随着电信市场改革步伐的加速,各大运营商的竞争也随之加剧。纷纷把客户关系管理的中心从客户的业务受理、营业、收费、投诉等基本功能转向客户流失的控制。根据调查,企业吸引一位新客户所花的成本是维系一位现有客户的五至十倍,因此如何维持现有的客户是电信运营商急需解决的一个课题。要保持现有的客户,电信运营商需提前预知某些客户是否有流失的可能性,进而采取市场策略。本文的客户流失模型就是为了解决电信运营商这种需要而提出的,为他们提供一个数据上的支撑系统,帮助他们从大量的用户中发现具有高流失性的用户。并分析其消费行为。本文首先对客户流失进行定义,根据流失的原因不同进行分类。使用聚类等手段分析不同流失类的特性,并在问卷调查的基础上得出与客户流失密切相关的因素:年龄、在网时长、月消费额、主叫比例、掉线比例、呼叫客户中心的频率等20个因素。把这20个属性项作为RBF输入对客户流失进行建模,阐述了RBF的学习算法,并分析了RBF神经网络的中心、权值以及宽度对逼近能力和泛化能力的影响,RBF的宽度直接影响网络的泛化性能,其值偏大网络精度不够,偏小时泛化能力降低,在此分析的基础上采用最小邻近聚类来确定RBF中心与权值。在确定RBF神经网络的宽度时,摒弃了以往采用经验值或者经验公式的方式,把混沌搜索优化的全局优化能力与RBF神经网络的非线性拟合能力结合起来,采用变尺度混沌优化算法来确定RBF神经网络的宽度。最后通过实际的数据对模型进行了应用评估,结果表明使用混沌搜索优化的RBF宽度而建立起来的客户流失预测模型对客户流失做出了准确的预测,其模型的预报精度好于传统客户流失预测模型,具有一定的实用性和推广性。