随着“互联网+”商业模式的快速推广以及4G通信市场竞争的愈发激烈,高价值移动用户的保有及发展等营销业务逐渐成为各大电信运营商的关注焦点。基于电信大数据挖掘技术,通过对海量移动用户诸如消费、流失等数据的深度分析,确定一种高价值移动用户的判定准则并建立相应的预测模型,对企业增收并提升市场竞争力有着重要的研究意义。本文结合Teradata数据仓库、R数据挖掘工具和CRISP-DM流程,从某电信公司提取了具有高贡献度和低流失率等特性的高价值移动用户数据,经过数据预处理、多算法建模和模型评估之后,选取基于随机森林算法的预测模型用于进一步研究。针对随机森林算法处理在高维不平衡数据集上的二分类问题时容易偏向多数类的局限性,本文设计了一种有效特征选择方法去优化预测模型。利用欠采样方式从初始不平衡数据集提取多个平衡训练集,使用结合Pearson相关性分析和随机森林特征重要性评估的特征选择策略,在集成学习方法中嵌入加权和投票机制获得最优的特征子集,再采用随机森林算法建立最终的预测模型。实验结果表明,该优化方法可以有效地降低特征集的维度,提升高价值移动用户预测模型的预测精度以及泛化能力,从而较好地为企业决策提供服务。