در سال های اخیر، تعدد شرکت هایی که خدمات نسبتاً مشابه ای را به جامعه ارائه می دهند موجب شده است تا مشتریان بر اساس نیاز خود بتوانند شرکت مورد نظر را انتخاب و از خدمات آن بهره مند گردند. این گوناگونی به وضوح در صنایعی از قبیل بیمه، مخابرات، موسسات ارائه دهنده خدمات اینترنتی و شبکه های تلویزیون کابلی دیده می شود و سبب شده است تا موضوع نگه داشتن مشتریان فعلی و عدم جذب آن ها توسط غیر، از جمله مهم ترین استراتژی های مدیریتی تلقی شود. موضوع قطع ارتباط مشتری با خدمات دهنده فعلی، موسوم به ریزش مشتری است. از دست دادن یک مشتری سود آور به معنی جذب او توسط خدمات دهنده رقیب بوده و هزینه جذب مشتری جدید به مراتب بیشتر از هزینه نگهداری آن است. از دیدگاه مدیریت ریسک و اقتصاد، تشخیص مشتریانی که ریزش آن ها مخاطره زیادی دارد، بسیار مهم و قابل توجه است. اطلاعات موجود در سوابق مشتریان، اعم از مشتریان وفادار و ریزش شده، مبنایی برای پیش گویی رفتار آینده مشتریان است. اگر بتوان بر اساس اطلاعات مربوط به ویژگی های مشتریان، احتمال ریزش یا عدم آن را پیش بینی کرد، می توان با انجام فعالیت های باز دارنده، ریزش آن ها را به حداقل رسانید. به منظور پیش بینی ریزش مشتری، روش های گوناگون آماری و داده کاوی برای رده بندی وجود دارند که ازجمله مهم ترین آن ها می توان به رگرسیون لجستیک، شبکه عصبی مصنوعی، درخت تصمیم و نظریه مجموعه مبهم اشاره کرد. در این پایان نامه، مدل های مذکور را معرفی نموده و دقت و کارایی آن ها را بر روی یک مطالعه موردیبا استفاده از معیارهای ارزیابی مختلف مورد بررسی قرار دادیم. نتایج نشان داد، معیارهای ارزیابی مختلف، مدل های مختلفی را برای پیش بینی ریزش مشتری پیشنهاد می کنند.