数据挖掘是一门新兴的交叉学科,是伴随着信息量倍增而产生和发展起来的知识发现方法。受数据仓库发展的影响,数据挖掘技术越来越受到人们的广泛关注。随着数据挖掘算法的不断完善,数据挖掘应用的领域也在不断拓展。对于电信业来说,拥有着数以亿计的客户信息,且客户对服务的每次使用都将产生一条新的记录信息。要从如此庞大的数据库中发掘出有用的信息,数据挖掘是一种有效的方法。在电信产品越来越同质化的今天,电信运营商将把服务作为培育企业核心竞争力的重要手段。这使运营商更加关注客户关系管理这一新型管理方法。客户细分是客户关系管理的基础,通过对客户细分,提供个性化、差异化的服务,进而提升企业竞争力。客户质量直接决定企业的利润水平,所以如何从大量的客户中发掘出高价值客户,是运营商较关注的问题。目前,客户流失问题己成为电信运营商客户关系管理中亟待解决的问题,通过客户流失预测,在客户产生流失倾向时予以及时识别,从而采取有效的挽留措施,有效避免客户流失为企业带来的利润及形象方面的损失。论文在分析客户关系管理理论的基础上,界定了电信客户关系管理的内涵；在阐述了客户价值理论的基础上,从当前价值、未来价值和非货币价值三个维度定义了移动高价值客户。对于当前价值选择了六个指标：日租费、市话费、长途费、漫游费、短信费、GPRS费；未来价值选择了五个指标：流量、漫游通话时长、长途通话时长、市话通话时长、短信数；非货币价值选择了两个指标：主叫语音计费时长、客户状态。运用数据挖掘技术中的K-Means技术对移动客户进行细分,从中发掘出高价值客户。从模型结果来看,挖掘出的高价值客户占总客户数的25%,且各指标均为重要指标。文章在定义客户流失的定义、测算移动客户流失压力及分析客户流失原因的基础上,运用数据挖掘中的C5.0决策树模型和B-P反向神经网络模型分别构建了移动客户流失预警模型。其中,C5.0决策树的关键分组变量为：通话时长、日租费、长途通话时长、年龄、套餐类型。C5.0模型为一棵五层决策树,训练样本集的预测精度为98.22%,检验样本集的预测精度为98.21%。B-P反向神经网络模型的前五位分组变量为：长途通话时长、年龄、市话计费时长、漫游计费时长、套餐类型。神经网络模型的网络结构为：输入节点11个；一个隐层,20个隐节点；1个输出节点。训练样本集预测精度为98.25%,检验样本集预测精度为98.17%。从预测精度来看,两类模型的差异不大,但从响应图、功效图及投资报酬率图来看,C5.0决策树模型比神经网络模型更稳定。所以应用C5.0决策树模型进行客户流失预测更为理想。