近年来,随着互联网技术的发展,电信运营商承载着大量的用户数据。同时随着经济的不断发展,电信用户的个性化需求也日益凸显。在通信市场已经达到饱和的状态下,面对用户产生的大量数据和个性化需求,精准营销、及时主动推荐以及实现企业价值和客户价值的共同提升将是电信运营商面临的新挑战。基于新的背景新的挑战,本文利用数据挖掘技术对电信用户进行评分并给出合理的用户提值策略以维持甚至提高用户的粘合度。首先,本文对数据进行了预处理。根据实际业务情况对原始数据的缺失值进行了填充,并对处理完的数据作相关性矩阵图和多重共线性检验,发现变量之间未存在明显的相关性和多重共线性。其次,本文对预处理后的数据采用基于并行寻优的特征选择方法进行特征选择。其中,基于统计的特征选择方法选择的是IV信息值法,基于学习模型的特征选择方法选择的是随机森林特征选择和XGBoost特征选择;将随机森林和XGBoost选择的特征得分按权重计算总评分并与IV信息值法相结合,选择两种方法剔除的变量交集进行剔除,最终剔除了6个变量,用于构建模型的变量为9个。最后,本文对处理之后的数据进行了分类模型的构建和评分卡模型的构建。本文先后采用随机森林、朴素贝叶斯、逻辑回归、Light GBM、Blending融合、Stacking融合和GBDT+LR融合模型对数据构建分类模型并对各模型的评估结果进行对比,得到GBDT+LR融合模型的效果最好,F1值为0.7434,AUC值为0.9182,最终选择GBDT+LR融合模型进行用户的正负样本分类预测。本文选择传统的基于逻辑回归的评分卡模型,通过变量分箱、WOE值计算、WOE值转换等步骤输出用户得分,并根据用户得分划分用户等级,根据用户等级和用户提值推荐给出用户粘合度提高策略。通过模型评价和模型验证,评分卡模型的AUC值为0.85,KS值为0.597,验证数据的AUC值为0.87,KS值为0.594,且用户得分分布基本符合正态分布,模型的泛化能力较好,具有较强的稳健性。