作为电信运营商的经营分析中一个重要主题，客户离网分析主要任务是基于已离网客户和未离网客户的消费行为等数据，进行数据挖掘以建立客户离网预警模型，并分析离网客户的行为特点，以此为制订市场营销策略的决策依据。本文主要通过基于商业理解、数据理解、数据预处理、模型建立、模型评估和模型部署这一CRISP-DM数据挖掘流程对移动客户进行了离网预警研究。首先对客户离网进行定义，继而对比logistic回归、决策树、最近邻分类器、贝叶斯分类器、神经网络、支持向量机和组合分类器等预警分析领域常用的分类算法的主要特点。在此基础上，选取了天津移动公司2012年10月到12月的客户消费和行为数据，建立预警模型对其2013年1月是否在网进行了预测。通过对比七种预警算法的实证分析结果发现：（1）不考虑不平衡类问题的情况下，决策树和组合分类器两种分类算法的效果最好（主要考虑训练集和测试集的误判率），决策树和Adaboost组合分类器的训练集的误判率分别为0.128%和0.235%，测试集的误判率分别为4.84%和3.87%；（2）支持向量机、神经网络和最近邻三种算法较为耗时；（3）虽然logistic回归模型对分类的依据能作出很好的解释，但其误判率较高；（4）由于所选变量之间有一定相关性，实证分析时发现贝叶斯分类器的误判率比较高。