随着中国企业的全球化,特别是加入WTO后,经济一体化和竞争机制的引入,以及国际市场的开拓,中国电信运营业日益成熟,其经过几轮改革重组后,经营和管理方式更为市场化,已形成了相对稳定的竞争格局,使市场有效合理的调配了电信业的行业资源,促使其有了跨越式的增长,企业规模迅速扩大。与此同时,电信业发展的瓶颈也日趋明显。统计资料表明,近两年来电信企业客户的数量不断增加,但其业务收入却明显下降。出现这种增量不增收的丰收悖论,主要是服务产品的质量低,服务收费不合理以及相比其它行业而言,电信业客户的转换成本很低,导致客户流失过于频繁,迫使业务收入过多的耗费在发展新客户上。数据挖掘技术在客户关系管理中的运用,为上述问题提供了一个有效的解决方法,它已成为现代客户关系管理的一个重要工具。客户流失分析正是这一工具的实际应用,通过对海量历史数据的建模分析,识别出流失客户及其消费行为特征,进而预测出即将离网的客户,以便采取有力的挽留措施,减少客户流失率,保持企业的利润源。　　 本文基于客户流失问题的深入研究,将流失客户与非流失客户看成一个二元结构模式识别的分类问题。客户流失数据是一类特殊的分类数据,它具有庞大的数据量并且具有数据维度高、连续属性值多以及数据分布不均衡的特点。因此,如何做到有效的数据预处理,对其进行精确的分类学习,其关键是要提高少数类(流失客户)的识别率,少数类是相对多数类而言的一类特殊的子样本,其错分的代价非常高。文章充分考虑到这点,在数据预处理阶段,根据预处理步骤进行数据预处理并利用粗糙集的方法对抽取的数据进行约简,使得数据在保持原有信息的基础上更为简洁,更有利于分类学习；在挖掘阶段,在Veropoulous提出的采用不同惩罚因子数的支持向量机算法基础上,分析现存的几种惩罚因子确定法的优缺点,提出了利用样本自身信息熵值来确定不同的惩罚因子的E-SVM模型,并在安徽某移动通信公司的电信客户流失数据这一非平衡数据集中进行了验证。结果表明本文的E-SVM模型处理思路和方法较其它方法更加倾向于提高少数类的识别精度提高,具有很强的实际应用意义。