طوّرت هذا المشروع لمعالجة مشكلة شائعة في الشركات: اكتشاف العملاء الأكثر عرضة لمغادرة الخدمة قبل حدوث الـChurn. نفذت المشروع بالكامل بشكل فردي، بدءًا من فهم البيانات وتنظيفها وإجراء EDA، وصولًا إلى بناء Machine Learning Pipeline تتعامل مع الخصائص المختلفة وOne-Hot Encoding بشكل متسق بين التدريب والتنبؤ. قارنت عدة نماذج وقيّمتها باستخدام Accuracy وPrecision وRecall وF1-Score وROC-AUC، ثم حسّنت Logistic Regression باستخدام Hyperparameter Tuning، محققًا ROC-AUC بنسبة 84.19%. بعد ذلك بنيت Interactive Dashboard بـStreamlit يعرض Churn Probability ويصنف مستوى الخطر إلى High / Medium / Low، مع نشر التطبيق ليكون متاحًا أونلاين. المشروع يعكس قدرتي على تحويل بيانات العملاء إلى نموذج تنبؤي وواجهة عملية تدعم قرارات Customer Retention.