Customer Churn Prediction System

اسم المشروع: التنبؤ بمغادرة العملاء باستخدام الشبكات العصبية الاصطناعية (Customer Churn Prediction using ANN)

1. نظرة عامة (Overview)

يعد الاحتفاظ بالعملاء (Customer Retention) من أهم التحديات التي تواجه الشركات الكبرى، خاصة في قطاع البنوك والخدمات. يهدف هذا المشروع إلى بناء نموذج ذكاء اصطناعي قادر على تحليل سلوك العملاء والتنبؤ بالعملاء المحتمل مغادرتهم للخدمة (Churn) بدقة عالية، مما يساعد الشركة على اتخاذ إجراءات استباقية للاحتفاظ بهم.

2. التقنيات المستخدمة (Tech Stack)

لغة البرمجة: Python.

المكتبات الأساسية:

Pandas و NumPy: لمعالجة البيانات الرقمية والجداول.

Scikit-learn: لمعالجة البيانات (Preprocessing) وتقييم الأداء.

Keras و TensorFlow: لبناء وتطوير هيكل الشبكة العصبية (ANN).

Matplotlib و Seaborn: لتمثيل البيانات وتوضيح النتائج بصرياً.

3. خطوات العمل (Workflow)

استكشاف البيانات (Data Exploration): فحص ميزات العملاء مثل (العمر، الرصيد، الموقع الجغرافي، الجنس، عدد المنتجات، والنشاط).

هندسة البيانات (Data Preprocessing):

حذف البيانات غير المؤثرة (مثل أسماء العملاء وأرقام هوياتهم).

تحويل البيانات النصية إلى أرقام (Label Encoding).

تحجيم الميزات (Feature Scaling) لتوحيد نطاق البيانات وتسريع عملية التعلم.

بناء النموذج (Model Architecture): تصميم شبكة عصبية عميقة (Deep Learning) تتكون من طبقات متعددة (Dense Layers) مع استخدام تقنيات متقدمة مثل:

Dropout: لمنع مشكلة الإفراط في التدريب (Overfitting).

BatchNormalization: لتحسين استقرار التدريب.

التدريب والتقييم (Training & Evaluation): تم تدريب النموذج على مجموعة بيانات الاختبار وتقييم كفاءته باستخدام مصفوفة الارتباك (Confusion Matrix).

نتائج المشروع (Key Results)

نجح النموذج في تصنيف الغالبية العظمى من العملاء بشكل صحيح.

أظهرت النتائج قدرة جيدة على التمييز بين العميل الذي سيبقى والعميل الذي قد يغادر.

المخرج النهائي: تم حفظ النموذج بصيغة .keras ليكون جاهزاً للدمج في تطبيقات برمجية أخرى مباشرة دون الحاجة لإعادة التدريب.