بناء نموذج ذكاء اصطناعي لتحديد مدي وفاء العميل

دف المشروع إلى فهم الأسباب التي تدفع العملاء لترك شركة الاتصالات (التحول للمنافسين) وبناء نموذج تنبؤي يساعد الشركة على تحديد هؤلاء العملاء مسبقاً لاتخاذ إجراءات استباقية للاحتفاظ بهم.

2. مراحل العمل التقنية في الملف

يسير العمل في الملف وفق تسلسل علمي دقيق:

مرحلة التهيئة (Importing Libraries): استيراد مكتبات قوية مثل TensorFlow و XGBoost للنمذجة، و Scikit-Learn للمعالجة، بالإضافة لـ Matplotlib و Seaborn للتصور.

قراءة البيانات (Data Reading): تم استخدام قاعدة بيانات تحتوي على معلومات عن 7043 عميلاً مع 21 متغيراً (مثل نوع العقد، الرسوم الشهرية، الخدمات المشتركة).

تنظيف ومعالجة البيانات (Data Cleaning):

تحويل عمود TotalCharges من نصوص إلى أرقام ومعالجة القيم المفقودة فيه.

حذف السجلات المكررة لضمان دقة النتائج.

ترميز المتغير المستهدف (Churn) إلى قيم رقمية (0 و 1).

التحليل الاستكشافي (EDA):

توزيع العملاء: أظهر التحليل أن معدل الـ Churn في الشركة هو 26.4%، وهي نسبة تستدعي الاهتمام.

أهم الرؤى (Insights): أظهرت الرسوم البيانية أن العملاء أصحاب "العقود الشهرية" (Month-to-month) ومستخدمي خدمة "الألياف الضوئية" (Fiber optic) هم الأكثر عرضة لترك الخدمة مقارنة بغيرهم.

العلاقات الرقمية: تم تحليل توزيع الرسوم الشهرية وفترة البقاء (tenure) وارتباطهما بقرار المغادرة.

3. ملخص للمديرين (لماذا هذا العمل مهم؟)

تحديد فئات المخاطر: الملف يحدد بدقة أن العقود قصيرة الأجل هي المصدر الأكبر لفقدان العملاء.

التنبؤ الذكي: البيانات أصبحت جاهزة لتغذية نماذج متطورة (XGBoost و Neural Networks) قادرة على التنبؤ بمغادرة العميل قبل وقوعها.

دعم القرار: يساعد هذا التحليل قسم التسويق على توجيه العروض الترويجية للأشخاص الذين يفكرون فعلياً في إلغاء الاشتراك، مما يوفر في التكاليف