电信企业逐渐意识到以客户为中心经营的必要性,开始从业务驱动向客户驱动转化,电信技术的发展和创新不断生成各种新型业务,导致大量低忠诚度客户转网或变更业务。维持客户、延长客户生命周期是本课题的主要研究内容,本文从三个方面加以研究:(1)细分市场和客户群;(2)将最合适的业务推销给最需要的客户,实现业务和客户的最佳匹配;(3)有效地遏制大规模客户流失的现象。本文针对上述问题研究了若干数据挖掘技术和方法,有针对性地分析了电信业的客户群体细分、交叉及升级销售和客户流失,并在其中融入改进后的挖掘算法及其思想方法。针对客户群体细分,给出了一种新的聚类算法——基于粒子群的K‐均值聚类算法,理论分析和实验表明该算法有较好的全局收敛性,能有效地克服传统的K‐均值算法易陷入局部极小值的缺点。利用改进后的算法对某市电信客户消费数据进行聚类分析,按话费特征分为不同特征的客户群组,实验表明,聚类结果分析更合理清晰,更便于对不同群组采取不同的经营策略,为管理者提供了合理的决策支持。针对交叉销售,使用了关联规则挖掘算法中最经典的Apriori算法,但Apriori算法存在两点不足:一是对海量数据库的多趟扫描,二是用连接操作产生侯选频繁项集。针对这两点不足提出了改进方法,不但节约了系统的开销,而且减少了很多冗余候选项集的生成,极大地提高了算法的效率,实验数据证明了改进后的Apriori算法的可行性。本文还分析了客户流失分类、比率及主要原因,给出了一种客户流失分析方法,以C5.0决策树作为客户流失分析的主要手段。本文的另一个重点是对挖掘算法的评价,主要是对基于粒子群K‐均值聚类算法和分类模型的评估。