نموذج التنبؤ بمغادرة العملاء (Customer Churn Prediction)

قمت ببناء مشروع Machine Learning كامل للتنبؤ باحتمالية مغادرة العميل (Churn) اعتمادًا على بيانات الاشتراك والاستخدام وطرق الدفع ونوع العقد، بهدف مساعدة الشركة على تقليل فقد العملاء عبر استهداف العملاء الأكثر عرضة للمغادرة.

البيانات:
Dataset: Telco Customer Churn

الهدف (Target): Churn (نعم/لا)
أمثلة Features: tenure, MonthlyCharges, TotalCharges, Contract, PaymentMethod, InternetService, TechSupport …

خطوات التنفيذ:
تنظيف البيانات ومعالجة القيم المفقودة وتحويل الأنواع (Data Cleaning).
تحليل استكشافي EDA لفهم العوامل المؤثرة على الـ Churn (رسوم شهرية، نوع العقد، مدة الاشتراك…).
تجهيز البيانات: Encoding للـ categorical + Scaling عند الحاجة.
بناء نماذج baseline ثم نموذج قوي (مثل XGBoost/LightGBM) مع Cross-Validation.
ضبط Hyperparameters باستخدام Optuna + تتبع التجارب بـ MLflow.
تقييم شامل باستخدام مقاييس مناسبة للـ Imbalanced Data مثل PR-AUC / ROC-AUC / F1.
تفسير النتائج باستخدام SHAP لتحديد أهم العوامل التي ترفع احتمال المغادرة.
نشر النموذج كـ REST API باستخدام FastAPI + Docker (جاهز للاستخدام في أي نظام).
(اختياري قوي جدًا) Monitoring مبسط للأداء/الداتا باستخدام Evidently.
مخرجات المشروع (Deliverables):
Notebook للـ EDA + Training
Model محفوظ + MLflow experiments
FastAPI endpoint للتنبؤ
Dockerfile للتشغيل السريع
تقرير تفسير SHAP + توصيات عملية لتقليل churn