近几年来伴随着智能设备的逐步全面化普及,移动互联网进入了高速发展的阶段,也带来了手机游戏行业的迅猛发展。随着行业内竞争加剧以及如小视频等泛娱乐APP的兴起,游戏运营商越来越关心如何延长用户的生命周期以及如何使用户在游戏内停留的时间更长,因此各个游戏运营商开始更多关注数据化运营。游戏用户在游戏中会产生大量的行为日志,在这些日志背后隐含着与用户有关的具有价值的重要信息。运营商通过数据挖掘技术对游戏用户的角色数据和行为日志数据进行分析,可以获得不同类型的用户行为模式,也可以对用户是否将要流失进行预测。这类通过数据挖掘技术获取到的信息,可以为游戏运营商在做运营决策时提供数据支持,从而针对不同类型的用户制定不同的运营方案。游戏开发商在制定游戏的版本更新计划的同时,也可以针对用户的实际需求,制作出让用户更满意的新的游戏系统和玩法。因此在游戏行业中使用数据挖掘技术,对游戏开发和游戏运营是有重要的意义的。为更好的理解和研究手机游戏用户行为分析和预测这两个问题,本文针对卡牌类的手机游戏设计了一个用户分类模型和一个游戏用户流失预测模型。主要的内容包括:1、在游戏的研发阶段,便通过独立的日志服务收集用户在游戏中产生的所有日志信息,如登录、登出、充值和各类行为日志等;2、结合RFM（Recency、Frequency、Monetary）模型与聚类分析技术构建出一个通过客户价值对用户分类的分类模型;3、使用机器学习算法构建分类器对与用户流失相关的数据进行训练,构建一个手机游戏用户流失预测模型。在对游戏用户进行聚类分析后,基于客户关系管理中的RFM模型获得的用户分类结果再对游戏用户进行细分,得到了三种类型的用户:高价值用户、中价值用户和低价值用户。游戏运营商可以针对这三种类型的用户采取不同的运营策略,以达到最优化配置运营资源的方案。在流失预测建模过程的最后阶段,利用十折交叉验证法对流失预热模型进行评估和检验,以证明流失预测模型的有效性。同时,将用于训练的游戏数据之后一个月的游戏数据用流失预测模型进行预测,得到的AUC值为0.855。所以认为该流失预测模型可以得到较好的预测结果,同时可以在实际的游戏运营过程中,为游戏运营决策提供一定的决策支持。