Telco customer churn prediction

اشتغلت على مشروع كامل end-to-end لشركة اتصالات بتعاني من فقدان عملاء من غير ما تعرف مين اللي هيمشي قبل ما يمشي. الهدف كان بسيط: أبني نموذج يقدر يحدد العميل المعرض للمغادرة قبل ما يحصل فعلاً، عشان فريق الاحتفاظ يتحرك في الوقت الصح.

بدأت بتحليل استكشافي للبيانات اكتشفت منه إن في اختلال واضح في البيانات — 26% بس هم العملاء اللي غادروا — وده كان محتاج معالجة خاصة قبل أي نمذجة. طلع كمان إن العملاء على عقود شهرية بيغادروا بمعدل 43% مقارنة بحتة، وإن أغلب المغادرة بتحصل في أول 12 شهر.

بعد تنظيف البيانات وهندسة features جديدة، جربت 9 خوارزميات مختلفة من Logistic Regression وحتى XGBoost وMLP Neural Networks، وعملت لكل واحد hyperparameter tuning بـ GridSearchCV. اخترت معيار الـ Recall على العملاء المغادرين كمقياس رئيسي لأن فوتان عميل هيمشي أغلى بكتير من تنبيه غلط.

في النهاية عملت threshold tuning على أفضل نموذج وخرجت بـ Voting Ensemble من XGBoost وGradient Boosting وLogistic Regression.

أهم نتائج بيزنس من المشروع:

عملاء بـ tenure أقل من 12 شهر = أعلى خطر مغادرة

العقود الشهرية مع خدمة الفايبر بدون باقات إضافية = أقوى إشارة للمغادرة

MonthlyCharges مرتفع مع غياب OnlineSecurity وTechSupport = مجموعة تستحق تدخل فوري