MAS for Churn Prediction

نظرة عامة على المشروع

مشروع يهدف إلى توقع فقدان العملاء باستخدام تقنيات التعلم الآلي، مع تقديم رؤى قابلة للتنفيذ لتحسين استراتيجيات الاحتفاظ بالعملاء. يعتمد النموذج على تحليل البيانات الديموغرافية للعملاء، معلومات الحساب، وأنماط استخدام الخدمات لتحديد العملاء الأكثر عرضة للترك. يشمل الحل لوحة معلومات تفاعلية باستخدام Power BI وواجهة API يمكن دمجها مع التطبيقات الإلكترونية والمحمولة.

محتويات المشروع

نظرة عامة على المشروع: مشكلة فقدان العملاء وتأثيرها على الإيرادات.

⭐ الخصائص: رؤى مبنية على البيانات، لوحة معلومات Power BI، وواجهة API قابلة للنشر.

البيانات: تحليل بيانات ديموغرافية واستخدام الخدمات.

️ التثبيت: كيفية تثبيت المشروع وتشغيله.

الاستخدام: خطوات استخدام النموذج ولوحة القيادة.

تدريب النموذج: العمليات المستخدمة لتدريب النموذج.

لوحة القيادة وواجهة API: عرض النتائج وتقديم التوقعات الفورية.

المشاركون: فريق العمل.

⭐ الخصائص الرئيسية

رؤى مبنية على البيانات: تحليل العوامل التي تؤدي إلى فقدان العملاء، مثل نوع العقد ومدة الاشتراك والخدمات المقدمة.

لوحة معلومات Power BI: تصور تفاعلي للمؤشرات الرئيسية المرتبطة بفقدان العملاء.

واجهة API: إمكانية توقع فقدان العملاء في الوقت الفعلي باستخدام واجهة Flask API متوافقة مع التطبيقات الإلكترونية والمحمولة.

البيانات

مجموعة البيانات: بيانات عملاء شركة Telco تشمل:

البيانات الديموغرافية: النوع، العمر، الحالة الاجتماعية.

استخدام الخدمات: الإنترنت، الدعم الفني، والخطوط المتعددة.

معلومات الحساب: نوع العقد، طريقة الدفع، والرسوم الشهرية.

المتغير المستهدف:

Churn: متغير ثنائي يشير إلى إذا كان العميل قد ترك الشركة ("نعم") أو لا ("لا").

️ التثبيت

استنساخ المشروع:

bash

Copy code

git clone https://github.com/yourus...

تثبيت المتطلبات:

bash

Copy code

pip install -r requirements.txt

الاستخدام

دفتر الملاحظات لتحليل البيانات وتدريب النموذج:

قم بتشغيل churn_model_training.ipynb لرؤية خطوات معالجة البيانات واختيار النموذج.

النموذج المدرب مسبقًا:

استخدم النموذج customer_churn_model.pkl للتوقعات الفورية.

لوحة معلومات Power BI:

الملف: /dashboard

البرنامج: افتح باستخدام Power BI Desktop لاستعراض البيانات بشكل تفاعلي.

تشغيل واجهة API:

محليًا:

bash

Copy code

python app.py

نقطة النهاية: /predict_churn

مدخلات مثال:

json

Copy code

{

"num__tenure": 12,

"num__MonthlyCharges": 50.30,

"cat__PaymentMethod": "Electronic check",

"cat__Contract_TwoYear": 0,

"cat__OnlineSecurity_Yes": 0,

"cat__TechSupport_Yes": 1,

"cat__MultipleLines_Yes": 1,

"cat__InternetService_Fiber": 1

}

تدريب النموذج

التفاصيل:

المعالجة المسبقة: ترميز المتغيرات التصنيفية وتقييس البيانات العددية.

الخوارزمية: اختيار النموذج بناءً على دقة الأداء ومقاييس F1-Score.

لوحة القيادة وواجهة API

لوحة القيادة: تصورات سهلة الفهم لأهم العوامل المؤثرة في فقدان العملاء.

واجهة API: توقعات في الوقت الفعلي من خلال RESTful API يمكن الوصول إليها عبر التطبيقات الإلكترونية والمحمولة.