周露露，鐘玲，思永坤

（中移在線服務(wù)有限公司云南分公司，云南 昆明 650221）

0 引言

隨著物質(zhì)生活的不斷豐富，消費(fèi)者的需求越來越精細(xì)化，以市場為導(dǎo)向的傳統(tǒng)營銷模式難以滿足客戶的個性化需求，這就要求企業(yè)在制定營銷策略時，更精準(zhǔn)地識別各細(xì)分市場的目標(biāo)客戶[1-2]。

隨著公司對直接溝通銷售的重視，需要更精準(zhǔn)、可衡量和高投資回報(bào)的營銷溝通，更注重結(jié)果和回報(bào)的營銷傳播方法及對直接溝通銷售的投資[3]。美國學(xué)者Jeff Zabin 認(rèn)為如果要影響目標(biāo)客戶的購買決策，就必須依靠精準(zhǔn)營銷[4]。運(yùn)營商擁有多元、海量的用戶特征和行為信息，通過建立精準(zhǔn)營銷模型，識別目標(biāo)客戶并制定不同的營銷計(jì)劃，可以在降低營銷成本的同時提升用戶粘性，從而提高營銷產(chǎn)品的轉(zhuǎn)化率[5]。

1 基于機(jī)器學(xué)習(xí)模型的呼叫中心精準(zhǔn)營銷模型

1.1 問題描述

面對復(fù)雜多變的市場環(huán)境和客戶需求，移動通信運(yùn)營商現(xiàn)行的營銷策略難以滿足客戶的實(shí)際需求。一方面，任何企業(yè)都是生存在市場環(huán)境中的，在制定營銷策略時必須以市場環(huán)境為依據(jù)，宏觀環(huán)境因素包括政策環(huán)境、經(jīng)濟(jì)發(fā)展?fàn)顩r、地理環(huán)境等，同時，企業(yè)內(nèi)部環(huán)境、營銷渠道等微觀環(huán)境也影響著營銷策略的實(shí)施。另一方面，在電信市場增速放緩、存量用戶爭奪愈發(fā)激烈的形勢下，如果策略實(shí)施不當(dāng)，不僅會降低客戶滿意度和品牌信任度，還可能造成客戶流失。本文從維系現(xiàn)有存量客戶角度出發(fā)，通過精準(zhǔn)定位目標(biāo)客戶，定制適配產(chǎn)品及營銷服務(wù)策略，在滿足客戶實(shí)際需求和消費(fèi)偏好的同時，發(fā)掘產(chǎn)品的潛在高價值用戶群體[6-7]。

1.2 方法概述

本文根據(jù)呼叫中心客戶的基本信息數(shù)據(jù)（號碼、歸屬地、年齡、在網(wǎng)時長及星級等）和消費(fèi)行為數(shù)據(jù)（月均消費(fèi)、流量/語音使用情況及活動辦理等），構(gòu)建精準(zhǔn)營銷模型的核心指標(biāo)體系。在此指標(biāo)體系基礎(chǔ)上，提出基于機(jī)器學(xué)習(xí)的5G 精準(zhǔn)營銷模型。模型構(gòu)建的主要步驟如下：

（1）建立基于客戶的核心指標(biāo)體系，根據(jù)類別識別規(guī)則，將指標(biāo)向量作為非類別屬性，對應(yīng)的標(biāo)簽向量作為類別屬性[8]；

（2）確定模型的關(guān)鍵參數(shù)集，使用決策樹、邏輯回歸、支持向量機(jī)機(jī)器學(xué)習(xí)算法構(gòu)建目標(biāo)客戶識別模型，在測試數(shù)據(jù)集上驗(yàn)證模型效果；

（3）選擇最優(yōu)的模型應(yīng)用于生產(chǎn)運(yùn)營。

基于機(jī)器學(xué)習(xí)算法的精準(zhǔn)營銷模型步驟如圖1 所示。

1.3 數(shù)據(jù)預(yù)處理：特征指標(biāo)體系

為構(gòu)建精準(zhǔn)模型，梳理了可能對標(biāo)簽向量有影響的特征指標(biāo)。基于可采集的數(shù)據(jù)源，主要包含運(yùn)營數(shù)據(jù)和過程數(shù)據(jù)。其中，運(yùn)營數(shù)據(jù)包括BOSS 計(jì)費(fèi)系統(tǒng)、CRM客戶關(guān)系管理系統(tǒng)、賬務(wù)系統(tǒng)的數(shù)據(jù)，可細(xì)分為用戶基本信息數(shù)據(jù)、訂購關(guān)系數(shù)據(jù)、營銷數(shù)據(jù)、消費(fèi)數(shù)據(jù)等；過程數(shù)據(jù)指用戶在業(yè)務(wù)使用過程中產(chǎn)生的數(shù)據(jù)，包括用戶上網(wǎng)日志數(shù)據(jù)、語音通話與短信發(fā)送/接收的行為數(shù)據(jù)及終端與網(wǎng)絡(luò)交互的信令數(shù)據(jù)等。

定義次月生效套餐為5G 智享系列套餐的客戶為正類樣本，反之則為負(fù)類樣本，作為模型預(yù)測的類別屬性。除標(biāo)簽列外，選取21 個重點(diǎn)變量作為樣本的特征指標(biāo)體系。每個變量的具體描述如下所示：

（1）USER_ID：用戶編碼；

（2）MSISDN：手機(jī)號碼；

（3）CITY_NAME：所屬地州，包含昆明、曲靖、昭通等16 個地州；

（4）VILLAGE_FLAG：農(nóng)村城市屬性，1 個農(nóng)村、0 個城市、9 個不祥；

（5）CREDIT：客戶星級，包含未評級、準(zhǔn)星、一至五星；

（6）AGE：年齡；

（7）USER_ONLINE_MONTH：在網(wǎng)時長（月）；

（8）USE_DURA：終端使用時長（月）；

（9）AVG_MON3_APRU：近三月月均用戶收入；

（10）AVG_MON3_MOU：近三月月均使用通話分鐘數(shù)；

（11）AVG_MON3_DOU：近三月月均使用流量；

（12）USED_OUT_VOICE：已使用套餐外通話時長（分鐘）；

（13）USED_OUT_FLOW：已使用套餐外流量；

（14）AVG_MON3_2G_FLOW：近三個月月均2G 流量；

（15）APP_YX_FLOW_RATE：近三個月游戲類軟件使用流量占比；

（16）APP_SP_FLOW_RATE：近三個月視頻類軟件使用流量占比；

（17）BANDWIDTH_DESC：寬帶帶寬；

（18）TARGET_CUST_MARKER_ID：營銷活動標(biāo)簽；

圖1 基于機(jī)器學(xué)習(xí)算法的精準(zhǔn)營銷模型

（19）APP_MOST：當(dāng)月使用流量最高的三個視頻類APP；

（20）PURCHASE_DESC：辦理的營銷活動；

（21）CALLS_NUM：月均來電次數(shù)。

在進(jìn)行模型訓(xùn)練前，需要對數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理的方法與步驟如下：

（1）去除唯一屬性，刪除用戶編碼、手機(jī)號碼字段；

（2）缺失值處理：將空值用數(shù)值0 替代，減少數(shù)據(jù)缺失，提升模型預(yù)測結(jié)果的準(zhǔn)確性；

（3）數(shù)據(jù)映射：將文本屬性標(biāo)簽（如所屬地州）映射為數(shù)字；

（4）數(shù)據(jù)派生：依據(jù)業(yè)務(wù)場景需求，若客戶滿足活動規(guī)則，則將享受套餐折扣優(yōu)惠。根據(jù)用戶的網(wǎng)時長、寬帶帶寬和客戶標(biāo)簽等字段，判斷用戶可享受的折扣。5G 套餐設(shè)計(jì)包含了綜合視頻類、移動音樂類和音頻娛樂等權(quán)益，為判斷用戶對權(quán)益的偏好，根據(jù)用戶視頻類APP 的流量消耗以及視頻會員權(quán)益活動辦理情況，構(gòu)造視頻類APP 偏好、會員權(quán)益偏好字段。

派生變量及描述如下所示：

1）DISCOUNT：折扣，“1”表示不打折，“0.8”表示八折，“0.7”表示7 折；

2）VIDEO_PRE：視頻類APP 偏好，如會員權(quán)益包含該APP，該字段為“1”，否則為“0”；

3）MEMBER_PRE：會員權(quán)益偏好，如辦理隨心系權(quán)益，該字段為“1”，否則為“0”。

1.4 基于決策樹的呼叫中心精準(zhǔn)營銷模型

在設(shè)計(jì)決策樹精準(zhǔn)營銷模型時，主要步驟如下：1）首先輸入經(jīng)過預(yù)處理的用戶數(shù)據(jù)集，將樣本數(shù)據(jù)分成訓(xùn)練集和驗(yàn)證集；2）計(jì)算集中訓(xùn)練用戶的年齡、網(wǎng)齡、星級、月均收入及使用流量等24 個指標(biāo)的信息熵、信息增益和增益率等指標(biāo)，選定最優(yōu)劃分屬性[9]；3）重復(fù)步驟2），層層劃分，直至將樣本劃分為5G 智享套餐目標(biāo)客戶或非5G 智享套餐目標(biāo)客戶[10]；4）對決策樹進(jìn)行剪枝，使得模型能盡可能正確地劃分訓(xùn)練數(shù)據(jù)集外的用戶；5）在驗(yàn)證集上計(jì)算模型評價指標(biāo)，評估模型性能。

訓(xùn)練數(shù)據(jù)通常會受到錯誤分類樣本的噪聲、訓(xùn)練樣例數(shù)量太少、節(jié)點(diǎn)純度的錯誤度量等因素影響，導(dǎo)致訓(xùn)練模型的過度擬合[11]。決策樹的剪枝主要是為了解決決策樹的過擬合問題，在節(jié)點(diǎn)劃分前后，判斷當(dāng)前節(jié)點(diǎn)的劃分是否能帶來模型泛化性能的提升[12]。

1.5 基于邏輯回歸的呼叫中心精準(zhǔn)營銷模型

Berkson 最早將邏輯回歸（LR,Logistic Regression）方法應(yīng)用于藥物自催化反應(yīng)過程的研究[13]，現(xiàn)已被廣泛應(yīng)用于用戶預(yù)測和尋找影響因變量的因素[14]。

基于邏輯回歸訓(xùn)練精準(zhǔn)營銷模型時，主要步驟如下：1）輸入用戶數(shù)據(jù)集，將地市、星級等定性變量轉(zhuǎn)化成定量變量；2）劃分模型訓(xùn)練數(shù)據(jù)集與驗(yàn)證集；3）確定回歸的因變量和自變量，訓(xùn)練模型并得到各自變量的回歸系數(shù)以及目標(biāo)客戶的概率輸出；4）使用Sigmoid 函數(shù)將樣本的概率輸出映射到[0,1]范圍內(nèi)，選定閾值為0.5，當(dāng)概率大于0.5 時，將其判定為目標(biāo)客戶，反之為非目標(biāo)客戶；5）在驗(yàn)證集上計(jì)算模型評價指標(biāo)，評估邏輯回歸模型性能。

1.6 基于支持向量機(jī)的呼叫中心精準(zhǔn)營銷模型

支持向量機(jī)（SVM,Support-Vector Network）是一種用于二分類問題的新型學(xué)習(xí)器，其基本思想是將輸入向量非線性地映射到高維特征空間。在該特征空間中構(gòu)造線性超平面，分離訓(xùn)練數(shù)據(jù)，并確保學(xué)習(xí)器具有較高的泛化能力[15]。簡而言之，就是找到一個最優(yōu)劃分超平面，使得它能夠盡可能多地將兩類樣本正確分開，同時使分開的兩類數(shù)據(jù)點(diǎn)距離分離面最遠(yuǎn)（最大間隔），如圖2 所示：

圖2 最優(yōu)劃分超平面與最大間隔

基于支持向量機(jī)的精準(zhǔn)營銷模型主要步驟如下：1）首先輸入用戶數(shù)據(jù)集，并劃分訓(xùn)練集和驗(yàn)證集；2）確定分類變量為二分類，分別是5G 智享套餐目標(biāo)客戶和非5G 智享套餐目標(biāo)客戶，其余變量作為自變量；3）根據(jù)訓(xùn)練集樣本年齡、月均使用流量、視頻偏好等屬性取值與所屬類別之間的關(guān)系，尋找兩類樣本的最優(yōu)劃分超平面，確定法向量w和位移項(xiàng)b[16]，形成一個凸二次規(guī)劃問題[17]并求解；4）最終將樣本聚為兩類，分別是5G 智享套餐目標(biāo)客戶和非5G 智享套餐目標(biāo)客戶；5）對驗(yàn)證集樣本進(jìn)行分類，并計(jì)算準(zhǔn)確率等模型評價指標(biāo)。

2 數(shù)據(jù)與實(shí)驗(yàn)

2.1 數(shù)據(jù)來源與處理

本文采用了中國移動云南公司的用戶基本屬性和用戶通信行為數(shù)據(jù)進(jìn)行模型研究。數(shù)據(jù)來源于公司Gbase數(shù)據(jù)庫，系統(tǒng)運(yùn)行環(huán)境主要為CPU：i5 2.80 G；內(nèi)存：8 192 MB；操作系統(tǒng)：Window 7 64 位；數(shù)據(jù)庫：Gbase集群管理器（版本：8.5.1.2_build40_2_24）。

由于正類和負(fù)類樣本存在著嚴(yán)重的數(shù)據(jù)不平衡，可能會導(dǎo)致模型訓(xùn)練結(jié)果偏向多數(shù)類樣本，少數(shù)類樣本的正確率較低[18]。為降低數(shù)據(jù)不平衡，提高分類器的性能，保證模型運(yùn)算效率，本文篩選5 000 條正類樣本和15 000條負(fù)類樣本，共20 000 條樣本作為模型訓(xùn)練的數(shù)據(jù)集。并基于R 語言的集成開發(fā)環(huán)境R Studio，運(yùn)用rpart、caret、pRoc、e1071 等安裝包進(jìn)行模型訓(xùn)練。

2.2 實(shí)驗(yàn)設(shè)計(jì)

對于機(jī)器學(xué)習(xí)模型，往往存在著泛化能力不足的問題。模型的泛化能力即指模型對于未知數(shù)據(jù)的預(yù)測能力，因此，本文采用交叉驗(yàn)證的方法來提高模型的泛化能力，基本思想是將數(shù)據(jù)集反復(fù)劃分為多組訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，在訓(xùn)練數(shù)據(jù)集上交叉驗(yàn)證得到最佳模型參數(shù)，使用測試數(shù)據(jù)集衡量最終模型性能。這種基于多組模型訓(xùn)練進(jìn)行調(diào)參的方式，可有效地避免模型對某些樣本的過擬合，提高其泛化性能。

為了避免過度擬合，本文采用k折交叉驗(yàn)證來構(gòu)建集成分類器。該方法的基本思想是將原始數(shù)據(jù)集劃分成k份相同樣本量的數(shù)據(jù)子集，每次使用其中k-1 份數(shù)據(jù)子集的集合訓(xùn)練模型，余下的1 份數(shù)據(jù)子集用作模型測試集，并計(jì)算模型的評價指標(biāo)。重復(fù)k次，得到k組評價指標(biāo)，取平均值作為最終評價指標(biāo)[19]。本文進(jìn)行的實(shí)驗(yàn)中，取k=10，10 折交叉驗(yàn)證的示意圖如圖3 所示：

圖3 10折交叉驗(yàn)證的示意圖

2.3 模型評價指標(biāo)

本文主要采用的性能度量指標(biāo)包括準(zhǔn)確率、一類錯誤率、二類錯誤率和AUC 值，對模型效果進(jìn)行評估。在介紹各度量指標(biāo)之前，以二分類為例，構(gòu)造混淆矩陣如下所示：

（1）預(yù)測值：正類；真實(shí)值：正類，則為真正類（TP）；

（2）預(yù)測值：正類；真實(shí)值：負(fù)類，則為假正類（FP）；

（3）預(yù)測值：負(fù)類；真實(shí)值：正類，則為假負(fù)類（FN）；

（4）預(yù)測值：負(fù)類；真實(shí)值：負(fù)類，則為真負(fù)類（TN）。

在機(jī)器學(xué)習(xí)領(lǐng)域，最常用的度量模型預(yù)測能力的指標(biāo)是準(zhǔn)確率。對于二分類問題，將準(zhǔn)確率定義為模型分類結(jié)果中真正類和真負(fù)類占總樣本的比例，簡而言之，就是模型分類正確的比例。準(zhǔn)確率的計(jì)算公式為：

對于二分類問題，正類和負(fù)類樣本錯誤分類的代價差異較大。本文的正類樣本是5G 智享套餐的目標(biāo)客戶，對其錯誤分類會直接導(dǎo)致?lián)p失其更改套餐的可能性。若對非目標(biāo)客戶錯誤分類為目標(biāo)客戶，僅可能損失部分營銷成本。因此本文還將分別采用兩類樣本的分類錯誤率對模型性能進(jìn)行評價，兩類錯誤率的計(jì)算公式如下：

在數(shù)據(jù)存在嚴(yán)重的不平衡時，準(zhǔn)確率或錯誤率等指標(biāo)對分類器性能的評估會過于樂觀[20]，此外，通過分類精度進(jìn)行的評估還假設(shè)兩類樣本錯誤分類的成本是相同的[21]。但在目標(biāo)客戶識別場景，將非目標(biāo)客戶識別為目標(biāo)客戶，與將目標(biāo)客戶識別為非目標(biāo)客戶的代價是不同的。為此，本文引入了受試者工作特征（ROC,Receiver Operating Characteristic）曲線，這是醫(yī)學(xué)診斷中信號檢測理論的經(jīng)典方法，現(xiàn)已廣泛應(yīng)用于機(jī)器學(xué)習(xí)分類器的模型效果評價[22]。在進(jìn)行分類器性能比較時，僅僅通過觀察ROC 曲線還不夠直觀，可通過比較ROC 曲線下的面積（AUC,Area Under the Curve）的值，判斷分類器性能高低[23]。

2.4 實(shí)驗(yàn)結(jié)果

本文基于R 語言編程工具，采用10 折交叉驗(yàn)證法，設(shè)計(jì)并實(shí)現(xiàn)了三組模型。首先是決策樹模型，模型的輸入為用戶的24 個屬性，輸出為是否為5G 智享套餐目標(biāo)客戶。按照10 折交叉驗(yàn)證的方法劃分訓(xùn)練集和驗(yàn)證集，18 000 位用戶為訓(xùn)練集，2 000 位用戶為驗(yàn)證集，鑒于實(shí)驗(yàn)設(shè)計(jì)過程，取10 次實(shí)驗(yàn)結(jié)果的算術(shù)平均值為最終結(jié)果，經(jīng)節(jié)點(diǎn)劃分和屬性歸類，生成的決策樹如圖4 所示。

圖4 決策樹結(jié)果圖

其次是邏輯回歸模型，模型的目的是尋找目標(biāo)變量（是否為5G 智享套餐目標(biāo)客戶）與多個自變量（所屬地州、星級、月均使用通話分鐘數(shù)等）之間的線性關(guān)系。根據(jù)實(shí)驗(yàn)設(shè)計(jì)方法，按9:1 比例劃分訓(xùn)練集和驗(yàn)證集，進(jìn)行10 次實(shí)驗(yàn)。通過尋找回歸參數(shù)，預(yù)測自變量在不同的取值下，是5G 智享套餐目標(biāo)客戶的概率。確定閾值為0.5，將模型概率輸出轉(zhuǎn)換為二分類輸出，計(jì)算模型評價指標(biāo)并計(jì)算算術(shù)平均值。

對于支持向量機(jī)分類模型，將樣本的24 個屬性作為特征空間，是否為5G 智享套餐目標(biāo)套餐作為待分類屬性。每次取18 000 條樣本作為尋找劃分超平面的訓(xùn)練集，根據(jù)樣本自變量取值的空間分布，尋找最優(yōu)劃分超平面對樣本進(jìn)行區(qū)分。進(jìn)行10 次實(shí)驗(yàn)，獲得10 組指標(biāo)值，計(jì)算其算術(shù)平均值為最終結(jié)果。以其中兩個屬性為例，訓(xùn)練的支持向量機(jī)如圖5 所示：

圖5 支持向量機(jī)結(jié)果圖

為評估模型性能，計(jì)算每組模型準(zhǔn)確率、錯誤率、AUC值作為模型評價指標(biāo)，并對三組實(shí)驗(yàn)結(jié)果進(jìn)行對比分析，選擇最優(yōu)的模型進(jìn)行應(yīng)用。模型評價指標(biāo)的對比如表1 所示：

表1 模型評價指標(biāo)對比

從總體的分類準(zhǔn)確率來看，決策樹同其他模型相比是最高的。對于目標(biāo)客戶預(yù)測模型來說，更關(guān)注的是將目標(biāo)客戶錯誤預(yù)測為非目標(biāo)客戶的樣本，也就是第一類錯誤率。結(jié)果表中顯示決策樹的第一類分類錯誤率最低。與此同時，AUC 作為評價不平衡數(shù)據(jù)集模型/性能的重要指標(biāo)，可輔助模型效果對比。本實(shí)驗(yàn)中支持向量機(jī)模型的AUC 取得最大值，但決策樹與其結(jié)果相差不大。因此，決策樹的綜合性能表現(xiàn)最佳，并且在目標(biāo)客戶精準(zhǔn)營銷場景具有很好的適用性。

2.5 模型應(yīng)用

在模型的落地應(yīng)用方面，將底層的算法邏輯與業(yè)務(wù)運(yùn)營需求緊密結(jié)合，訓(xùn)練決策樹模型識別重點(diǎn)業(yè)務(wù)目標(biāo)客戶，將客戶偏好的產(chǎn)品通過合適的渠道，在最佳的時機(jī)推送給目標(biāo)客戶群體。應(yīng)用的渠道包括瞬時運(yùn)營、短信群發(fā)、IOP 彈窗等。其中，瞬時運(yùn)營是指用戶在達(dá)到觸發(fā)條件（如流量超套、新?lián)Q5G 手機(jī)）的瞬間，啟動互動式語音應(yīng)答（IVR,Interactive Voice Response）外呼，詢問是否需更改套餐，客戶可選擇是否轉(zhuǎn)入人工。短信群發(fā)是指向目標(biāo)客戶發(fā)送模板短信，宣傳5G 智享套餐相關(guān)信息。IOP 彈窗是在客戶接入10086 人工后，系統(tǒng)自動彈窗5G 智享套餐目標(biāo)客戶，提示客服代表進(jìn)行套餐營銷。經(jīng)統(tǒng)計(jì)，瞬時運(yùn)營外呼的5G 業(yè)務(wù)轉(zhuǎn)化率達(dá)到36.96%；短信群發(fā)測試的營銷轉(zhuǎn)化率最高達(dá)到17.62%；IOP 彈窗的營銷轉(zhuǎn)化率較模型上線前有明顯的提升。

3 結(jié)束語

本文從精準(zhǔn)營銷模型的角度出發(fā)，將機(jī)器學(xué)習(xí)模型應(yīng)用于呼叫中心的生產(chǎn)運(yùn)營?；谥袊苿釉颇瞎居脩舻臉颖緮?shù)據(jù)，構(gòu)造用戶基本信息、訂購關(guān)系、消費(fèi)、交互行為4 個維度的24 個指標(biāo)，搭建自適應(yīng)快速迭代的機(jī)器學(xué)習(xí)模型，預(yù)測5G 套餐目標(biāo)客戶，旨在描繪通信運(yùn)營商呼叫中心客戶的全息畫像，明確目標(biāo)客戶群體的特征和產(chǎn)品定位方向。在建模過程中，經(jīng)歷了定位、分析、驗(yàn)證、跟蹤、迭代優(yōu)化等環(huán)節(jié)，是大數(shù)據(jù)分析和人工智能在傳統(tǒng)通信行業(yè)領(lǐng)域的大膽嘗試，也是精細(xì)化運(yùn)營的重要體現(xiàn)。模型預(yù)測結(jié)果的準(zhǔn)確率超過90%，在精準(zhǔn)營銷場景具有很好的適用性，也能輔助優(yōu)化制定策略。最后本文提出了針對性的建議方案，為5G 套餐目標(biāo)客戶的精準(zhǔn)營銷提供了有益借鑒。

在本文的研究過程中還存在一些待改進(jìn)的地方。首先，通信運(yùn)營商擁有著海量用戶數(shù)據(jù)，本文采用的是用戶部分基本信息和消費(fèi)行為數(shù)據(jù)，未來可挖掘其他數(shù)據(jù)的內(nèi)在價值，還可結(jié)合外部數(shù)據(jù)，構(gòu)建更為完善的模型；其次，本文研究產(chǎn)品單一，為提升營銷轉(zhuǎn)化率、提高客戶感知價值，在設(shè)計(jì)營銷方案時，可加入與主套餐搭配的語音包、流量包等，通過交叉銷售滿足不同客戶需求。