现在，数据挖掘技术在很多领域得到应用，譬如各种电商、金融领域、科学研究等。在电信行业，如何识别即将流失的客户、如何保持客户、如何对客户行为进行分析，一直是电信行业关注的主题。电信企业是典型的数据密集型企业，保存着海量的用户信息及用户行为数据，在面对海量数据的时候，传统数据仓库海量存储能力和计算能力不足的问题显得尤为突出，Hadoop技术实现了Google的MapReduce的并行计算模型，为解决上述问题提供了技术手段。本文以江苏某运营商真实数据为背景，对电信行业的客户流失技术进行了相关分析和研究。某运营商每天到达的客户数据非常庞大，要从中分离出流失和未流失客户的工作量是巨大的。如果利用传统的数据库技术，其成本很高，而且效率很低。论文研究内容是在客户流失模型上设计适合预测分类的并行算法，将并行算法在MapReduce计算框架上实现，且应用于电信业的客户流失分析中。论文设计了基于MapReduce的客户流失预测模型，引入一个校正因子对ID3决策树算法改进，并将改进的决策树算法并行化；同时，利用MapReduce并行计算框架实现算法，验证算法的高效性；并将其应用于电信行业的客户流失分析中，与传统数据仓库的客户流失分析进行比较。研究结果表明，引入校正因子的决策树算法可以克服原始ID3决策树算法中存在的多值偏向问题，提高了客户流失预测的准确率；同时，基于MapReduce的并行决策树算法在面对大规模数据集时，有趋近于线性的加速比和良好的扩展性能；而且，在应用于实际电信业的客户流失分析中时，与传统的数据仓库相比，可以提高准确率和节约时间开销。本文对电信客户流失进行分析研究是基于MapReduce并行计算框架的，Hadoop平台能快速处理海量数据，让企业及时采取措施，同时减少了时间开销。该研究结果对电信企业降低运营成本，提高经营业绩有着非常重要的现实意义。