在当今社会的通信行业内，各个电信企业的竞争随着移动用户数量的增加越来越激烈，如何争取到这些客户并维持原有老客户成为每个电信企业亟待解决的问题。这就为电信企业建立经营分析系统提供了动力，各大电信运营商都投入大量的资源进行经分系统建设。而随着4G牌照的发放以及客户群体对更优质网络服务的需要不断增加，将有可能加入4G网络的客户群体即高价值客户尽可能准确地细分出来并对其进行客户流失预测分析，使企业的利润尽可能的稳定，是目前所有电信企业着重研究的问题。　　数据挖掘技术是近些年比较流行的对生活中所存储的大量数据进行分析，挖掘出其中所隐含的相互关系的重要方法。在通信行业里，经营分析系统存储了大量客户数据，利用数据挖掘中各种算法进行建模，对客户群的数据属性进行分析计算，可以对企业决策提供帮助。K-means算法和BP人工神经网络算法是目前在电信企业经营分析系统数据挖掘中应用的较为广泛的算法，K-means算法良好的聚类能力和BP神经网络算法优良的自学习能力使二者成为数据挖掘工作者青睐的对象。　　本论文首先通过对通信领域中的市场竞争介绍了电信企业建立经营分析系统的必要性，接着介绍了数据挖掘技术和经营分析系统。其次，分别对K-means算法和BP人工神经网络算法做了介绍并对其进行了改进。本文的重点是基于一种改进的初始聚类选择的 K-means算法建立客户细分模型和基于一种改进的训练方法的BP神经网络算法建立客户流失预测模型，并将二者相结合进行实验评估。通过实验表明，基于客户细分的客户流失预测更能在尽可能减少企业投入的情况下维持企业的利润。