با اشباع شدن بازارها، سازمانها دریافتند که باید استراتژیهای کسب و کار خود را بر شناسایی مشتریانی که تمایل به ترک سازمان دارند، متمرکز کنند. چرا که هزینه جذب مشتریان جدید بسیار بیشتر از هزینه نگهداری مشتریان جاری است. پس از شناخت مشتریان رویگردان اگر این مشتریان در دسته مشتریان ارزشمند ما قرار بگیرند، باید تلاش پیش فعالانه برای نگهداشت آنان صورت گیرد. مورد مطالعه جهت اعتباربخشی این مدل بررسی روند مصرف مشتریان اینترنت هوشمند یک فراهم کننده خدمت اینترنت می باشد. در این بررسی از مدل rfm جهت محاسبه ارزش طول عمر مشتری استفاده شد، با این تفاوت که rfm برای هر مشتری به طور روزانه بدست آمد. روند تغییرات آن در طول زمان یک سری زمانی شکل داد که مصرف مشتری را نمایش می داد. دستیابی به روند این سری توسط رگرسیون انجام گرفت. ویژگیهای بدست آمده از نمودار مصرف مشتری به علاوه ویژگیهای دیگری مانند طول مدت مصرف کاربر، مرکز مخابراتی مربوط به شماره تلفن کاربر، نسبت روزهای فعال بودن کاربر به کل دوره مصرف ، شبانه یا روزانه بودن اتصال مشتری و حداکثر دوره عدم اتصال مشتری در دوره فعالیت وی به همراه ویژگی دیگری به نام رویگردانی که رویگردان بودن و یا عدم رویگردانی مشتری را نشان می دهد، جدولی از ویژگی های مشتری را شکل می دهد که این جدول می تواند به عنوان ورودی انواع مدل های پیش بینی به کار رود. در مطالعه جاری از چهار الگوریتم درخت تصمیم و همچنین شبکه عصبی برای ساخت مدل پیش بینی رویگردانی مشتری بهره برده شد. چهار الگوریتم مختلف درخت تصمیم بر روی داده های مورد مطالعه بررسی گردید که از میان آنها الگوریتم cart و quest دارای صحت بیشتری بود. از آنجا که درخت تصمیم قوانین را به طور واضح و روشن بیان می کند و مانند شبکه عصبی یک جعبه سیاه نیست پس می توان متغیرها و تغییرات آنها را با توجه به دسته بندیشان بررسی کرد. با توجه به نوع سازمان استراتژی های متفاوتی می تواند برای جلوگیری از رویگردانی مشتری مورد استفاده قرار گیرد.