تحليل بيانات العملاء وبناء نموذج ذكي للتنبؤ بانسحابهم

منذ أسبوعين

اطلب عمل مماثل

عرض العمل

الوصف

المشكلة التجارية: اكتساب عميل جديد أكلف من الاحتفاظ بعميل حالي، وكل عميل يغادر دون إنذار فرصة ضائعة على فريق الاحتفاظ بالعملاء.
الهدف: تحديد العملاء المعرّضين للمغادرة مبكرًا وفهم العوامل المرتبطة بقرارهم، لتوجيه عروض الاحتفاظ لمن يحتاجها فعلًا.
ما قمت به:- إصلاح عمود TotalCharges (نصوص وقيم فارغة مخفية)، وتحليل علاقة الانسحاب بنوع العقد ومدة الاشتراك والرسوم وطريقة الدفع.- إنشاء ميزات سلوكية مثل متوسط الإنفاق الشهري واستخدام خدمات الأمان والدفع التلقائي.- مقارنة 5 نماذج تصنيف وتقييمها بـ Recall وF1 وROC-AUC بدل الدقة (Accuracy)، لأن البيانات غير متوازنة.
النتيجة: أفضل نموذج Logistic Regression بـ ROC-AUC = 0.86، ويكتشف 83% من العملاء المغادرين فعلًا، وهذا مهم لأن تفويت عميل سيغادر أغلى من تنبيه خاطئ.
أبرز العوامل المؤثرة: مدة الاشتراك والرسوم الشهرية والإجمالية.
حدود النموذج: يقدّر الخطر ولا يثبت السبب، ويقابل ارتفاعَ الاكتشاف عددٌ من التنبيهات الخاطئة، لذا تُقارَن تكلفة عرض الاحتفاظ بقيمة العميل.
الأدوات: Python | Pandas | Scikit-learn | Seaborn | Matplotlib

معالجة البيانات التعلم الآلي

التفاصيل

المشاهدات 5
المفضلة 0
القسم برمجة, تطوير المواقع و التطبيقات - اخري

حساب المستخدم

يٌدار بواسطة أنجز تك الرقمية

All rights reserved © kaf 2026