الهدف الأساسي
- كان الهدف من المشروع هو التنبؤ بالمستخدمين الذين من المحتمل أن يتوقفوا عن استخدام المنصة، وتوفير رؤى عملية حول أسباب هذا التسرب، مع التركيز على توصيات تحسين الأداء.

1. إعداد البيانات (Data Preparation)
- قمت باستيراد البيانات من ملف خارجي وتحليلها مبدئيًا لتحديد الأعمدة الأساسية مثل وقت النشاط، نوع النشاط والمعلومات المرتبطة بالمنتجات.
- التعامل مع القيم المفقودة والبيانات المكررة لضمان جودة البيانات.

2. هندسة المزايا (Feature Engineering)
- حساب مقاييس رئيسية لكل مستخدم مثل عدد العروض، عدد الإضافات للسلة، وعدد عمليات الشراء.
- تطوير نسب مثل معدل التحويل من العرض إلى السلة ومن السلة إلى الشراء لتحديد نقاط ضعف تجربة المستخدم.
- تطبيع البيانات (Data Normalization) لتقليل تعقيد التحليل وتحسين الأداء.

3. تحليل السلوكيات (Behavior Analysis)
- تحليل توزيع الأنشطة (العرض، الإضافة للسلة، والشراء) لتحديد فئات العملاء (مثل العملاء المخلصين والعملاء ذوي النشاط المنخفض).
- إنشاء رسوم بيانية تُظهر العلاقة بين الأنشطة المختلفة والنسب المشتقة، مما يساعد في فهم ديناميكيات التفاعل.

4. إعداد البيانات لبناء نموذج التعلم الآلي (Prepare the data for modeling)
- تعريف مفهوم "churn" بناءً على النشاط الأخير للمستخدم، وتحديد ما إذا كان المستخدم قد توقف عن التفاعل لمدة تتجاوز 30 يومًا.
- ترميز(Encode) البيانات الفئوية باستخدام تقنيات مثل التشفير الترددي (Frequency Encoding).
- استخدام التقنيات الإحصائية مثل StandardScaler لتوحيد مقياس الأعمدة الرقمية.

5. التدريب على النموذج (Train the Model)
- استخدام XGBoost لتطوير نموذج التنبؤ بتسرب العملاء.
- تقسيم البيانات إلى مجموعات تدريب واختبار لضمان موثوقية التقييم.
- تحليل أداء النموذج باستخدام تقارير التقييم مثل الدقة والقدرة على التذكير.

التحديات
- لاحظت وجود مشكلة في عدم توازن البيانات (Bias) حيث كانت الفئات مائلة نحو تسرب المستخدمين.

النتائج والتوصيات
- المشروع نجح في تقديم رؤى قيمة حول سلوك المستخدمين وأنماط التفاعل.
- يمكن تحسين النموذج مستقبلًا من خلال تقنيات مثل Oversampling أو SMOTE لموازنة البيانات، وتحسين الأداء العام.

يمكنك الإطلاع على المشروع من هنا: https://mostaql.com/portfolio/2594448-e-commerce-churn-analysis-retain-grow