随着互联网的普及和深化,市场日益饱和,企业很难再延续以往通过吸引新客户来扩大市场份额的经验。一方面是在逐渐饱和的市场,企业发展和吸纳新客户成本较大;另一方面,企业也需要寻找新的发展模式,完成从用户量增长到服务质量提高的转变。因此,维护存量客户防止流失已然成为企业重点关注的核心。论文面向电信客户流失预测场景,先提出基于LASSO和构造性覆盖算法（Constructive Covering Algorithm,CCA）的不均衡数据预测方法L-CCASmote,再进一步结合客户细分对电信客户做流失预测,并分别在公开的数据集与脱敏电信数据集上进行实验验证。论文的主要工作如下:1.针对客户数据严重不均衡、特征空间信息杂乱、特征间存在共线性等问题,提出基于LASSO回归和CCA的不均衡数据预测方法L-CCASmote。该方法先通过LASSO回归提取流失用户特征以优化模型输入,再建立CCA神经网络构造符合样本整体分布的覆盖,进一步提出单样本覆盖策略、样本多样性策略和样本密度峰值策略进行混合采样以平衡数据。LASSO特征选择方法通过与添加L1惩罚项的特征选择、添加L2惩罚项的特征选择以及不做特征选择三种方法进行对比实验,结果表明LASSO特征选择方法在提高模型预测分类能力方面效果更好;L-CCASmote方法通过与SMOTE-Enn、SMOTE-Tomek、Borline-SMOTE、自适应合成采样（Adaptive synthetic sampling,Adasyn）和单边采样（One-Sided Selection,OSS）等五种平衡算法分别在逻辑回归和支持向量机两个分类算法上进行实验验证,结果表明,L-CCASmote平衡数据方法在提高模型流失客户识别率和预测分类能力方面效果更好。2.对于企业来说,客户拥有不同的价值,这些差异反映在样本特征上,也体现在企业客户关系管理决策的资源配置上。为此,进一步提出基于客户细分与L-CCASmote的电信客户流失预测方法。该方法建立了包含10维特征的电信客户价值评价体系,并运用优化的K-means聚类算法、结合主成分分析将客户划分成高、中、低三类价值群体,再运用L-CCASmote方法对每类价值数据集做平衡处理,最后在各价值类平衡后的数据集上和未做客户细分处理的数据集上进行预测实验对比,结果表明基于客户细分的预测方法整体上提高了流失客户识别率。研究工作表明,基于客户细分与L-CCASmote的电信客户流失预测方法,不仅能有效预测出有流失倾向的客户,也能降低不同价值客户群体下的流失规则不同对预测结果的影响,从而提高预测准确率,具有重要的实践意义。