التنبؤ بمغادرة العملاء لشركات الاتصالات Customer Churn Prediction

عنوان المشروع توقع تسرب العملاء (Customer Churn Prediction) باستخدام تعلم الآلة (Machine Learning) وصف المشروع طورت نموذجًا باستخدام تقنيات تعلم الآلة للتنبؤ باحتمالية مغادرة العملاء لخدمات شركة اتصالات (Customer Churn)، اعتمادًا على بيانات حقيقية تضم أكثر من 7000 عميل. يهدف المشروع إلى مساعدة الشركات في التعرف على العملاء المعرضين للمغادرة واتخاذ الإجراءات المناسبة للحفاظ عليهم. شمل المشروع جميع مراحل تطوير نموذج تعلم الآلة، بدءًا من فهم البيانات وتنظيفها، مرورًا بالتحليل الاستكشافي واستخلاص أهم المؤشرات، وصولًا إلى بناء النماذج وتقييمها واختيار النموذج الأفضل. ما تم تنفيذه في المشروع * تنظيف البيانات ومعالجة القيم المفقودة وغير الصحيحة وتحويل أنواع البيانات بالشكل المناسب. * ترميز المتغيرات الفئوية باستخدام Label Encoding وOne-Hot Encoding. * إجراء تحليل استكشافي شامل (EDA) لفهم البيانات واكتشاف العلاقات بين المتغيرات باستخدام الرسوم البيانية ومصفوفة الارتباط. * تحليل تأثير عوامل مثل مدة الاشتراك، قيمة الفاتورة الشهرية، إجمالي الفواتير، نوع العقد، وطريقة الدفع على احتمالية مغادرة العميل. * تقسيم البيانات إلى بيانات تدريب واختبار مع الحفاظ على توازن الفئات. * تدريب ومقارنة عدة نماذج لتعلم الآلة، وهي: Logistic Regression، Decision Tree، Random Forest، وK-Nearest Neighbors (KNN). * تقييم أداء النماذج باستخدام Accuracy وPrecision وRecall وF1-Score وConfusion Matrix. * اختيار النموذج الأفضل بناءً على نتائج التقييم، وليس الاعتماد على Accuracy فقط. التقنيات والأدوات المستخدمة Python، Pandas، NumPy، Scikit-learn، Matplotlib، Seaborn، Exploratory Data Analysis (EDA)، Feature Engineering، Machine Learning، Model Evaluation. ما يميز هذا المشروع لم يكن الهدف مجرد بناء نموذج يحقق دقة مرتفعة، بل بناء نموذج يمكن الاستفادة منه عمليًا. لذلك تم التركيز على استخدام مقاييس تقييم مناسبة لطبيعة البيانات غير المتوازنة (Imbalanced Dataset)، مع الاهتمام بتحسين Recall لاكتشاف أكبر عدد ممكن من العملاء المتوقع مغادرتهم، مما يساعد الشركات على اتخاذ قرارات استباقية للحفاظ على عملائها وتقليل معدل التسرب.