后付费移动用户离网预警及挽留对策.docx

2014高教社杯全国大学生数学建模竞赛承 诺 书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。我们参赛选择的题号是（从a/b/c/d中选择一项填写）： d 我们的参赛报名号为（如果赛区设置报名号的话）： 19510002 所属学校（请填写完整的全名）： 参赛队员 (打印并签名) ：1. 林衍杰 2. 陈民施 3. 黄锋凯 指导教师或指导教师组负责人 (打印并签名)： 数模组 日期：2014 年 9月 8 日赛区评阅编号（由赛区组委会评阅前进行编号）：2014高教社杯全国大学生数学建模竞赛编 号 专 用 页赛区评阅编号（由赛区组委会评阅前进行编号）：赛区评阅记录（可供赛区评阅时使用）：评阅人评分备注全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：后付费移动用户离网预警及挽留对策摘要本文的研究目的在于利用数据挖掘知识，寻找到离网客户的特征和影响因素，将可以使得企业对症下药，加强内部管理，优化营销管理，改善及降低客户离网情况。本文采用国际数据挖掘标准流程（grisp-dm）构建“流失客户预警模型”，根据该流程，首先对流失数据和未流失数据做用户特征分析，绘制图表对比分析。分析出的影响用户“离网”行为的发生较大的因素有：arpu值（月话务消费总额）、是否融合多个业务、网龄。本文根据决策树将预离网客户分为按照“离网”从高到低的程度分为三个等级：红色预警用户、黄色预警用户、蓝色预警用户，三个等级的预警用户的准确率和覆盖率除红色预警用户外都低于稍50%，其准确率和覆盖率较低，但红色预警用户准确率高达72%，覆盖率为52%，说明该模型对红色预警用户筛选和评估最为准确。本文用流失数据表某几个月份数据对模型进行评估，模型预测准确率为45.6%，覆盖率为44.7%。基于对数据表中用户特征分析及模型预测结果，寻找出需要作出预警的用户，并提出挽留对策。关键词:数据挖掘，客户流失预警，决策树，挽留对策问题重述1.1问题背景移动通信行业具有全程全网的特点，初始投入大，需要极大的客户来支撑网络的运营，由于移动通信运营行业具有典型的规模经济特性，因此，客户是任何一个移动通信运营企业最重要的资源，当前不论是各级运营商的上级管理部门还是资本市场，除了关注移动通信运营商的净利润及投资回报率等指标外，电信通信及固定通信客户的市场占有率以及在网客户的保有率，已经成为运营商的各类利益相关者普遍关注的重点，如果没有大规模客户在网运行来摊薄成本，移动运营商将无法生存，所以移动运营企业的客户已经成为目前运营商经营活动的中心，因此如何识别潜在的客户，并与重要的在网客户维持良好的关系，如何吸引新客户入网并降低在网客户的离网水平，以及在通信网络上尽可能保持更多的用户并促进在网用户大量使用通信服务，是移动运营商关心的焦点问题。虽然运营商的客户离网问题是不可避免的，但是还是可以通过一些手段使得离网率控制在一个较低的水平，控制客户的离网，本身也是一种发展，如果通过一些细致的分析和离网预警工作，寻找到离网客户的特征和影响因素，将可以使得企业对症下药，加强内部管理，优化营销管理，改善及降低客户离网情况，无疑对运营商而言具有重要意义。1.2问题要求分析目的：通过选取合适的数据，筛选变量，分析移动客户特征；建立合适的模型，构建基于后付费移动用户离网风险预警模型，寻找可能流失的目标客户群。（数据提取规则：流失清单里为14年3月流失的用户，未流失清单里为在网的活跃用户）。二、问题分析本文用到的两个表分别为流失用户表（流失数据）和在网活跃用户表（未流失数据），对于流失数据的处理，本文主要采用统计数据并建立图表的方法，筛选变量，找出已离网客户群的特征，并作为提出对策的依据。对于未流失数据的分析，本文主要思路分两个部分：一是采用国际数据挖掘标准流程（grisp-dm）构建“预离网（流失客户预警）模型”，并根据决策树将预离网客户分为按照“离网”从高到低的程度分为三个等级：红色预警用户、黄色预警用户、蓝色预警用户；二是基于“预离网模型”分析预测结果并结合对流失数据表的结果，提供相关挽留对策。本文所遵循的grisp-dm流程是国际国际通用的标准数据挖掘流程之一，虽然挖掘方法很多，但其流程都是通用的。流程如下图：业务与数据分析数据准备建模准备建立模型模型评估与优化1.用户特征分析1.数据探索2.剔除异常数据1.数据抽样2.变量筛选3.特征建模分析1.建立模型2.关联分析主元素3.根据决策条件筛选数据1.模型评价：准确率，覆盖率2模型优化：结合实际业务经营调整模型图2-1 本文建模采用的数据挖掘模型四、模型假设1.假设用户没用出现“养卡”现象，一个用户只有一个设备编号2.某些数据的剔除不影响数据的整体性3.数据是准确无误的五、数据处理与分析5.1.1数据的初步分析当理清建模需求和思路，找到建模数据后并对数据有一定理解后，在建模前需要对建模数据进行整理，以达到建模需求。在数据的准备上，当数据量较大且复杂时，会使数据的挖掘质量降低且过程更加繁琐。5.1.2数据处理首先，要在理解建模思路的前提下从数据表中提取数据。提取时，有时按照一个设备编号分不同时段提取，有时只提取同一时段的所有用户数据，这根据情况而定。然后开始数据处理，包括处理缺失数据（无年龄，无入网渠道等），针对这些数值型的缺失值，一般采用0代替缺失值，对于某些业务费用为负数的，一些时间缺失的数据以及逻辑上有错误的数据，同时在数据对比中不纳入计算当中。对数据抽样后，确定建模用户数据集，当此时的数据并非建模用的数据，还需要计算衍生变量并对所以变量进行筛选，这样得到的数据才是建模数据。抽样是为了缩小建模数据，节省数据处理和建模时间，计算衍生变量是为了增加数据维度即数据指标，这些衍生变量能跟好地反映用户行为，也具有很好的的可解析性。六、模型的建立与求解6.1 业务与数据分析6.1.1用户特征分析我们主要从arpu分级维度、网龄分级维度、业务捆绑情况维度、终端信息维度、年龄分级维度等几个维度对用户进行分析。（1）arpu情况：arpu值表示月话务消费总额。下图表示“离网“用户的arpu值分布，并以同时段活跃用户进行比较。图中横坐标表示arpu值区段，纵坐标表示每个arpu值区段的人数分布百分比，我们可以从图6-1中看出，apru值在0-90元段，“离网”用户和正常用户分布不同，“离网”用户中arpu为0-30,300以上的比例最高，而正常用户中arpu值为120150的比例最多。arpu到达180以上，“离网”用户和正常用户比例走向趋于一致。从图6-1可以看出，低arpu段与高arpu端的用户明显体现相对较高的“离网”想象，因此在构建营销策略还是建模上，很有必要区分低arpu和高arpu用户。图6-1（2）网龄情况：图6-2表示“离网”用户和“正常”用户在各个网龄段下比例分布，从下图可以看出离网用户比例较高的的的网龄区段主要集中在网龄510个月和2530，特别是2530个月的网龄段最为突出。当然05个月网龄的用户较少的原因是因为用户从实际发生“离网”行为到移动公司系统判定用户用户已“离网”需要3个月的时间。这也就说明，实际上，用户发生实际“离网”行为的时间是在离网数据所显示的时间的前3个月，所以510月网龄的“离网”用户比例升高。纵观图6-2的整体，们不难发现“离网”用户和“正常“用户在网龄段的人数比例分布有着明显的差异，尤其是在中断和低端的”网龄“区间。因此，在建模和挽留对策中需要考虑网龄这个维度。图6-2（3）业务捆绑维度：业务的捆绑包括公免用户，集团网用户即vpn用户，还有办理多业务融合优惠套餐。由于数据表中业务捆绑只提到用户是否是vpn用户与多业务是否融合，并没有公免用户捆绑。所以我们只统计“离网“用户是否为vpn和”正常“用户是否为vpn用户所占的比例及是否融合多个业务所占总数的比例。从图6-3中可以看出，”离网“用户为非vpn用户所占的比例比”正常“用户为非vpn用户高约9%，体现的差异并不明显。所以在建模和寻找对策中可做次要的因素考虑，从图6-4看出，”离网“用户与”正常“用户融合与非融合比例存在明显的区别，”离网“用户非融合的比例高于融合的比例，而”正常“用户恰恰相反，而且可以看出，”离网“用户业务非融合率明显高于”正常“用户业务非融合率，所以我们建模时需要注意业务是否融合这个维度。图6-3图6-4（4）终端信息维度终端信息主要包括终端补贴时长，终端档次以及终端类型。 图4-1表示“离网“用户和”正常“用户终端补贴时长所占人数总量的比例，横坐标表示补贴的月数，纵坐标表示比例，从整体来看，两条直线趋势都趋于一致，唯一值得注意的是当月份数在33个月之后”正常“用户的比例比”离网“用户的比例高，这有可能意味着补贴的时长越长对于挽留客户有一定的积极作用。图4-1图4-2表示“离网“用户与”正常“用户的终端档次分别从1到9所占各自总人数的比例。从图4-2可以看出，在各个终端档次都分别存在不同程度的差异，正常的一般使用档次1到5和档次7的终端，而”离网“用户主要使用档次1到3以及档次7的终端，值得主要的是，在档次2,3,6,7,9”离网“用户和”正常“用户所占的档次比例存在明显的差异而且”离网“用户的档次所占比例高于”正常“用户的档次所占比例。这提醒了我们，在对不同档次的终端做出预警时应有所侧重。图4-2表图4-3表示“离网“用户与”正常“用户终端类型分别为1,2所占总人数的比例，从图中可以看出两种用户的终端类型比例几乎完全相同，所以可以认为终端类型并不会对”离网“用户的”离网“行为产生影响，不需考虑此因素。图4-3（5）年龄分级维度查阅资料可知，年龄的分级一般分为：少年（1018）、青年（1935）、中年（3659）、老年（60）3。图5-1表示，“离网“用户与”正常“用户各年龄分级所占总人数的百分比，从图中看出，年龄段为中年的“离网”用户比“正常”用户比例高出约10%，而总体的差异并不明显，所以可以认为年龄并不是影响“离网”用户“离网”行为产生的主要因素。图5-16.2 数据的准备6.2.1 提取数据我们选取未流失数据表连续4个月用户数据作为建模数据，具体是选取2013年10月，11月，12月，2014年1月并以流失数据表中用户在2014年2月份用户的数据作为模型的检验数据。在用户特征分析的基础上选取建模指标时，我们尽可能多地选取能反映用户的维度和指标。所有的指标如下表：维度字段基本信息在网时长号码等级费用信息彩铃费短信费本地语音通话费arpu值长途语音通话费省内语音漫游费省际语音漫游费来电显示费国际语音长途费上网及数据通信费综合增值服务费通话信息主叫次数被叫次数本地通话次数省内漫游通话次数省际漫游通话次数国际漫游通话次数主叫通话分钟数被叫通话分钟数本地通话分钟数长途语音通话分钟数省内漫游通话分钟数省际漫游通话分钟数国际漫游通话分钟数群内通话次数群内通话分钟数群外通话次数群外通话分钟数忙时通话次数忙时通话分钟数闲时通话次数闲时通话分钟数呼转次数拨打他网客服次数拨打中电信移动通话次数拨打中电信移动通话分钟数拨打中联通移动通话次数拨打中联通移动通话分钟数拨打中移动移动通话次数拨打中移动移动通话分钟数拨打固话通话次数拨打固话通话分钟数主叫通话联系人数量被叫通话联系人数量上网信息上网次数上网时长捆绑信息vpn用户业务是否融合当然，在建模时还需要对以上字段进行筛选。6.2.2衍生变量的产生衍生变量主要包括三类：平均值p、波动值c，比例值b。其中平均值“p“是反应用户平均消费情况，例如：月消费总额p=（9月份消费总额+2月份消费总额）/6，波动值c是反映用户消费波动情况，例如：语音费c=9月份语音费/（9月份消费总额+2月份消费总额）；比例值b是反应用户具体偏好哪种消费，例如：本地语音通话费p=本地语音通话费p/长途语音通话费p，在建模字段中，”月消费总额p“表示各月消费总额的平均值，其他字段以此类推1。6.2.3变量的筛选 根据6.2.1和6.2.2小结得到用于建模的字段，我们需要对这些字段进行筛选。本研究用于筛选的主要方法采用皮尔逊相关系数4进行字段筛选，运用的工具是spss软件。得到费用信息维度皮尔逊相关系数表，通讯信息维度皮尔逊相关系数表（附录一）。表6-2-1为上网信息维度的皮尔逊相关系数表。表6-2-1相关性上网次数上网时长上网次数pearson 相关性1.565*显著性（双侧）.000n67446744上网时长pearson 相关性.565*1显著性（双侧）.000n67446744*. 在 .01 水平（双侧）上显著相关。6.3建立分类预测模型6.3.1建模字段 经过步骤6.1，6.2后，得到用于建模的数据，这些数据的字段如下表所示：表6-3-1维度字段用户属性维度网龄费用维度arpu值parpu值c终端信息维度终端档次话务维度语音费p语音费c漫游费p漫游费c漫游费b长途费p长途费b长途费c呼转次数p呼转次数c忙时通话时长p忙时通话时长c闲时通话时长p闲时通话时长c捆绑维度业务是否融合注：语音费漫游费等都是包括本地，长途，省内，省际等的语音费。6.3.2选择分类器分类预测的方法有许多种，本研究最终选择决策树方法建模5。6.3.3构建模型并实施 本文基于决策树方法，利用excel软件进行数据筛选，根据题目的实际要求，预测模型将“预离网“用户按照”离网“可能性从高到低的程度分成三个等级：红色预警用户、黄色预警用户、蓝色预警用户。本研究还引入了某移动通信公司的”预离网“口径和沉默用户口径。（1）某移动公司口径： 根据实际情况，公司每月的客户流失情况都需要被省公司考核，而省公司有其客户流失预警判定规则和考核指标。当然这些指标和口径无法做到准确测出哪些用户将会“离网“，但这些指标和口径有一定参考价值，并且，它将”流失客户“（arpu值流失，话务流失）包含在考核的流失用户中。因此，本研究在建模时结合了移动通信公司的判定口径。（2）沉默用户口径沉默用户是虽然没有离网，但没有任何话单产生的用户。一旦用户产生话单，那么其不为沉默用户。本研究的模型架构如图：“正常“用户筛选网龄=2个月保留正常用户生成衍生字段话务流失，arpu值流失是否预离网模型口径判断是否为预离网用户预离网模型口径判断是否为预离网用户是否五天开机未上网是否是否五天开机未上网是否是否五天开机未上网是否五天开机未上网是否红色预警用户黄色预警用户蓝色预警用户是否沉默用户是否正常用户6.4模型的评估从每个月中提取“预离网“用户进行营销挽留检测模型效果时，我们以未流失数据表中2013年10月至12月和2014年1月“预离网”用户数据预测流失表数据中2013年10月至12月和2014年1月，检测指标为准确率和覆盖率。准确率计算公式为：准确率=预警用户中实际”离网“人数/预警人数。覆盖率计算公式为：覆盖率=预警用户中实际“离网”人数/（“离网”人数*预警用户比例），结果如下表：预警人数准确率覆盖率红色预警173672.60%52.90%黄色预警637445.30%49.70%蓝色预警593238.10%34.80%总计1404245.60%44.70%小结：本研究提出的的“预离网“模型架构将预警用户分为3个档次”红色预警用户、黄色预警用户、蓝色预警用户。从评估结果中可以看出，总体模型预测准确率为45.6%，覆盖率为44.7%，总体预测效果不是很理想，有待进一步提高。但红色预警用户预测准确率达到72.6%，预测数有一万四千多户，表明红色预警用户预测效果比较理想，在实际应用中移动通信公司营销资源亦主要投放给红色预警用户。七、营销挽留对策平时做好客户维系工资使得没有客户离网，实际上任何运营商都无法做到这点。提前预测潜在的“离网”用户并开展营销挽留才符合现实情况。当我们得到需要挽留的对象“预离网”用户后，该如何进行营销挽留？本研究基于“分层挽留并长期维系”的核心理念制定“预离网”客户营销挽留措施。营销专家将维系挽留分为三个层次：首先，用户希望与企业建立的关系是从企业获得利益（实惠），这时的挽留措施往往较为简单直接，主要以低价来吸引并挽留客户，例如运营商经常开展的送话费、送流量等优惠活动；第二层次的挽留和维系措施并不停留在低价策略上，此时企业需要了解用户的实际需求，为其提供满足其真实需求的服务或产品，使得用户与企业建立信赖的关系；第三层次的用户维系和挽留是企业和用户建立起深层次的联系，企业为客户提供个性化的服务和产品，甚至和用户建立合作关系，使得用户对企业有较高忠诚度。基于该理论，本研究针对电信行业提出“分层挽留并长期维系”的用户挽留核心理念。具体包括三项内容：（1）客户分层，（2）挽留措施分层递进，（3）建立长期维系客户的体系。下面具体介绍这三项内容。对“预离网”用户进行“立即挽留”措施本质上没有解决用户“离网”的根本问题，仅仅是短时间挽留住了客户。当然，用户“离网”的原因多种多样，想要解决这些所有的问题需要运营商从各方面努力，比如提升客户服务质量（包括各营业网点、客户服务中心等），营造良好的企业形象和套餐品牌形象，套餐产品或服务价格合理并满足用户需求等等。仅仅通过“预离网模型”一次性解决这些问题显然不可能。虽然用户“离网”的原因很多，但其中最主要的原因是产品或服务没有很好的满足用户需求，这也是为什么那些“立即挽留”住的用户可能会选择再次“离网”的原因。八、模型评价与推广7.1模型的优点 1、图表采用数据的比例比较，更具有准确性 2、采用国际数据挖掘流程，数据的筛选统计分析比较合理3、采用spss软件处理数据，具有速度快、效率高、准确度高的优点7.2模型的缺点1、处理数据时可能存在些数据的遗失，可能计算出来的结果没有达到最佳值2、选取数据时大多是随机选取，没有特定的标准选取数据7.3模型的推广此模型属于数据挖掘分析模型。在实际工作中,客户实际上是否离网的结果可能与预测模型预测的结果并不完全一致。这是由于预测模型是依据对过去发生行为的归纳总结得出的,而随着时间的向前推进,实际的情况可能与过去情况发生了变化,即预测模型具有滞后性,随着时间的推进预测模型的预测精度会逐渐下降,甚至实际情况可能改变的不能再用该预测模型进行预测。因此在不同的时期需要对预测模型的预测结果进行检测,当发现预测结果与实际情况相差过大时,应该根据实际情况建立新的预测模型。为了保证模型预测结果的准确率,预测模型最好每半年更新一次。九、参考文献1张维国，移动用户预警及挽留对策，电子科技大学，20092移动用户离网原因调研报告,/p-346704268.html 2014-9-63 /question/200878986.html 2014-9-64 吴瑞林，王建中，袁克海，多分格相关与皮尔逊相关的蒙特卡罗仿真，北京航天航空大学学报，20095盛昭瀚，刘炳祥，客户流失的危机分析的决策树方法，管理科学学报，2005附录一：相关性彩铃费短信费本地语音通话费长途语音通话费省内语音漫游费省际语音漫游费国际语音长途费上网及数据通信费综合增值服务费来电显示费彩铃费pearson 相关性1.028.029.035*.005.011-.007-.015.024.240*显著性（双侧）.079.073.027.743.508.659.358.129.000n3915391539153915391539153915391539153915短信费pearson 相关性.0281.045*.049*.072*.054*.104*.181*-.060*.052*显著性（双侧）.079.004.002.000.001.000.000.000.001n3915391539153915391539153915391539153915本地语音通话费pearson 相关性.029.045*1.198*.010-.057*-.010-.083*-.026-.105*显著性（双侧）.073.004.000.546.000.536.000.105.000n3915391539153915391539153915391539153915长途语音通话费pearson 相关性.035*.049*.198*1.098*.007.046*-.017-.021.023显著性（双侧）.027.002.000.000.646.004.277.187.144n3915391539153915391539153915391539153915省内语音漫游费pearson 相关性.005.072*.010.098*1.019.022.071*-.032*.029显著性（双侧）.743.000.546.0000.043.071n3915391539153915391539153915391539153915省际语音漫游费pearson 相关性.011.054*-.057*.007.0191.027.056*-.004.032*显著性（双侧）.508.001.000.646.227.095.000.783.047n3915391539153915391539153915391539153915国际语音长途费pearson 相关性-.007.104*-.010.046*.022.0271.034*-.006-.005显著性（双侧）.659.000.536.004.167.095.036.714.756n3915391539153915391539153915391539153915上网及数据通信费pearson 相关性-.015.181*-.083*-.017.071*.056*.034*1.040*.053*显著性（双侧）.358.000.000.277.000.000.036.012.001n3915391539153915391539153915391539153915综合增值服务费pearson 相关性.024-.060*-.026-.021-.032*-.004-.006.040*1-.088*显著性（双侧）.129.0043.783.714.012.000n3915391539153915391539153915391539153915来电显示费pearson 相关性.240*.052*-.105*.023.029.032*-.005.053*-.088*1显著性（双侧）.000.001.000.144.071.047.756.001.000n3915391539153915391539153915391539153915*. 在 0.05 水平（双侧）上显著相关。*. 在 .01 水平（双侧）上显著相关。通讯信息维度皮尔逊相关系数表：相关性主叫次数被叫次数本地通话次数省内漫游通话次数省际漫游通话次数国际漫游通话次数主叫通话分钟数被叫通话分钟数本地通话分钟数长途语音通话分钟数省内漫游通话分钟数省际漫游通话分钟数国际漫游通话分钟数群内通话次数群内通话分钟数群外通话次数群外通话分钟数忙时通话次数忙时通话分钟数闲时通话次数闲时通话分钟数呼转次数拨打他网客服次数拨打中电信移动通话次数拨打中电信移动通话分钟数拨打中联通移动通话次数拨打中联通移动通话分钟数拨打中移动移动通话次数拨打中移动移动通话分钟数拨打固话通话次数拨打固话通话分钟数主叫通话联系人数量被叫通话联系人数量主叫次数pearson 相关性1.764*.864*.259*.154*.065*.833*.665*.763*.301*.201*.113*.050*.364*.255*.889*.686*.929*.690*.865*.689*.039*.033*.642*.440*.639*.325*.882*.594*.999*.708*.745*.645*显著性（双侧）.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000n195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503被叫次数pearson 相关性.764*1.858*.265*.125*.069*.615*.885*.788*.205*.197*.081*.052*.305*.217*.896*.681*.913*.669*.863*.679*.014.017*.467*.308*.525*.254*.690*.445*.764*.515*.681*.842*显著性（双侧）.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.056.020.000.000.000.000.000.000.000.000.000.000n195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503本地通话次数pearson 相关性.864*.858*1-.013-.126*.014.665*.721*.908*.293*-.061*-.146*-.001.377*.253*.855*.598*.895*.602*.853*.629*.035*.024*.574*.361*.521*.222*.753*.444*.863*.541*.772*.736*显著性（双侧）.000.000.062.000.058.000.000.000.000.000.000.921.000.000.000.000.000.000.000.000.000.001.000.000.000.000.000.000.000.000.000.000n195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503省内漫游通话次数pearson 相关性.259*.265*-.0131.004.000.270*.276*-.029*.008.926*-.009-.002.005.019*.296*.302*.289*.290*.225*.236*-.003.009.110*.112*.210*.143*.272*.251*.259*.255*.086*.202*显著性（双侧）.000.000.062.553.975.000.000.000.247.000.205.762.444.009.000.000.000.000.000.000.713.232.000.000.000.000.000.000.000.000.000.000n195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503省际漫游通话次数pearson 相关性.154*.125*-.126*.0041-.003.225*.179*-.126*-.041*.003.920*-.003-.010.024*.163*.246*.142*.230*.146*.217*-.014.007.047*.086*.232*.210*.157*.215*.155*.234*-.009.085*显著性（双侧）.000.000.000.553.676.000.000.000.000.686.000.647.166.001.000.000.000.000.000.000.058.322.000.000.000.000.000.000.000.000.224.000n195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503国际漫游通话次数pearson 相关性.065*.069*.014.000-.0031.049*.066*.006.006-.006-.011.948*-.019*-.017*.083*.064*.089*.060*.029*.032*.005-.004.041*.025*.029*.008.042*.026*.065*.039*.022*.055*显著性（双侧）.000.000.058.975.676.000.000.412.391.439.110.000.010.018.000.000.000.000.000.000.498.597.000.000.000.292.000.000.000.000.002.000n195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503主叫通话分钟数pearson 相关性.833*.615*.665*.270*.225*.049*1.676*.715*.550*.283*.252*.049*.296*.326*.731*.876*.768*.904*.700*.825*.021*.037*.539*.581*.558*.488*.729*.817*.833*.979*.600*.493*显著性（双侧）.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.003.000.000.000.000.000.000.000.000.000.000.000n195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503被叫通话分钟数pearson 相关性.665*.885*.721*.276*.179*.066*.676*1.807*.279*.257*.184*.060*.268*.316*.787*.823*.808*.842*.746*.804*-.001.019*.414*.397*.474*.320*.593*.519*.665*.628*.581*.715*显著性（双侧）.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.938.007.000.000.000.000.000.000.000.000.000.000n19503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950319503195031950