用戶流失預測模型-電信行業(yè)項目實戰(zhàn)

本文以電信行業(yè)數(shù)據(jù)為基礎嫉沽，對其進行用戶流失預警的建模，整理如下钉迷，歡迎拍磚~

一、流失知識點整理

1. 流失定義

不同產(chǎn)品存在不同的使用周期钠署，因此在定義流失用戶上糠聪，需要去進行用戶調(diào)研，比如可以對時隔1周谐鼎、1個月舰蟆、3個月、半年未下單用戶進行用戶調(diào)研狸棍，去了解用戶不再產(chǎn)生瀏覽和購買的行為原因身害，定義流失。

DAU/MAU

這里的DAU是一個月內(nèi)日活均值草戈，MAU是月活躍用戶數(shù)去重塌鸯。
DAU/MAU比值高，說明用戶訪問產(chǎn)品頻率高且穩(wěn)定唐片，用戶粘性高留存率高丙猬；
相反DAU/MAU比值低，說明用戶訪問產(chǎn)品頻率低不穩(wěn)定费韭，用戶粘性差留存率低淮悼；

以社交產(chǎn)品為例，DAU/MAU定義用戶流失：
一般來說0.03<DAU/MAU<1揽思，DAU/MAU=0.03說明活躍用戶只來一次，產(chǎn)品粘性太低见擦；=1說明用戶每天都來钉汗。微信的DAU/MAU處于0.8左右，一般產(chǎn)品0.3就比較好了鲤屡。

2. 研究流失的目的

首要目的還是避免用戶繼續(xù)流失损痰，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：新用戶通過推廣酒来、宣傳來到產(chǎn)品中卢未，嘗鮮型；
（2）提升期：用戶有購買行為
（3）成熟期：用戶存在復購和交叉購買行為
（4）衰退期：購買行為和頻次開始衰退，是最需要預警的時期
（5）離開期：達到流失標準
根據(jù)以上五個生命周期為用戶打上標簽辽社，判斷用戶是在哪個時期流失伟墙，相應的流失原因不同，采取不同措施對產(chǎn)品進行改進滴铅。

3. 流失指標

  • 可以通過流失率趨勢圖定位流失率的大小


    image.png

    如圖可知戳葵，當流失率達到40%左右開始流失變緩且達到28天處于平穩(wěn)趨勢，因此30天沒活躍就算成流失用戶汉匙。

  • 細分流失用戶的畫像
    包括與活躍用戶的行為差異拱烁、屬性差異、渠道差異等噩翠，流失之前的訪問頻次戏自、訪問頁面一些列行為。
4. 確定首要挽回用戶

對于老板來說伤锚，成本有限擅笔，挽回流失用戶當然是挑最值得挽回那一波。因此這里用到了RMF模型见芹，總的來說獲取期用戶的優(yōu)先級一定是低于成熟期的剂娄。這里有我寫過的RFM文章：RFM模型分析實戰(zhàn)

5. 流失用戶召回

使用push推送、短信玄呛、微信服務號等方式進行召回
這里也同樣應用到了流失模型阅懦。
比如：根據(jù)購買頻次和金額來細分。
1次也沒購買過的用戶可派發(fā)大額度優(yōu)惠券徘铝、大促活動或超低價商品吸引回訪耳胎，成為首單新客。
購買1—2次且客單價較低的用戶惕它，可精準推送優(yōu)惠專場或在這個客單水平的好貨怕午。
購買3次及以上的用戶，可推送用戶偏好的品牌或品類淹魄，額外增加會員專屬優(yōu)惠券等形式郁惜。

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甲锡，以及他們流失的節(jié)點兆蕉、原因，運營才可以做到有的放矢缤沦，強化用戶召回的效果虎韵。

說在后面：用戶的召回很難，更好的做法是避免用戶流失缸废。比如通過區(qū)分用戶生命5個周期找到用戶在各周期的流失原因進行產(chǎn)品或運營改進包蓝；比如通過分析之前已流失的用戶特征屬性驶社，行為建立預警模型，針對現(xiàn)有用戶有流失跡象提前預警提前進行挽回打消用戶流失的念頭测萎，這才是關鍵亡电！

二、電信行業(yè)流失預警模型

分析目的

哪些用戶可能會流失绳泉？
流失概率高的用戶有哪些共同特征逊抡？

數(shù)據(jù)探索EDA
2.1 導入數(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/電信行業(yè)流失預警/')
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)
#各個字段取值個數(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)濟獨立 YES是NO否
tenure：客戶職位 73個
PhoneService：是否開通電話業(yè)務 YES是NO否
MultipleLines：是否開通多線業(yè)務 YES是NO否 No phoneservice
InternetService：是否開通互聯(lián)網(wǎng)業(yè)務 No, DSL數(shù)字網(wǎng)絡，fiber optic光纖網(wǎng)絡
OnlineSecurity：是否開通網(wǎng)絡安全服務YES是NO否 No phoneservice
OnlineBackup：是否開通在線備份業(yè)務YES是NO否 No phoneservice
DeviceProtection：是否開通了設備保護業(yè)務YES是NO否 No phoneservice
TechSupport：是否開通了技術支持服務YES是NO否 No phoneservice
StreamingTV：是否開通網(wǎng)絡電視YES是NO否 No phoneservice
StreamingMovies：是否開通網(wǎng)絡電影
Contract：簽訂合同方式 按月 一年 二年
PaperlessBilling：是否開通電子賬單YES是NO否
PaymentMethod：付款方式（bank transfer零酪，credit card冒嫡，electronic check，mailed check）
MonthlyCharges：月費用
TotalCharges：總費用
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：有無配偶比例均衡
Dependents：經(jīng)濟獨立2k四苇，非獨立5k
PhoneService：開通電話業(yè)務居多
Contract：合同中按月的較多孝凌，按1年和2年的占比相似
Churn：數(shù)據(jù)集中有5174名用戶沒流失，有1869名客戶流失月腋，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轉為float格式蟀架，網(wǎng)上給出的方法大多數(shù)都是dt_df = dt_df.convert_objects(convert_numeric=True)，但是因為我現(xiàn)在的版本號低于1.0也不想升級榆骚，因此終于找到上面的方法改變類型啦片拍！(▽)
發(fā)現(xiàn)有11個缺失值，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)值化妓肢，yes變?yōu)?捌省，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  #正常顯示負號

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 性別碉钠、老年人纲缓、配偶、經(jīng)濟是否獨立對流失用戶的影響
plt.figure(1),plt.title('區(qū)分性別對流失的影響')
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)濟獨立對流失的影響')
sns.countplot(x='Dependents',hue='Churn',data=df,palette='BuPu_r')
image.png

image.png

image.png

image.png

可以得出結論：男性與女性之間的流失沒有差異喊废；老年用戶流失占比比非老年用戶高祝高；沒有配偶的流失占比高于有配偶的流失占比；經(jīng)濟未獨立的流失率遠高于經(jīng)濟獨立污筷；

2.43 特征之間的關系

想知道特征之間的關系工闺，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瓣蛀，LabelEncoder能將文本或非連續(xù)性數(shù)字進行編號陆蟆，缺點是該編碼方法有順序關系。pd.factorize與LabelEncoder的區(qū)別是：pd.factorize支持None默認不排序揪惦。pd.factorize()返回兩個值前面值為編碼后的值，后面為原來值罗侯。

  • 使用LabelEncoder進行編碼化：
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相關矩陣難以看出這些列之間的關系器腋，可以用熱力圖。

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

image.png

通常情況下通過以下取值范圍判斷變量的相關強度：
相關系數(shù)
0.8-1.0 極強相關
0.6-0.8 強相關
0.4-0.6 中等程度相關
0.2-0.4 弱相關
0.0-0.2 極弱相關或無相關

從熱力圖矩陣中能夠明顯看出配偶與經(jīng)濟獨立有一定關系，職業(yè)與繳納總費用以及合同期限有強相關關系

  • 使用pd.factorize進行編碼化：
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)務與多線業(yè)務之間存在強相關性纫塌，互聯(lián)網(wǎng)服務诊县、網(wǎng)絡安全服務、在線備份業(yè)務措左、設備保護業(yè)務依痊、技術支持服務、網(wǎng)絡電視和網(wǎng)絡電影之間存在較強的相關性怎披，并且都呈正相關關系胸嘁。

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)順序對離散非數(shù)值變量進行0凉逛，1性宏，...的編碼；對于離散數(shù)值變量如職業(yè)状飞，labelencoder按照原數(shù)據(jù)大小從0向后依次編碼毫胜，而pd.factorize仍舊按照出現(xiàn)順序不分大小進行編碼。這樣也就解釋了為什么在pd.factorize中有明顯關系的幾個列在labelencoder無明顯關系了诬辈，因為被labelencoder中的有大小順序掩蓋了酵使。（僅個人見解）

2.44 特征與churn之間的關系

首先介紹連續(xù)數(shù)據(jù)離散化相關知識點：
一般在回歸、分類焙糟、聚類算法中口渔，特征之間計算歐式距離來計算相似度十分重要。當特征中既包括離散變量也包括連續(xù)變量酬荞，或存在數(shù)量級不一致的情況下搓劫，就要進行歸一化。
（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)

  • 標準化z_score x= (x-x.mean)/σ
    （2）離散變量處理方法-onehot編碼混巧，將離散取值擴展到歐式空間上枪向。

  • 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與各特征之間相關性')
df_churn.corr()['Chaurn'].sort_values(ascending=False).plot(kind='bar')
image.png

可見變量gender 和 PhoneService處于中間，相關性非常小咧党，可以舍棄秘蛔。

  • 網(wǎng)絡安全服務、在線備份業(yè)務傍衡、設備保護業(yè)務深员、技術支持服務、網(wǎng)絡電視和網(wǎng)絡電影對流失影響
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)對象如列表蛙埂，返回每個數(shù)據(jù)及其下標
    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)柱形圖倦畅，x為每個特征，hue為區(qū)分是否流失绣的，y為頻數(shù)叠赐，order可以規(guī)定x內(nèi)顯示順序
    plt.xlabel(str(item))
    plt.title('Churn與'+str(item)+'的關系')
    i = i+1
plt.show()

image.png

上述可見欲账，網(wǎng)絡安全服務、在線備份業(yè)務芭概、設備保護業(yè)務赛不、技術支持服務、網(wǎng)絡電視和網(wǎng)絡電影這六個變量中沒有開通網(wǎng)絡服務的用戶流失率相同的且較低罢洲，可能因為這六個變量只有在開通網(wǎng)絡服務才會影響用戶決策踢故。因此這六個變量不會對未使用網(wǎng)絡服務用戶的流失產(chǎn)生推論效應。
在這六個變量中前四個變量“網(wǎng)絡安全服務惹苗、在線備份業(yè)務殿较、設備保護業(yè)務、技術支持服務”未開通該服務的用戶流失占比遠高于開通服務的流失占比鸽粉，而“網(wǎng)絡電視和網(wǎng)絡電影”流失幾乎不受是否開通該業(yè)務影響斜脂。猜測是因為前四個變量開通能提高用戶體驗質(zhì)量減少流失，而“網(wǎng)絡電視和網(wǎng)絡電影”不夠成熟導致用戶體驗變差反而造成流失触机。

2.45 合同與流失的關系
plt.title('合同類型與客戶流失的關系')
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

簽訂合同方式對流失率的影響是：按月>1年>2年

2.46 付款方式與流失的關系
#付款方式與流失的關系
plt.title('合同類型與客戶流失的關系')
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

從上圖可知帚戳，電子賬單的流失率最高，可見電子賬單的流程或設計影響用戶體驗儡首，需要改進片任。

3. 特征工程
3.1 特征篩選

根據(jù)上面的結論得知，變量gender 和 PhoneService對流失影響可忽略蔬胯，刪除這兩列对供。customerID是隨機字符對后續(xù)建模不影響，也刪除氛濒。

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

對用戶職位产场、總費用、月費用進行連續(xù)變量歸一化舞竿，使方差為1均值為0京景，這樣預測數(shù)值不會被這些過大的特征值主導

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、月費用和總費用箱型圖可視化')
image.png

如果不進行歸一化骗奖，得到的箱線圖是這樣的：


image.png

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

3.2 處理對象類型數(shù)據(jù)
#查看對象類型都有哪些值
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

由上面分析可知鄙皇，六個變量中沒有開通網(wǎng)絡業(yè)務對流失影響較小，因此可以將No internet service 和 No 是一樣的效果仰挣，可以使用 No 替代 No internet service伴逸。

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)值進行編碼

sklearn中的labelencoder進行編碼

def labelend(data):
    df_new[data] = labelencoder.fit_transform(df_new[data])#labelencoder進行編碼
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. 構造模型
4.1 交叉驗證

由于流失占比不均衡，因此采用分層交叉驗證法

from sklearn.model_selection import StratifiedShuffleSplit
X = df_new#刪除與流失無關的列膘壶，將對象類型進行編碼错蝴，將數(shù)值較大列進行歸一化后得到的特征集
y = df['Churn'].values#標簽集
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)#得到訓練集和測試集的index
    X_train,X_test = X.iloc[train_index],X.iloc[test_index]#訓練集特征博烂，測試集特征
    y_train,y_test = y[train_index],y[test_index]#訓練集標簽，測試集標簽
image.png
print('原始數(shù)據(jù)特征',X.shape)
print('訓練數(shù)據(jù)特征',X_train.shape)
print('測試數(shù)據(jù)特征',X_test.shape)
image.png
print('原始數(shù)據(jù)標簽',y.shape)
print('訓練數(shù)據(jù)標簽',y_train.shape)
print('測試數(shù)據(jù)標簽',y_test.shape)
image.png
4.2 選擇機器學習算法

由于這里是監(jiān)督學習分類問題漱竖，可選算法有：SVM支持向量機，決策樹畜伐，樸素貝葉斯馍惹，邏輯回歸（當然其他還有很多，比如隨機森林玛界、KNN万矾、xgboost、catboost等慎框，但是暫時沒有掌握）

#算法
from sklearn.svm import SVC #支持向量機
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)#訓練這4個模型
    y_pred = classifier.predict(X_test)#預測這4個模型
    recall = recall_score(y_test,y_pred)#評估這四個模型的召回率
    precision = precision_score(y_test,y_pred)#評估這四個模型的精確率
    f1 = f1_score(y_test,y_pred)#評估這四個模型的f1分數(shù)
    class_eva = pd.DataFrame([recall,precision,f1])#將召回率良狈、精確率和f1分數(shù)放在df中，方便接下來對比
    Classify_results.append(class_eva)
    name = pd.Series(name)
    names.append(name)
    y_pred = pd.DataFrame(y_pred)
    prediction.append(y_pred)

將得到的模型評估指標制作成表格

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

綜上所述笨枯，樸素貝葉斯模型的f1分數(shù)最高薪丁，因此使用樸素貝葉斯效果最好。

5. 實施方案

由于沒有給預測數(shù)據(jù)馅精，這里選擇最后10行數(shù)據(jù)作為預測

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)#訓練
pred_test_y = model.predict(df_test)#用最后10行的數(shù)據(jù)做預測
predf = pd.DataFrame({'customerID':cutid_test,'churn':pred_test_y})
image.png

對比了實際數(shù)據(jù)严嗜，返現(xiàn)10行中3行預測錯誤，其余正確洲敢，與f1score=63%相符漫玄。

6. 結論

通過上述分析

  • 老年用戶、單身压彭、經(jīng)濟未獨立的用戶流失率較高睦优；
  • 是否開通電話服務對用戶流失沒有直接的影響；
  • 提供的網(wǎng)絡服務如：網(wǎng)絡安全服務壮不、在線備份業(yè)務汗盘、設備保護業(yè)務、技術支持服務能夠降低用戶的流失率
  • 合同簽訂時間越久留存越高
  • 使用電子賬單付款的用戶更容易流失
    針對以上結論忆畅，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)絡衡未，且簽訂2年期合同（可以各種輔助優(yōu)惠等營銷手段來提高2年期合同的簽訂率）
    （2）若能開通相關網(wǎng)絡服務可增加用戶粘性，因此可增加這塊業(yè)務的推廣
    （3）考慮改善電子賬單支付的用戶體驗家凯。

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交叉驗證
https://blog.csdn.net/wuzhongqiang/article/details/101560889分層交叉驗證詳解

最后編輯于 ：
?著作權歸作者所有,轉載或內(nèi)容合作請聯(lián)系作者
  • 人面猴
    序言：七十年代末缓醋，一起剝皮案震驚了整個濱河市，隨后出現(xiàn)的幾起案子绊诲，更是在濱河造成了極大的恐慌送粱，老刑警劉巖，帶你破解...
    沈念sama閱讀 218,941評論 6贊 508
  • 死咒
    序言：濱河連續(xù)發(fā)生了三起死亡事件掂之，死亡現(xiàn)場離奇詭異抗俄，居然都是意外死亡脆丁，警方通過查閱死者的電腦和手機，發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,397評論 3贊 395
  • 救了他兩次的神仙讓他今天三更去死
    文/潘曉璐 我一進店門动雹，熙熙樓的掌柜王于貴愁眉苦臉地迎上來槽卫，“玉大人，你說我怎么就攤上這事胰蝠〖吲啵” “怎么了？”我有些...
    開封第一講書人閱讀 165,345評論 0贊 356
  • 道士緝兇錄：失蹤的賣姜人
    文/不壞的土叔 我叫張陵茸塞，是天一觀的道長躲庄。 經(jīng)常有香客問我，道長钾虐，這世上最難降的妖魔是什么噪窘？ 我笑而不...
    開封第一講書人閱讀 58,851評論 1贊 295
  • ?港島之戀（遺憾婚禮）
    正文 為了忘掉前任，我火速辦了婚禮效扫，結果婚禮上倔监，老公的妹妹穿的比我還像新娘。我一直安慰自己菌仁，他們只是感情好丐枉，可當我...
    茶點故事閱讀 67,868評論 6贊 392
  • 惡毒庶女頂嫁案：這布局不是一般人想出來的
    文/花漫 我一把揭開白布。 她就那樣靜靜地躺著掘托，像睡著了一般瘦锹。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上闪盔，一...
    開封第一講書人閱讀 51,688評論 1贊 305
  • 城市分裂傳說
    那天弯院，我揣著相機與錄音，去河邊找鬼泪掀。 笑死听绳，一個胖子當著我的面吹牛，可吹牛的內(nèi)容都是我干的异赫。 我是一名探鬼主播椅挣，決...
    沈念sama閱讀 40,414評論 3贊 418
  • 雙鴛鴦連環(huán)套：你想象不到人心有多黑
    文/蒼蘭香墨 我猛地睜開眼，長吁一口氣：“原來是場噩夢啊……” “哼塔拳！你這毒婦竟也來了鼠证？” 一聲冷哼從身側響起，我...
    開封第一講書人閱讀 39,319評論 0贊 276
  • 萬榮殺人案實錄
    序言：老撾萬榮一對情侶失蹤靠抑，失蹤者是張志新（化名）和其女友劉穎量九，沒想到半個月后，有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體，經(jīng)...
    沈念sama閱讀 45,775評論 1贊 315
  • ?護林員之死
    正文 獨居荒郊野嶺守林人離奇死亡荠列，尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,945評論 3贊 336
  • ?白月光啟示錄
    正文 我和宋清朗相戀三年类浪，在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片肌似。...
    茶點故事閱讀 40,096評論 1贊 350
  • 活死人
    序言：一個原本活蹦亂跳的男人離奇死亡费就，死狀恐怖，靈堂內(nèi)的尸體忽然破棺而出川队，到底是詐尸還是另有隱情受楼，我是刑警寧澤，帶...
    沈念sama閱讀 35,789評論 5贊 346
  • ?日本核電站爆炸內(nèi)幕
    正文 年R本政府宣布呼寸，位于F島的核電站，受9級特大地震影響猴贰，放射性物質(zhì)發(fā)生泄漏对雪。R本人自食惡果不足惜，卻給世界環(huán)境...
    茶點故事閱讀 41,437評論 3贊 331
  • 男人毒藥：我在死后第九天來索命
    文/蒙蒙 一米绕、第九天 我趴在偏房一處隱蔽的房頂上張望瑟捣。 院中可真熱鬧，春花似錦栅干、人聲如沸迈套。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,993評論 0贊 22
  • 一樁弒父案碱鳞，背后竟有這般陰謀
    文/蒼蘭香墨 我抬頭看了看天上的太陽桑李。三九已至，卻和暖如春窿给，著一層夾襖步出監(jiān)牢的瞬間贵白，已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 33,107評論 1贊 271
  • 情欲美人皮
    我被黑心中介騙來泰國打工崩泡， 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留禁荒，地道東北人。 一個月前我還...
    沈念sama閱讀 48,308評論 3贊 372
  • 代替公主和親
    正文 我出身青樓角撞，卻偏偏與公主長得像呛伴，于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子谒所，可洞房花燭夜當晚...
    茶點故事閱讀 45,037評論 2贊 355