في هذا المشروع، قمتُ بتصميم نموذج تنبؤي يهدف إلى تحديد العملاء المعرّضين لترك الشركة (Churn) في قطاع الاتصالات، باستخدام تقنيات تعلّم الآلة (Machine Learning) بلغة Python. الهدف الأساسي كان مساعدة الشركة على الاحتفاظ بعملائها من خلال التنبؤ المسبق بالمغادرين واتخاذ إجراءات استباقية.
بدأتُ بـ التحليل الاستكشافي للبيانات (EDA) باستخدام مكتبات Pandas و Matplotlib و Seaborn لفهم سلوك العملاء وتحديد أهم العوامل المؤثرة، مثل نوع العقد ومدة الاشتراك (Tenure) ونوع خدمة الإنترنت. أظهرت النتائج أن العملاء بعقود شهرية ومدة قصيرة أكثر عرضة للمغادرة.
بعد ذلك انتقلت إلى مرحلة المعالجة المسبقة للبيانات**، حيث قمت بتنظيف القيم المفقودة، ثم تحويل البيانات الفئوية إلى رقمية باستخدام **One-Hot Encoding**، وأجريت **توحيدًا للقياس (Standardization) على المتغيرات العددية باستخدام StandardScaler لضمان عدالة المقارنة بين الخصائص.
من أكبر التحديات كانت عدم توازن الفئات (عدد العملاء غير المغادرين أكبر بكثير من المغادرين)، وتم حل ذلك باستخدام تقنية SMOTE لتوليد عينات جديدة من الفئة الأقل. بعد تجهيز البيانات، درّبت عدة خوارزميات منها Logistic Regression، Random Forest، وXGBoost**، وبدأتُ بـ **نموذج Logistic Regression كنقطة انطلاق.
لاحقًا استخدمت GridSearchCV لتحسين الإعدادات (Hyperparameter Tuning) واكتشاف أفضل أداء ممكن للنموذج. كما قمت بإنشاء ميزة جديدة مهمة باسم charge_per_tenure (القيمة الشهرية ÷ مدة الاشتراك) لزيادة دقة التنبؤ.
في النهاية، أظهر النموذج النهائي قدرة عالية على اكتشاف العملاء الأكثر عرضة للمغادرة بشكل دقيق ومتوازن.
✅ النتيجة: النموذج الناتج يعد أداة فعّالة لمساعدة شركات الاتصالات في تقليل فقدان العملاء عبر اتخاذ قرارات استباقية مبنية على البيانات.
