编程统计手机话费流量套餐消费数据，匹配个人使用习惯，更换最优套餐，减少大众每月通讯多余花费。

构建一个手机话费、流量套餐消费统计与最优套餐匹配分析的商务智能示例项目，去营销化、中立化，仅用于学习与工程实践参考。

一、实际应用场景描述

在几乎所有家庭的月度固定开支中，手机话费都是一项长期、稳定存在的支出：

- 很多人多年使用同一套餐，从未仔细核对

- 运营商频繁推出新套餐，但用户缺乏对比工具

- 实际使用习惯（通话时长、流量、短信）与套餐不匹配

- 结果是：要么流量不够用超支，要么套餐资源大量浪费

典型场景是：

- 某人每月套餐费 128 元，含 20GB 流量

- 实际月均只用 8GB，却一直支付高资费

- 另一人 39 元套餐，经常流量超支，额外付费

本项目模拟 20 位用户、6 个月的真实使用数据，通过 Python 进行：

- 话费与流量消费统计

- 套餐资源利用率分析

- 个人使用习惯画像

- 最优套餐匹配与节省潜力测算

为普通用户提供一个可量化、可复现的通讯费用优化框架。

二、引入痛点（Business Pain Points）

痛点 说明

套餐固化 多年不换，错过更优方案

资源错配 流量剩太多或完全不够

资费不透明 附加业务不知不觉扣费

选择困难 套餐种类繁多，难以比较

缺乏工具 普通用户不会做数据对比

因此需要一个：

✅ 轻量、可个人使用

✅ 基于通用编程语言（Python）

✅ 强调使用习惯匹配

✅ 非运营商或渠道推广

的分析原型。

三、核心逻辑讲解（BI 思维模型）

1️⃣ 数据层（Data Layer）

- 维度：用户、月份

- 指标：

- 月租费（元）

- 通话时长（分钟）

- 流量使用（GB）

- 短信条数

2️⃣ 指标层（Metrics Layer）

- 套餐资源利用率（实际使用 / 套餐包含）

- 超额费用占比

- 单位资源成本（元 / GB、元 / 分钟）

3️⃣ 分析层（Analysis Layer）

- 使用习惯聚类（低流量 / 高流量 / 均衡型）

- 套餐匹配度评分

- 最优套餐推荐

4️⃣ 应用层（Application Layer）

- 个人套餐优化建议

- 年度节省金额测算

- 通讯消费结构报告

四、代码模块化设计（Python）

📁 项目结构

mobile_plan_bi/

├── data/

│ └── sample_usage_data.py

├── analysis/

│ ├── usage.py

│ ├── matching.py

│ └── optimization.py

├── visualization/

│ └── charts.py

├── main.py

├── README.md

└── requirements.txt

五、核心代码示例（注释清晰）

1️⃣ 样本数据生成（data/sample_usage_data.py）

"""

生成模拟用户手机话费与流量使用数据

"""

import pandas as pd

import numpy as np

def generate_usage_data(users=20, months=6):

np.random.seed(42)

data = []

for user_id in range(1, users + 1):

plan_fee = np.random.choice([39, 59, 99, 129, 199])

plan_data = np.random.choice([5, 10, 20, 40, 60])

for month in range(1, months + 1):

usage_data = max(0, plan_data * np.random.uniform(0.4, 1.2))

usage_call = np.random.randint(50, 500)

sms = np.random.randint(0, 30)

extra_fee = 0

if usage_data > plan_data:

extra_fee = (usage_data - plan_data) * 5

data.append({

"user_id": user_id,

"month": month,

"plan_fee": plan_fee,

"plan_data": plan_data,

"usage_data": round(usage_data, 2),

"usage_call": usage_call,

"sms": sms,

"extra_fee": extra_fee

})

return pd.DataFrame(data)

2️⃣ 使用习惯分析（analysis/usage.py）

import pandas as pd

def usage_profile(df: pd.DataFrame) -> pd.DataFrame:

"""

统计每位用户的平均使用习惯

"""

return df.groupby("user_id").agg(

avg_data=("usage_data", "mean"),

avg_call=("usage_call", "mean"),

avg_total_fee=("plan_fee", "mean")

).reset_index()

3️⃣ 套餐匹配度（analysis/matching.py）

def plan_match_score(df: pd.DataFrame):

"""

套餐资源利用率评分

"""

df = df.copy()

df["data_utilization"] = df["usage_data"] / df["plan_data"]

df["match_score"] = 1 - abs(0.8 - df["data_utilization"])

return df

4️⃣ 最优套餐推荐（analysis/optimization.py）

def recommend_plan(profile: pd.DataFrame):

"""

根据用户习惯推荐更优套餐

"""

def best_plan(row):

if row["avg_data"] < 8:

return "39元套餐"

elif row["avg_data"] < 20:

return "59元套餐"

else:

return "99元套餐"

profile["recommended_plan"] = profile.apply(best_plan, axis=1)

return profile

5️⃣ 主程序入口（main.py）

from data.sample_usage_data import generate_usage_data

from analysis.usage import usage_profile

from analysis.matching import plan_match_score

from analysis.optimization import recommend_plan

def main():

df = generate_usage_data()

profile = usage_profile(df)

df = plan_match_score(df)

profile = recommend_plan(profile)

print("=== 用户使用习惯与套餐推荐 ===")

print(profile[["user_id", "avg_data", "avg_call", "recommended_plan"]])

if __name__ == "__main__":

main()

六、README 文件（简化版）

# Mobile Plan BI：手机套餐消费分析与最优匹配示例

## 项目简介

本项目使用 Python 对用户手机话费与流量使用数据进行统计，

通过习惯画像与套餐匹配，推荐更优套餐，减少通讯多余花费。

## 使用环境

- Python 3.9+

- pandas

- numpy

## 运行方式

bash

pip install -r requirements.txt

python main.py

## 适用人群

- 普通手机用户

- 家庭财务管理者

- 数据分析与 BI 学习者

## 声明

- 数据为模拟数据，仅用于教学与实验

- 不构成任何运营商或套餐推荐

七、使用说明（User Guide）

1. 安装依赖

pip install pandas numpy

2. 修改

"sample_usage_data.py"：

- 替换为真实账单数据

- 增加 Wi-Fi 使用比例等维度

3. 运行

"main.py"，查看：

- 个人使用习惯

- 套餐匹配度

- 最优套餐建议

4. 可扩展方向：

- 接入运营商账单 CSV

- 增加家庭套餐优化

- 输出年度节省报告

八、核心知识点卡片（Key Concepts）

领域 知识点

通讯数据 流量、通话、月租、超额费

BI 分析 使用习惯画像、匹配度评分

成本优化 资源利用率、最优替代

个人财务 固定支出削减

软件工程 模块化、函数单一职责

九、总结（Conclusion）

通过本项目，我们展示了如何利用 Python + 商务智能方法：

- ✅ 把“套餐合不合适”从感觉判断变成可量化的匹配问题

- ✅ 用 资源利用率 + 使用习惯 找到更优方案

- ✅ 为普通用户提供一个理性、可复现的通讯费用优化框架

需要明确的是：

本项目仅为数据分析教学示例，不构成任何运营商或套餐推荐。

在真实场景中，若结合长期账单、家庭共享需求与网络质量，可进一步构建个人与家庭通讯成本管理系统。

利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！