近年来,客户流失的研究取得了巨大的成果。数据特征分析方法的进一步研究,为客户流失预测的发展提供了新的实现途径。本论文在客户流失预测理论和机器学习理论框架下,首先通过文献综述,介绍了客户流失预测发展现状;其次,并提出了客户流失预测模型结构;最后,开发了基于支持向量机的客户流失预警系统。通过查阅客户流失预测的研究的相关文献,本文将其划分为四个阶段:传统统计学方法、人工智能方法、统计学习方法和集成学习方法,并深入研究了每个阶段里存在的问题,并针对问题提出了本文要设计和开发的基于支持向量机的客户流失预测系统;介绍开发系统的开发工具和数据库应用,针对客户流失预测问题,介绍了有关机器学习、统计学习和支持向量机的应用,并提出可采用基于支持向量机的回归特征削去方法来实现预测模型解释性的目的;论述了研究两类错误在客户流失预测研究中的重要作用。提出了引入属性选择、特征提取、特征选择、回归概率计算、满意优化的新预测模型结构。并建立了面向数据特点的客户流失预警系统结构。针对某企业的客户流失问题,以支持向量机为技术基础,对客户流失预测系统的企业背景、系统需求背景、功能要求、数据特点和特征情况、数据库结构和设计进行了分析和设计;基于客户流失预测系统的需求和数据库分析,进一步对客户流失预测系统的参数选择模块、文件选择模块、操作选择模块、结果显示模块等功能模块,进行流程图设计、代码编制和界面设计;介绍了客户流失预测系统的测试的主要目标和方法。在实际测试中,利用流失客户相关数据对系统进行功能测试和其他方法的比较分析,对系统功能测试结果进行了评价;对文章进行了总结,提出基于多预测方法的预警系统开发与设计;不平衡数据研究、基于选择性集成理论研究、面向客户价值研究、预测模型解释性研究、数据时序性研究、预测模型评价标准研究是未来研究的重要研究领域。