返回每個(gè)數(shù)據(jù)及其下標(biāo)
    plt.subplot(2,3,(i+1))
    ax = sns.countplot(x=item,hue='Churn',data=df,order=['Yes','No','No internet service'],palette='YlGnBu_r')
    #頻數(shù)柱形圖，x為每個(gè)特征，hue為區(qū)分是否流失，y為頻數(shù)，order可以規(guī)定x內(nèi)顯示順序
    plt.xlabel(str(item))
    plt.title('Churn與'+str(item)+'的關(guān)系')
    i = i+1
plt.show()

image.png

2.45 合同與流失的關(guān)系

plt.title('合同類型與客戶流失的關(guān)系')
sns.barplot(x='Contract',y='Churn',data=df,order=['Month-to-month','One year','Two year'])
plt.ylabel('Churn：流失占比')

image.png

簽訂合同方式對(duì)流失率的影響是：按月>1年>2年

2.46 付款方式與流失的關(guān)系

#付款方式與流失的關(guān)系
plt.title('合同類型與客戶流失的關(guān)系')
sns.barplot(x='PaymentMethod',y='Churn',data=df,order=['Electronic check','Mailed check','Bank transfer (automatic)','Credit card (automatic)'])
plt.ylabel('Churn：流失占比')

image.png

從上圖可知，電子賬單的流失率最高，可見(jiàn)電子賬單的流程或設(shè)計(jì)影響用戶體驗(yàn)，需要改進(jìn)。

3. 特征工程

3.1 特征篩選

根據(jù)上面的結(jié)論得知，變量gender 和 PhoneService對(duì)流失影響可忽略，刪除這兩列。customerID是隨機(jī)字符對(duì)后續(xù)建模不影響，也刪除。

df_new= df.iloc[:,2:20]
df_new.drop('PhoneService',inplace=True,axis=1)
df_id = df['customerID']#提取客戶ID

對(duì)用戶職位、總費(fèi)用、月費(fèi)用進(jìn)行連續(xù)變量歸一化，使方差為1均值為0，這樣預(yù)測(cè)數(shù)值不會(huì)被這些過(guò)大的特征值主導(dǎo)

from sklearn.preprocessing import StandardScaler
standard = StandardScaler()
standard.fit(df_new[['tenure','MonthlyCharges','TotalCharges']]

df_new[['tenure','MonthlyCharges','TotalCharges']] = standard.transform(df_new[['tenure','MonthlyCharges','TotalCharges']])
sns.boxplot(data=df_new[['tenure','MonthlyCharges','TotalCharges']])
plt.title('職位、月費(fèi)用和總費(fèi)用箱型圖可視化')

image.png

如果不進(jìn)行歸一化，得到的箱線圖是這樣的：

image.png

因此歸一化十分重要。
箱線圖中能夠看到，三個(gè)特征沒(méi)有異常數(shù)據(jù)。

3.2 處理對(duì)象類型數(shù)據(jù)

#查看對(duì)象類型都有哪些值
def uni(data):
    print(data,'--',df_new[data].unique())
dfobject = df_new.select_dtypes('object')
for i in range(0,len(dfobject.columns)):
    uni(dfobject.columns[i])

image.png

由上面分析可知，六個(gè)變量中沒(méi)有開(kāi)通網(wǎng)絡(luò)業(yè)務(wù)對(duì)流失影響較小，因此可以將No internet service 和 No 是一樣的效果，可以使用 No 替代 No internet service。

df_new.replace('No internet service','No',inplace=True)
df_new.replace('No phone service','No',inplace=True)
for i in range(0,len(dfobject.columns)):
    uni(dfobject.columns[i])

image.png

3.3 將數(shù)值進(jìn)行編碼

sklearn中的labelencoder進(jìn)行編碼

def labelend(data):
    df_new[data] = labelencoder.fit_transform(df_new[data])#labelencoder進(jìn)行編碼
for i in range(0,len(dfobject.columns)):
    labelend(dfobject.columns[i])
for i in range(0,len(dfobject.columns)):
    uni(dfobject.columns[i])

image.png

4. 構(gòu)造模型

4.1 交叉驗(yàn)證

由于流失占比不均衡，因此采用分層交叉驗(yàn)證法

from sklearn.model_selection import StratifiedShuffleSplit
X = df_new#刪除與流失無(wú)關(guān)的列，將對(duì)象類型進(jìn)行編碼，將數(shù)值較大列進(jìn)行歸一化后得到的特征集
y = df['Churn'].values#標(biāo)簽集
sss = StratifiedShuffleSplit(n_splits=5,test_size=0.2,random_state=0)
for train_index,test_index in sss.split(X,y):
    print('train',train_index,'test',test_index)#得到訓(xùn)練集和測(cè)試集的index
    X_train,X_test = X.iloc[train_index],X.iloc[test_index]#訓(xùn)練集特征，測(cè)試集特征
    y_train,y_test = y[train_index],y[test_index]#訓(xùn)練集標(biāo)簽，測(cè)試集標(biāo)簽
    

image.png

print('原始數(shù)據(jù)特征',X.shape)
print('訓(xùn)練數(shù)據(jù)特征',X_train.shape)
print('測(cè)試數(shù)據(jù)特征',X_test.shape)

image.png

print('原始數(shù)據(jù)標(biāo)簽',y.shape)
print('訓(xùn)練數(shù)據(jù)標(biāo)簽',y_train.shape)
print('測(cè)試數(shù)據(jù)標(biāo)簽',y_test.shape)

image.png

4.2 選擇機(jī)器學(xué)習(xí)算法

由于這里是監(jiān)督學(xué)習(xí)分類問(wèn)題，可選算法有：SVM支持向量機(jī)，決策樹(shù)，樸素貝葉斯，邏輯回歸（當(dāng)然其他還有很多，比如隨機(jī)森林、KNN、xgboost、catboost等，但是暫時(shí)沒(méi)有掌握）

#算法
from sklearn.svm import SVC #支持向量機(jī)
from sklearn.linear_model import LogisticRegression #邏輯回歸
from sklearn.naive_bayes import GaussianNB#樸素貝葉斯
from sklearn.tree import DecisionTreeClassifier#決策樹(shù)分類器

from sklearn.metrics import recall_score,f1_score,precision_score
Classifiers = [['SVM',SVC()],
              ['LogisticRegression',LogisticRegression()],
              ['GaussianNB',GaussianNB()],
              ['DecisionTreeClassifier',DecisionTreeClassifier()]]

Classify_results = []
names = []
prediction = []
for name ,classifier in Classifiers:
    classifier.fit(X_train,y_train)#訓(xùn)練這4個(gè)模型
    y_pred = classifier.predict(X_test)#預(yù)測(cè)這4個(gè)模型
    recall = recall_score(y_test,y_pred)#評(píng)估這四個(gè)模型的召回率
    precision = precision_score(y_test,y_pred)#評(píng)估這四個(gè)模型的精確率
    f1 = f1_score(y_test,y_pred)#評(píng)估這四個(gè)模型的f1分?jǐn)?shù)
    class_eva = pd.DataFrame([recall,precision,f1])#將召回率、精確率和f1分?jǐn)?shù)放在df中，方便接下來(lái)對(duì)比
    Classify_results.append(class_eva)
    name = pd.Series(name)
    names.append(name)
    y_pred = pd.DataFrame(y_pred)
    prediction.append(y_pred)

將得到的模型評(píng)估指標(biāo)制作成表格

names = pd.DataFrame(names)
result = pd.concat(Classify_results,axis=1)
result.columns = names
result.index=[['recall','precision','f1']]
result

image.png

綜上所述，樸素貝葉斯模型的f1分?jǐn)?shù)最高，因此使用樸素貝葉斯效果最好。

5. 實(shí)施方案

由于沒(méi)有給預(yù)測(cè)數(shù)據(jù)，這里選擇最后10行數(shù)據(jù)作為預(yù)測(cè)

df_test = df_new.tail(10)#截取數(shù)據(jù)最后10行
cutid_test = df['customerID'].tail(10)#取出最后10行的ID

model = GaussianNB()
model.fit(X_train,y_train)#訓(xùn)練
pred_test_y = model.predict(df_test)#用最后10行的數(shù)據(jù)做預(yù)測(cè)
predf = pd.DataFrame({'customerID':cutid_test,'churn':pred_test_y})

image.png

對(duì)比了實(shí)際數(shù)據(jù)，返現(xiàn)10行中3行預(yù)測(cè)錯(cuò)誤，其余正確，與f1score=63%相符。

6. 結(jié)論

通過(guò)上述分析

• 老年用戶、單身、經(jīng)濟(jì)未獨(dú)立的用戶流失率較高；
• 是否開(kāi)通電話服務(wù)對(duì)用戶流失沒(méi)有直接的影響；
• 提供的網(wǎng)絡(luò)服務(wù)如：網(wǎng)絡(luò)安全服務(wù)、在線備份業(yè)務(wù)、設(shè)備保護(hù)業(yè)務(wù)、技術(shù)支持服務(wù)能夠降低用戶的流失率
• 合同簽訂時(shí)間越久留存越高
• 使用電子賬單付款的用戶更容易流失
  針對(duì)以上結(jié)論，給出的建議是：
  （1）推薦老年用戶與青少年用戶采用數(shù)字網(wǎng)絡(luò)，且簽訂2年期合同（可以各種輔助優(yōu)惠等營(yíng)銷手段來(lái)提高2年期合同的簽訂率）
  （2）若能開(kāi)通相關(guān)網(wǎng)絡(luò)服務(wù)可增加用戶粘性，因此可增加這塊業(yè)務(wù)的推廣
  （3）考慮改善電子賬單支付的用戶體驗(yàn)。

參考：
https://mp.weixin.qq.com/s/_20MN6V6aV1T3Ekd7C9neQ 李啟方大佬
https://blog.csdn.net/u013385925/article/details/80142310onehot
https://blog.csdn.net/Li_yi_chao/article/details/80852701onehot
https://blog.csdn.net/ccblogger/article/details/80010974
https://blog.csdn.net/u010986753/article/details/98069124交叉驗(yàn)證
https://blog.csdn.net/wuzhongqiang/article/details/101560889分層交叉驗(yàn)證詳解