Customer_Risk_Score

# نظام تقييم مخاطر الائتمان للعملاء (Customer Credit Risk Scoring System)

طوّرت نظامًا متكاملًا للتعلّم الآلي لصالح مؤسسة مالية (تم حجب الاسم حفاظًا على السرية)، بهدف تقييم مخاطر الائتمان للعملاء ودعم قرارات منح التسهيلات الائتمانية.

### المشكلة

لم يكن لدى مسؤولي الائتمان نظام موحّد لتقدير احتمالية تعثر العميل قبل منحه الائتمان؛ حيث كانت عملية التقييم يدوية وغير متسقة وتعتمد على رد الفعل بدلًا من التنبؤ بالمخاطر مسبقًا.

### الحل

بنيت **نظامًا متكاملًا لتقييم مخاطر الائتمان** يقوم بإعطاء كل عميل درجة تمثل **احتمالية التعثر (Probability of Default)**، ثم تصنيفه إلى ثلاث فئات للمخاطر:

* **مخاطر منخفضة (Low Risk)**

* **مخاطر متوسطة (Medium Risk)**

* **مخاطر مرتفعة (High Risk)**

مما يوفر لمسؤولي الائتمان أساسًا سريعًا وقائمًا على البيانات لاتخاذ قرارات بشأن **حجم ونطاق التسهيلات الائتمانية** التي يمكن تقديمها للعميل.

### ما قمت بتنفيذه

* **خط معالجة البيانات (Data Pipeline):** تنظيف بيانات المتقدمين، معالجة القيم المفقودة والقيم الشاذة، وهندسة الخصائص اعتمادًا على البيانات الديموغرافية وبيانات القروض وبيانات مكاتب الائتمان.

* **بناء واختيار النموذج:** قمت بمقارنة **8 خوارزميات للتصنيف**، بدءًا من Logistic Regression وصولًا إلى LightGBM وXGBoost، واختيار النموذج الأفضل بناءً على **AUC** وقدرته على التعميم بين بيانات التدريب والاختبار، مع معالجة مشكلة عدم توازن الفئات باستخدام **SMOTE**.

* **قابلية تفسير النموذج (Explainability):** دمجت مكتبة **SHAP** لإظهار أهم العوامل التي أثرت في درجة المخاطر الخاصة بكل عميل، بحيث يستطيع الموظف فهم **سبب** حصول العميل على هذه الدرجة وليس مجرد رؤية النتيجة النهائية.

* **تطبيق الويب:** طورت أداة داخلية باستخدام **Django** تحتوي على:

* البحث عن العملاء وعرض ملفاتهم وبياناتهم.

* Dashboard تفاعلية لعرض توزيع مستويات المخاطر على مستوى محفظة العملاء بالكامل.

* نموذج إدخال يدوي لتقييم المتقدمين الجدد بشكل فوري.

* خاصية رفع ملفات Excel لتقييم عدد كبير من المتقدمين دفعة واحدة.

### التقنيات المستخدمة

**Python, scikit-learn, LightGBM, imbalanced-learn (SMOTE), SHAP, pandas, Django, SQLite**

---

### الملخص المختصر

نظام متكامل لتقييم مخاطر الائتمان تم تطويره لصالح مؤسسة مالية، باستخدام **LightGBM وSHAP** للتنبؤ باحتمالية تعثر العملاء وتصنيف مستويات المخاطر، مع تطبيق داخلي مبني باستخدام **Django** لدعم اتخاذ قرارات الإقراض القائمة على البيانات.