1. الهدف العام:
يهدف المشروع إلى حل مشكلة تواجه قطاع البنوك، وهي كيفية تحديد العملاء الأكثر احتمالاً للاشتراك في "الودائع لأجل" (Term Deposits) بناءً على بياناتهم الديموغرافية وسلوكهم السابق. بدلاً من استهداف جميع العملاء بشكل عشوائي، يستخدم المشروع تعلم الآلة (Machine Learning) لرفع كفاءة الحملات التسويقية وتقليل التكاليف.
2. الأدوات والتقنيات المستخدمة:
لغة البرمجة: Python.
المكتبات الأساسية: * Scikit-learn: لبناء النماذج التنبؤية.
Imbalanced-learn (SMOTE): للتعامل مع عدم توازن البيانات (لأن عدد الرافضين للعروض عادة أكبر بكثير من المشتركين).
XGBoost أو Random Forest: (حسب الخوارزمية التي استقررت عليها في الكود).
3. مراحل العمل (Data Science Pipeline):
معالجة البيانات (Preprocessing): تحويل البيانات النصية إلى أرقام (Label Encoding) والتعامل مع القيم المفقودة.
هندسة الميزات (Feature Engineering): اختيار أهم المتغيرات التي تؤثر على قرار العميل (مثل الوظيفة، الحالة الاجتماعية، الرصيد، ومدة المكالمة التسويقية).
بناء النموذج: تدريب خوارزميات التصنيف (Classification) للتنبؤ بـ (نعم/لا) بخصوص الاشتراك في العرض.
تقييم النموذج: استخدام مصفوفة الارتباك (Confusion Matrix) ومقياس الـ Accuracy والـ F1-Score للتأكد من دقة التنبؤات.
4. القيمة المضافة:
توفير الوقت والجهد: توجيه موظفي خدمة العملاء للاتصال فقط بالأشخاص الذين لديهم احتمالية عالية للموافقة.
زيادة الأرباح: تحسين معدل التحويل (Conversion Rate) للحملات التسويقية.
فهم العميل: معرفة السمات التي تميز عملاء البنك المهتمين بالاستثمار.
