customer churn analysis and prediction

وصف المشروع: تحليل وتوقع استبقاء العملاء

هذا المشروع يهدف إلى بناء نموذج تعلم آلي لتحديد العوامل التي تؤدي إلى مغادرة العملاء (تسرّب العملاء) وتوقع العملاء المعرّضين لخطر المغادرة. يمثل الاحتفاظ بالعملاء تحديًا أساسيًا للشركات التي تسعى إلى تقليل فقدان العملاء وتعزيز استراتيجيات الاحتفاظ بهم.

مراحل المشروع بالتفصيل:

1.جمع البيانات:

•الوصف: تم جمع بيانات تشمل خصائص العملاء الديموغرافية (مثل الجنس والعمر والموقع)، بالإضافة إلى معلومات الحساب مثل نوع العقد وفترة الخدمة وأسلوب الدفع.

•الأهمية: هذه البيانات توفر أساسًا لتحليل الأنماط التي قد تشير إلى أسباب التسرّب بين العملاء.

2.تحضير البيانات:

•المعالجة المسبقة: تضمنت هذه الخطوة التعامل مع القيم المفقودة، وإزالة البيانات الشاذة التي قد تؤثر سلبًا على دقة النماذج.

•التحجيم والتحويل: تم تعديل مقياس بعض المتغيرات لتسهيل معالجتها بالنماذج، وتضمين التحويلات اللازمة لضمان تناسق البيانات.

•الأدوات: مكتبات Python مثل Pandas وNumPy وScikit-learn كانت أساسية في هذه المرحلة لتسهيل عملية التحليل والتحضير.

3.التحليل الاستكشافي للبيانات (EDA):

•الهدف: توفير رؤى عميقة حول البيانات وعرض الأنماط والعلاقات بين المتغيرات المختلفة (مثل العلاقة بين مدة الخدمة واحتمالية التسرّب).

•الطرق: تم استخدام الرسوم البيانية مثل المخططات العمودية والرسوم البيانية الكثافية لتوضيح تأثير كل عامل على نسبة التسرّب.

•الأدوات: Matplotlib وSeaborn لتصور البيانات وفهم العلاقات بين الخصائص.

4.تطوير النماذج:

•النماذج المستخدمة:

•XGBoost: لتقديم أداء عالي ودقة ممتازة، مما يجعله النموذج الأنسب في هذا المشروع.

•التقييم: استخدمت مقاييس مثل الدقة (Accuracy)، معامل التذكر (Recall)، معامل الدقة (Precision)، وAUC-ROC لتحديد مدى فعالية كل نموذج في التنبؤ.

•الأدوات: مكتبة Scikit-learn لتدريب النماذج، وXGBoost لتحسين دقة التوقعات.

5.تقييم النماذج:

•المنهجية: تم مقارنة النماذج باستخدام بيانات الاختبار والتدريب، وقياس الأداء اعتمادًا على عدة مقاييس. أثبت نموذج XGBoost كفاءته بتحقيقه نسبة دقة تصل إلى 95%، ما جعله النموذج النهائي للمشروع.

•النتيجة: أكدت النتائج أن العملاء الذين يمتلكون عقودًا قصيرة الأجل أو يتبعون أساليب دفع معينة يكونون أكثر عرضة للتسرّب.

6.نشر النموذج:

•الأدوات المستخدمة: استخدم Flask وStreamlit لبناء واجهة تفاعلية تتيح للمستخدمين تحميل بيانات العملاء وتوقع احتمالية التسرّب بشكل مباشر.

•الوصف: وفرت واجهة المستخدم إمكانية الوصول إلى النموذج في الوقت الفعلي، مع عرض النتائج والتوصيات بطريقة مرئية سهلة الفهم.

•الهدف: تمكين المستخدمين النهائيين (الشركات) من الاستفادة من النموذج بشكل مباشر وتحديد العملاء المعرضين للتسرّب لاتخاذ التدابير المناسبة للحفاظ عليهم.

الأدوات والتقنيات:

•البرمجة والتحليل: Python

•إدارة البيانات: Pandas وNumPy

•التصور البياني: Matplotlib وSeaborn

•تطوير النماذج: Scikit-learn وXGBoost

•تنظيم العمل: Google Collab

•النشر: Flask وStreamlit

هذا الوصف يوفر تفاصيل شاملة حول كل خطوة في المشروع، من معالجة البيانات حتى نشر النموذج، مما يساعد الشركات على فهم كيفية استخدام النموذج للتقليل من تسرّب العملاء وتحسين استراتيجيات الاحتفاظ بهم.