Customer Churn Analysis

### تحليل سلوك العملاء والتنبؤ بإلغاء الاشتراك (Customer Churn Analysis)

قمت بتحليل بيانات العملاء بهدف فهم العوامل التي تؤثر على قرار العميل بإلغاء الاشتراك (Churn)، واستخراج أهم الأنماط التي يمكن أن تساعد الشركات على تحسين الاحتفاظ بالعملاء.

تم تنفيذ المشروع باستخدام **Python** و **Pandas** و **NumPy**، مع إجراء عمليات **Data Cleaning** و **Exploratory Data Analysis (EDA)** لفهم البيانات واكتشاف العلاقات بين المتغيرات.

كما تم تحليل تأثير عوامل مختلفة مثل:

* نوع العقد (Contract)

* مدة اشتراك العميل (Tenure)

* الرسوم الشهرية (Monthly Charges)

* طريقة الدفع (Payment Method)

بالإضافة إلى تطبيق تقنيات **Data Preprocessing** و **Feature Engineering** وتجهيز البيانات لاستخدامها في نماذج **Machine Learning**.

### الخلاصة

أظهر التحليل أن **إلغاء العملاء للاشتراك (Customer Churn)** يرتبط بشكل واضح بنوع عقد العميل، ومدة اشتراكه، والرسوم الشهرية.

العملاء الذين لديهم **عقود شهرية (Month-to-Month)** هم الأكثر عرضة لإلغاء الاشتراك، بينما يميل العملاء الذين لديهم عقود طويلة وعلاقة أطول مع الشركة إلى الاستقرار بشكل أكبر.

كما أضاف متغير **TenureGroup** منظورًا مفيدًا لتحليل مراحل دورة حياة العميل، ويمكن الاستفادة منه مستقبلًا في بناء نموذج للتنبؤ بإلغاء الاشتراك.

### أهم النتائج

* يتأثر **Customer Churn** بمدة اشتراك العميل ونوع العقد.

* العملاء أصحاب العقود الشهرية أكثر عرضة لإلغاء الاشتراك.

* العملاء الجدد وذوو مدة الاشتراك القصيرة يمثلون فئة مهمة لجهود الاحتفاظ بالعملاء.

* يجب أخذ عوامل التسعير والخدمات في الاعتبار عند تحليل أسباب إلغاء الاشتراك.

* تم تنظيف البيانات وتجهيزها بنجاح لإجراء المزيد من التحليل أو تطبيق نماذج **Machine Learning**.

### التوصيات التجارية

* التركيز على استراتيجيات الاحتفاظ بالعملاء الجدد.

* تشجيع العملاء على الانتقال من العقود الشهرية إلى العقود طويلة المدى.

* متابعة العملاء الذين لديهم **Monthly Charges** مرتفعة وتقييم احتمالية إلغائهم للاشتراك.

### الأدوات والتقنيات

Python, Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, Data Cleaning, EDA, Feature Engineering, Data Visualization, Machine Learning.