楊潔

中國(guó)聯(lián)合網(wǎng)絡(luò)通信集團(tuán)有限公司山西省分公司，山西 太原 030006

引言

2017年，為了應(yīng)對(duì)互聯(lián)網(wǎng)化轉(zhuǎn)型，中國(guó)聯(lián)通與互聯(lián)網(wǎng)公司合作，打造了 2I2C 業(yè)務(wù)模式。該業(yè)務(wù)模式是利用互聯(lián)網(wǎng)公司的用戶優(yōu)勢(shì)，通過(guò)聯(lián)通的多觸點(diǎn)采用精準(zhǔn)營(yíng)銷，進(jìn)行業(yè)務(wù)推廣。2I2C 業(yè)務(wù)模式的推行使得聯(lián)通的業(yè)績(jī)有了明顯的提升。但 2018年后期和 2019年，雖采用了不同手段進(jìn)行營(yíng)銷，比如地推、泛融合，但是 2I2C 用戶流失率逐步加大。為抑制 2I2C 用戶流失嚴(yán)重，急需增加 2I2C 用戶流失模型，并對(duì)將要流失的用戶進(jìn)行精準(zhǔn)營(yíng)銷，以減緩 2I2C 用戶流失。

對(duì)于運(yùn)營(yíng)商來(lái)說(shuō)，新增市場(chǎng)趨于飽和，面對(duì)新增市場(chǎng)的激烈競(jìng)爭(zhēng)，存量用戶的保有顯得越來(lái)越重要。一項(xiàng)調(diào)查數(shù)據(jù)表明，爭(zhēng)取 1 位新客戶的成本是保住 1 位老客戶的 5 倍。面對(duì)新的競(jìng)爭(zhēng)形勢(shì)，運(yùn)營(yíng)商需要從傳統(tǒng)只重視增量發(fā)展模式向“增存并重”發(fā)展模式轉(zhuǎn)變。如何最大限度地降低客戶的流失并挽留客戶，成為決策者關(guān)注的話題。

運(yùn)營(yíng)商減少客戶流失的關(guān)鍵是提前預(yù)測(cè)潛在的流失客戶，采取相關(guān)措施提高客戶的滿意度，實(shí)現(xiàn)該預(yù)測(cè)的關(guān)鍵技術(shù)在該場(chǎng)景下基于大數(shù)據(jù)技術(shù)的數(shù)據(jù)挖掘，即從海量的客戶資料、使用行為、消費(fèi)行為、上網(wǎng)軌跡等信息中提取有用的信息進(jìn)行組合關(guān)聯(lián)，準(zhǔn)確判斷客戶流失的現(xiàn)狀或傾向，從而讓企業(yè)及時(shí)并有針對(duì)性的對(duì)客戶進(jìn)行挽留。因此，利用大數(shù)據(jù)技術(shù)進(jìn)行數(shù)據(jù)挖掘，預(yù)測(cè)客戶流失、減少客戶流失的發(fā)生成為電信行業(yè)研究的重點(diǎn)。

本文就是在以上背景下，對(duì) 2I2C 用戶進(jìn)行了數(shù)據(jù)分析，建立了 2I2C 用戶的流失模型。

2I2C 產(chǎn)品有其自身的特點(diǎn)，以大王卡為例，它的套餐設(shè)計(jì)是：(1)月付 19 元，可享受全國(guó)無(wú)漫游服務(wù)，贈(zèng)送來(lái)電顯示，中國(guó)大陸境內(nèi)接聽(tīng)全部免費(fèi)；(2)首月開(kāi)卡免除月費(fèi)，當(dāng)超出套餐業(yè)務(wù)流量時(shí)每 MB 收費(fèi) 0.1 元，短信、每分鐘通話皆為 0.1 元，用戶可以以每天 1 元的價(jià)格訂購(gòu) 500MB 省內(nèi)流量；(3)騰訊旗下所有應(yīng)用免流量。這種產(chǎn)品適合對(duì)騰訊的應(yīng)用有依賴的人群，由于其他流量收費(fèi)，所以大王卡用戶的 ARPU 值在 36 萬(wàn)左右?？梢哉f(shuō)，隨著用戶量的提升，對(duì)運(yùn)營(yíng)商是很大一部分收入。但如果流失加大，對(duì)運(yùn)營(yíng)商也意味著損失的巨大。所以建立 2I2C 用戶的流失模型十分必要。

1 大數(shù)據(jù)分析國(guó)內(nèi)外現(xiàn)狀

國(guó)外有很多移動(dòng)運(yùn)營(yíng)數(shù)據(jù)挖掘的案例[1]，例如運(yùn)用決策樹(shù)、Logistic 回歸、人工神經(jīng)網(wǎng)絡(luò)等算法建立移動(dòng)用戶流失預(yù)測(cè)模型。Lightbridge 公司運(yùn)用 CART 算法分析了新英格蘭的一家移動(dòng)服務(wù)商的數(shù)據(jù)并建立了客戶流失模型。AT＆T 公司很早就開(kāi)始在大數(shù)據(jù)上的探索，2009年與 Teradata 公司合作引進(jìn)天睿公司的大數(shù)據(jù)解決方案[2]。

在過(guò)去的幾十年中，中國(guó)企業(yè)都扮演著技術(shù)跟隨者的角色，但現(xiàn)階段我國(guó)互聯(lián)網(wǎng)企業(yè)在數(shù)據(jù)挖掘、大數(shù)據(jù)處理以及人工智能、云計(jì)算等領(lǐng)域都有了巨大的發(fā)展。中國(guó)聯(lián)通集約化的 IT 系統(tǒng)優(yōu)勢(shì)逐步體現(xiàn)，全國(guó)集中的數(shù)據(jù)更便于做數(shù)據(jù)分析，可以利用海量的數(shù)據(jù)進(jìn)行各種對(duì)內(nèi)和對(duì)外的大數(shù)據(jù)分析。例如針對(duì)目前的多種多樣的套餐可以利用大數(shù)據(jù)手段精準(zhǔn)定位到哪些用戶適合推薦什么樣的套餐，增加了很多互聯(lián)網(wǎng)的精準(zhǔn)營(yíng)銷手段。對(duì)外與金融、政企等行業(yè)共同合作創(chuàng)建大數(shù)據(jù)平臺(tái)，并利用大數(shù)據(jù)分析推出更貼切的行業(yè)產(chǎn)品。

2 大數(shù)據(jù)平臺(tái)技術(shù)

山西聯(lián)通大數(shù)據(jù)平臺(tái)自 2015年開(kāi)始建設(shè)，目前已經(jīng)完成了 hadoop 生態(tài)體系為核心的大數(shù)據(jù)平臺(tái)的建設(shè)(圖1)。大數(shù)據(jù)平臺(tái)集群主機(jī)共 84 臺(tái)，日數(shù)據(jù)承載量 3T，日處理數(shù)據(jù) 60 億條+，數(shù)據(jù)處理準(zhǔn)確率在 99% 以上。實(shí)現(xiàn)了移網(wǎng)用戶信令數(shù)據(jù)采集能力：匯聚分流 *3+DPI 采集設(shè)備 *10+IV 服務(wù)器 *8。處理數(shù)據(jù)包含五大類數(shù)據(jù)源，24 個(gè)數(shù)據(jù)接口，形成覆蓋公司 B 域、O 域以及 M 域的基礎(chǔ)數(shù)據(jù)服務(wù)能力，全面支撐公司劃小單元、精準(zhǔn)營(yíng)銷、客戶維系、場(chǎng)景化營(yíng)銷、異網(wǎng)挖掘、指標(biāo)考核等公司的營(yíng)銷活動(dòng)和管理運(yùn)營(yíng)。

圖1 大數(shù)據(jù)平臺(tái)框架Fig.1 Framework diagram of large data platform

數(shù)據(jù)域：構(gòu)建數(shù)據(jù)資產(chǎn)，實(shí)現(xiàn)資產(chǎn)數(shù)字化生產(chǎn)；多租戶能力開(kāi)放域：基于多租戶，實(shí)現(xiàn)能力對(duì)外開(kāi)放服務(wù)；平臺(tái)組件域：以應(yīng)用為驅(qū)動(dòng)，構(gòu)建生態(tài)化技術(shù)體系；應(yīng)用域：依托平臺(tái)技術(shù)，構(gòu)建對(duì)內(nèi)對(duì)外應(yīng)用，發(fā)揮數(shù)據(jù)資產(chǎn)價(jià)值，助力互聯(lián)網(wǎng)轉(zhuǎn)型。

3 2I2C 流失模型構(gòu)建

流失模型主要是根據(jù)歷史數(shù)據(jù)特征，通過(guò)數(shù)據(jù)挖掘算法，建立預(yù)測(cè)模型，并將模型應(yīng)用于現(xiàn)網(wǎng)用戶，預(yù)測(cè)出流失概率高的用戶。其主要包括數(shù)據(jù)預(yù)處理、特征選擇、算法選擇三大部分。在數(shù)據(jù)預(yù)處理階段，根據(jù)現(xiàn)有系統(tǒng)的數(shù)據(jù)從 B 域數(shù)據(jù)整理出所有 2I2C 用戶的寬表。特征選擇是在寬表中篩選與流失相關(guān)的特征字段，構(gòu)建流失預(yù)測(cè)特征庫(kù)。算法選擇階段是選取數(shù)據(jù)挖掘算法，進(jìn)行模型訓(xùn)練、評(píng)估和調(diào)優(yōu)，訓(xùn)練出最佳模型。再將訓(xùn)練的最佳模型應(yīng)用于現(xiàn)網(wǎng)數(shù)據(jù)，實(shí)現(xiàn)準(zhǔn)確的流失預(yù)測(cè)。隨后進(jìn)一步通過(guò)有效的維系手段，對(duì)預(yù)測(cè)流失用戶進(jìn)行精準(zhǔn)維系，減少用戶離網(wǎng)，提升在網(wǎng)用戶價(jià)值。

3.1 數(shù)據(jù)預(yù)處理

根據(jù)流失模型的特點(diǎn)，我們需要從業(yè)務(wù)支撐系統(tǒng)中選擇相關(guān)的字段，并整合在一張寬表內(nèi)。我們需要用戶的所有信息，包括用戶詳單的信息、賬單的信息、用戶訂購(gòu)產(chǎn)品的信息、用戶的套餐使用情況等多個(gè)表的字段信息。最終我們整理出的寬表有 150 個(gè)字段，涵蓋了上述內(nèi)容。

3.2 特征選擇

根據(jù)流失模型的特點(diǎn)以及寬表數(shù)據(jù)的完整度，考慮特征選取相關(guān)的 68 個(gè)字段，表1 為相關(guān)特征提取實(shí)例。

表1 特征提取舉例列表Table1 List of feature extraction examples

3.3 算法選擇

流失模型簡(jiǎn)單來(lái)說(shuō)是分類算法，我們需要用到的是機(jī)器學(xué)習(xí)的有監(jiān)督學(xué)習(xí)的分類算法。常見(jiàn)的分類算法有決策樹(shù)算法、隨機(jī)森林算法、XGBoost (eXtremeGradientBoosting，極端梯度提升)，以及 LightGBM 等，本文將利用幾種算法都來(lái)分析流失模型，并且對(duì)它們進(jìn)行比較。

3.3.1 決策樹(shù)算法

決策樹(shù)算法是一種逼近離散函數(shù)值的方法。它是一種典型的分類方法，本質(zhì)上決策樹(shù)是通過(guò)一系列規(guī)則對(duì)數(shù)據(jù)進(jìn)行分類的過(guò)程。

決策樹(shù)方法最早產(chǎn)生于上世紀(jì) 60年代。由 J Ross Quinlan 提出了 ID3 算法，此算法的目的在于減少樹(shù)的深度。但是忽略了葉子數(shù)目的研究。C4.5 算法在 ID3 算法的基礎(chǔ)上進(jìn)行了改進(jìn)，對(duì)預(yù)測(cè)變量的缺值處理、剪枝技術(shù)、派生規(guī)則等方面做了較大改進(jìn)，既適合于分類問(wèn)題，又適合于回歸問(wèn)題。

決策樹(shù)算法通過(guò)構(gòu)造決策樹(shù)來(lái)發(fā)現(xiàn)數(shù)據(jù)中蘊(yùn)含的分類規(guī)則，如何構(gòu)造精度高、規(guī)模小的決策樹(shù)是決策樹(shù)算法的核心內(nèi)容。決策樹(shù)構(gòu)造可以分兩步進(jìn)行。第一步，決策樹(shù)的生成：由訓(xùn)練樣本集生成決策樹(shù)的過(guò)程。一般情況下，訓(xùn)練樣本數(shù)據(jù)集是根據(jù)實(shí)際需要有歷史的、有一定綜合程度的，用于數(shù)據(jù)分析處理的數(shù)據(jù)集。第二步，決策樹(shù)的剪枝：決策樹(shù)的剪枝是對(duì)上一階段生成的決策樹(shù)進(jìn)行檢驗(yàn)、校正和修下的過(guò)程，主要是用新的樣本數(shù)據(jù)集 (稱為測(cè)試數(shù)據(jù)集)中的數(shù)據(jù)校驗(yàn)決策樹(shù)生成過(guò)程中產(chǎn)生的初步規(guī)則，將那些影響預(yù)衡準(zhǔn)確性的分枝剪除。

決策樹(shù)算法的主要優(yōu)點(diǎn)是模型具有可讀性，分類速度快。學(xué)習(xí)時(shí)，利用訓(xùn)練數(shù)據(jù)，根據(jù)損失函數(shù)最小化的原則建立決策樹(shù)模型。預(yù)測(cè)時(shí)，對(duì)新的數(shù)據(jù)，利用決策樹(shù)模型進(jìn)行分類。

決策樹(shù)學(xué)習(xí)通常包括 3 個(gè)步驟：特征選擇、決策樹(shù)的生成和決策樹(shù)的修剪。

隨著算法的演進(jìn)，決策樹(shù)也暴露出一些弊端。(1)構(gòu)建決策樹(shù)采用貪心算法，只考慮當(dāng)前純度差最大的情況作為分割點(diǎn)。(2)決策樹(shù)的構(gòu)建過(guò)程是一個(gè)遞歸的過(guò)程，所以需要確定停止條件，否則過(guò)程將不會(huì)結(jié)束。一種最直觀的方式是當(dāng)每個(gè)子節(jié)點(diǎn)只有一種類型的記錄時(shí)停止，但是這樣往往會(huì)使得樹(shù)的節(jié)點(diǎn)過(guò)多，導(dǎo)致過(guò)擬合問(wèn)題 (Overfitting)。另一種可行的方法是當(dāng)前節(jié)點(diǎn)中的記錄數(shù)低于一個(gè)最小的閥值，那么就停止分割，將對(duì)應(yīng)的分類作為當(dāng)前葉節(jié)點(diǎn)的分類。

3.3.2 隨機(jī)森林算法

為了應(yīng)對(duì)決策樹(shù)的問(wèn)題，應(yīng)運(yùn)而生了隨機(jī)森林算法 (RandomForest)。該算法的用意簡(jiǎn)言之，即一顆樹(shù)預(yù)測(cè)正確的概率可能不高，但是集體預(yù)測(cè)正確的概率卻很高。

在機(jī)器學(xué)習(xí)中，隨機(jī)森林是一個(gè)包含多個(gè)決策樹(shù)的分類器，其輸出的類別是由個(gè)別樹(shù)輸出類別的眾數(shù)而定。RandomForest 是用訓(xùn)練數(shù)據(jù)隨機(jī)的計(jì)算出許多決策樹(shù)，形成了一個(gè)森林。然后用這個(gè)森林對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)，選取投票最多的分類。實(shí)踐證明，此算法的錯(cuò)誤率得到了進(jìn)一步的降低。

隨機(jī)森林的優(yōu)點(diǎn)[4]有：

(1)對(duì)于資料多樣性，可以產(chǎn)生高準(zhǔn)確度的分類器；

(2)可以處理大量的輸入數(shù)據(jù)變量；

(3)可以估計(jì)遺失的資料，并且在遺失很大一部分資料的情況下，仍可維持計(jì)算的準(zhǔn)確度；

(4)提供了可偵測(cè) variable interactions 的實(shí)驗(yàn)方法；

(5)在不平衡的分類資料集情況下，可平衡誤差；

(6)通過(guò)計(jì)算各例中的親近度，對(duì)于數(shù)據(jù)挖掘、偵測(cè)離群點(diǎn) (outlier)和將資料視覺(jué)化非常有用；

(7)它可被延伸應(yīng)用在未標(biāo)記的資料上，這類資料通常是使用非監(jiān)督式聚類，也可偵測(cè)偏離者和觀看資料；

(8)學(xué)習(xí)過(guò)程較快。

3.3.3 XGBoost

XGBoost (eXtremeGradientBoosting，極端梯度提升)[5]在大多數(shù)的回歸和分類問(wèn)題上表現(xiàn)突出，在許多機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘挑戰(zhàn)中被廣泛認(rèn)可。如 Kaggle 比賽[6]中，大部分獲勝者都使用了 XGBoost 算法。

XGBoost 是一個(gè)優(yōu)化的分布式梯度增強(qiáng)庫(kù)，旨在實(shí)現(xiàn)高效、靈活和便攜。它在 Gradient Boosting 框架下實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法。XGBoost 提供了并行樹(shù)提升 (也稱為 GBDT，GBM)，可以快速準(zhǔn)確地解決許多數(shù)據(jù)科學(xué)問(wèn)題。相同的代碼在主要的分布式環(huán)境 (Hadoop，SGE，MPI)上運(yùn)行，并且可以解決超過(guò)數(shù)十億個(gè)樣例的問(wèn)題。

XGBoost 的優(yōu)點(diǎn)有：

(1)使用許多策略去防止過(guò)擬合，如：正則化項(xiàng)、Shrinkage and Column Subsampling 等；

(2)目標(biāo)函數(shù)優(yōu)化利用了損失函數(shù)關(guān)于待求函數(shù)的二階導(dǎo)數(shù)；

(3)支持并行化，這是 XGBoost 的閃光點(diǎn)，雖然樹(shù)與樹(shù)之間是串行關(guān)系，但是同層級(jí)節(jié)點(diǎn)可并行。具體的對(duì)于某個(gè)節(jié)點(diǎn)，節(jié)點(diǎn)內(nèi)選擇最佳分裂點(diǎn)，候選分裂點(diǎn)計(jì)算增益用多線程并行，訓(xùn)練速度快；

(4)添加了對(duì)稀疏數(shù)據(jù)的處理；

(5)交叉驗(yàn)證，early stop，當(dāng)預(yù)測(cè)結(jié)果已經(jīng)很好的時(shí)候可以提前停止建樹(shù)，加快訓(xùn)練速度；

(6)支持設(shè)置樣本權(quán)重，該權(quán)重體現(xiàn)在一階導(dǎo)數(shù) g 和二階導(dǎo)數(shù) h，通過(guò)調(diào)整權(quán)重可以去更加關(guān)注一些樣本。

3.3.4 LightGBM

LightGBM 是基于決策樹(shù)算法的分布式、高性能梯度提升框架算法?？捎糜谂判?、分類、回歸以及其他的機(jī)器學(xué)習(xí)任務(wù)中。

2017年1月微軟在 GitHub 上開(kāi)源了新的升壓工具——LightGBM。相比較 XGBoost 而言，該算法在使用過(guò)程中訓(xùn)練耗時(shí)較短，內(nèi)存占用比較小。在不降低準(zhǔn)確率的前提下，其速度提升了 10 倍左右，占用內(nèi)存下降了 3 倍左右。不同于其他的提升算法分裂樹(shù)一般所采用的深度方向或者水平明智方法，LightGBM 基于決策樹(shù)算法，采用最優(yōu)的葉明智策略分裂葉子節(jié)點(diǎn)。當(dāng)增長(zhǎng)到相同的葉子節(jié)點(diǎn)，葉明智算法比水平-wise 算法減少更多的損失。因此 LightGBM 算法具有更高的精度，是其他的提升算法都不能夠達(dá)到的。

LightGBM 的優(yōu)點(diǎn)[7]有：

(1)效率提升

LightGBM 提供一種數(shù)據(jù)類型的封裝，只需要保存離散的直方圖，相對(duì) Numpy，Pandas，Array 等數(shù)據(jù)對(duì)象而言節(jié)省了內(nèi)存空間。LightGBM 默認(rèn)的訓(xùn)練決策樹(shù)使用直方圖算法，直方圖算法是一種犧牲了一定的切分準(zhǔn)確性而換取訓(xùn)練速度以及節(jié)省內(nèi)存空間消耗的算法。XGBoost 里現(xiàn)在也提供了這一選項(xiàng)，不過(guò)默認(rèn)的方法是對(duì)特征預(yù)排序。在訓(xùn)練決策樹(shù)計(jì)算切分點(diǎn)的增益時(shí)，預(yù)排序需要對(duì)每個(gè)樣本的切分位置計(jì)算，時(shí)間復(fù)雜度是 O(#data)，而 LightGBM 則是對(duì)將樣本離散化為直方圖后的直方圖切割位置的增益進(jìn)行計(jì)算即可，時(shí)間復(fù)雜度為 O(#bins)，時(shí)間效率上得到了大幅度提高 (初始構(gòu)造直方圖是需要一次 O(#data)的時(shí)間復(fù)雜度)。

(2)節(jié)省內(nèi)存

將連續(xù)數(shù)據(jù)離散化為直方圖的形式，對(duì)于數(shù)據(jù)量較小的情形，可以使用小型的數(shù)據(jù)類型來(lái)保存訓(xùn)練數(shù)據(jù)，不必像預(yù)排序一樣保留額外的對(duì)特征值進(jìn)行預(yù)排序的信息，減少了并行訓(xùn)練的通信代價(jià)。

其中，精確率 (Precision)為 TP/(TP+FP)，即為在預(yù)測(cè)為“壞人”的人中，預(yù)測(cè)正確 (實(shí)際為“壞人”)的人占比。召回率 (Recall)為 TP/(TP+FN)，即為在實(shí)際為“壞人”的人中，預(yù)測(cè)正確 (預(yù)測(cè)為“壞人”)的人占比。F1 值是精確率和召回率的調(diào)和均值，即 F1=2PR/(P+R)，為綜合評(píng)價(jià)指標(biāo)。

3.3.5 Python 程序處理

在 Anaconda 的 Jupyter Notebook 中，進(jìn)行程序腳本編寫(xiě)。我們將 5月出賬 6月不出賬的特征數(shù)據(jù)表并做打標(biāo)處理，預(yù)測(cè) 6月出賬 7月不出帳的用戶，以及流失模型數(shù)據(jù)。我們對(duì)每個(gè)字段進(jìn)行與打標(biāo)字段的相關(guān)性分析，如圖2。

我們用上述決策樹(shù)、隨機(jī)森林、XGBoost、LightGBM 幾種算法，分別進(jìn)行了建模，并用算法排列出特征相關(guān)性的順序。如圖3 所示。

結(jié)果可見(jiàn)年收入、月均流量、入網(wǎng)時(shí)長(zhǎng)、總費(fèi)用、通話次數(shù)，月均收入、流量費(fèi)等字段與流失強(qiáng)相關(guān)。其中 LightGBM 算法的精確率、召回率、F1 值最高。見(jiàn)表2。所以我們最終選擇了 LightGBM 算法來(lái)建模，并獲得了 2I2C 流失模型的預(yù)測(cè)數(shù)據(jù)。

圖2 特征相關(guān)性分析圖Fig.2 Characteristic correlation analysis graph

圖3 特征排序Fig.3 Characteristic sorting

4 營(yíng)銷維系

對(duì)于市場(chǎng)而言，流失模型是市場(chǎng)需要的，而 2I2C 流失模型是更加貼合了市場(chǎng)的需求，針對(duì)流失嚴(yán)重的 2I2C 用戶，市場(chǎng)需要盡快采取措施，用于挽留用戶。

我們將 2I2C 流失模型的預(yù)測(cè)數(shù)據(jù)進(jìn)行營(yíng)銷，通過(guò)多種渠道和多種挽留的方式進(jìn)行維系。

關(guān)于下發(fā)的渠道，目前有電話營(yíng)銷、短信營(yíng)銷、觸點(diǎn)營(yíng)銷、公眾號(hào)、手廳、網(wǎng)廳等多種渠道。電話營(yíng)銷包括客服的電話營(yíng)銷和互聯(lián)網(wǎng)自有渠道，可以由 10010 的客服進(jìn)行電話營(yíng)銷，也可以將流失數(shù)據(jù)經(jīng)業(yè)務(wù)部門(mén)審核后上傳至自助取數(shù)平臺(tái)，由各地市進(jìn)行下載，再有外呼人員進(jìn)行電話營(yíng)銷。短信營(yíng)銷指的是將流失數(shù)據(jù)放入短信營(yíng)銷平臺(tái)，由平臺(tái)自動(dòng)發(fā)送短信內(nèi)容，用戶回復(fù)固定內(nèi)容后，平臺(tái)收到確認(rèn)短信，會(huì)認(rèn)為營(yíng)銷成功，隨后根據(jù)營(yíng)銷策略為用戶定制業(yè)務(wù)或贈(zèng)送業(yè)務(wù)。微信公眾號(hào)推送是在山西聯(lián)通的微信公眾號(hào)上，對(duì)流失數(shù)據(jù)的用戶進(jìn)行定向推送營(yíng)銷的業(yè)務(wù)，做到千人千面、分人分業(yè)務(wù)營(yíng)銷。目前投資方面電話營(yíng)銷成本高于其它方式，電話營(yíng)銷的成功率比其它方式的要高。

關(guān)于用戶挽留方式，也是有多種的。針對(duì)不同的流失情況，可以推薦不同的業(yè)務(wù)辦理或贈(zèng)送不同的業(yè)務(wù)，或者贈(zèng)送電子券、權(quán)益、紅包類產(chǎn)品，以增加用戶的粘性。比如，對(duì)于有流量需求的用戶為用戶推薦辦理國(guó)內(nèi)流量包，對(duì)語(yǔ)音有需求的用戶推薦辦理語(yǔ)音包，對(duì)于單用戶，可以為用戶推送合約、增值業(yè)務(wù)，對(duì)于業(yè)務(wù)量缺少的用戶可以給用戶贈(zèng)送電子券、權(quán)益或紅包。從而增強(qiáng)用戶粘性、提升客戶價(jià)值。

從目前的營(yíng)銷效果上來(lái)看，較為穩(wěn)定的控制了 2I2C 用戶的流失，對(duì)于全省 300 萬(wàn)數(shù)量級(jí)的 2I2C 用戶來(lái)說(shuō)，起到了很大的維系作用。

下一步，將結(jié)合維系效果，進(jìn)一步優(yōu)化模型參數(shù)，完善訓(xùn)練模型，進(jìn)一步提升模型的精確率和召回率，進(jìn)一步提升用戶的保有率。并且在挽留方式上，要更加細(xì)化和豐富，對(duì)流失用戶進(jìn)行繼續(xù)細(xì)化分類，對(duì)業(yè)務(wù)產(chǎn)品更加多樣化，從而持續(xù)提高客戶的客戶感知度，提升用戶價(jià)值，提升企業(yè)的整體形象。