نظام ذكي للتنبؤ بتسرب عملاء البنوك والاحتفاظ بهم (Vault Net)

نظرة عامة:

قمت بتطوير خط أنابيب متكامل لتعلم الآلة (End-to-End ML Pipeline) تحت اسم Vault Net، يهدف إلى التنبؤ الدقيق بالعملاء المعرضين لخطر مغادرة البنك (Customer Churn).

القيمة الفعلية للمشروع (Business Value):

يعتبر تسرب العملاء من أكبر الثغرات المالية في المؤسسات الحديثة. يحل هذا النظام المشكلة من خلال تحديد العملاء المهددين بالمغادرة بشكل استباقي، مما يتيح للبنوك توجيه ميزانيات الاحتفاظ بالعملاء (مثل العروض التسويقية أو المكافآت) بدقة. هذا يقلل من خسارة الإيرادات المستقبلية ويمنع إهدار ميزانية التسويق على إنذارات خاطئة (False Alarms).

أبرز النتائج التقنية:

معالجة البيانات غير المتوازنة: التعامل باحترافية مع قاعدة بيانات (10,000 عميل) ذات عدم توازن شديد (80:20) باستخدام تقنيات هندسة الميزات (Feature Engineering) المتقدمة.

معمارية مدمجة (Ensemble Modeling): بناء نظام (Soft Voting Classifier) يدمج بين خوارزميات XGBoost و Random Forest لتحقيق أقصى قدر من الدقة والموثوقية.

نتائج قياسية ومؤثرة: كسر حاجز 0.65 في مقياس F1-Score الصعب، وتحقيق دقة عامة بلغت 86.77%، مع نسبة دقة استهداف (Precision) بلغت 70.03% لضمان كفاءة ميزانية البنك.

جاهزية النشر (Deployment): تم تغليف وتصدير النموذج ومقياس البيانات باستخدام joblib ليكون جاهزاً للدمج الفوري في أنظمة البنوك دون الحاجة لإعادة التدريب.

التقنيات المستخدمة: Python, XGBoost, Random Forest, Scikit-Learn, Joblib.