近年来,随着移动互联网的发展,一方面运营商积累了越来越多的数据资源,现有的业务支持系统难以保存和处理,另一方面大量的利润被OTT业务拿走,导致运营商管道化,用户为更多的资费优惠频繁的在各家运营商之间流动。充分的利用手中的数据资源和准确的预测用户的行为,避免用户的大进大出成为了当务之急。大数据技术的发展已经能够提供如Spark之类的全栈式大数据处理框架,可以在大数据平台上直接完成数据的采集、清洗、分析等工作,而且提供了多种流行的语言实现,和丰富的算法库,使得快速的搭建一个大数据平台用于生产成为了现实。目前大数据技术在电信业务中的应用主要集中在数据的存储和查询方面,对数据的深入分析不多。已有的离网预警系统方案又多使用专用的数据挖掘平台,导致不能够直接的利用全量的大数据集进行挖掘,影响预测效果。因此本文利用Spark框架为核心,构建了一个从数据采集到数据分析到展示的离网预警系统,使用大数据平台完成从数据的采集到分析的全部工作,使用常见的分类算法配合不同的参数训练分类器,并选择性能最好的分类器对用户数据进行预测。同时在展示端,使用了动态报表技术,实现了报表的自助定制。实验结果表明随机森林算法在大多数的参数配置下均有稳定性能,也易于实现。线性支持向量机在充分优化的情况下可以达到不错的性能,但是由于可以调整的参数较多,优化过程复杂,耗费资源多于随机森林。上述的两种算法对于特征间的关系均可以较好的识别并用于分类,而朴素贝叶斯算法对于特征间的关系不能很好的识别。相较于现有的基于关系型数据的业务支持体系,本文的研究工作和成果在理论层面上可以为运营商利用大数据技术和数据挖掘技术营销分析和内部管控提供技术参考;在应用层面上可以的提高数据处理效率,挖掘数据价值,加强数据管控。具有理论和实际工程指导意义。