مشروع تحليل وتصنيف العملاء باستخدام Machine Learning مع واجهة Flask

تم تنفيذ مشروع متكامل لتحليل وتصنيف العملاء بناءً على سلوكهم الشرائي باستخدام تقنيات Machine Learning المتقدمة. المشروع يعمل على بيانات Online Retail الحقيقية التي تحتوي على أكثر من 500,000 عملية شراء، وتم تطبيق منهجية RFM Analysis (Recency, Frequency, Monetary) لاستخلاص أنماط سلوك العملاء وتقسيمهم إلى 3 شرائح رئيسية. ما تم تنفيذه: • جمع وتنظيف البيانات: معالجة القيم المفقودة، حذف العمليات السالبة والمرتجعات، وبناء Pipeline نظيف • Feature Engineering: بناء مؤشرات RFM (آخر شراء، تكرار الشراء، قيمة الإنفاق) لكل عميل • تدريب 4 نماذج تصنيف: KMeans، Agglomerative Clustering، Gaussian Mixture Model (GMM)، وDBSCAN • تقييم النماذج بـ 3 مقاييس: Silhouette Score، Davies-Bouldin Score، Calinski-Harabasz Score • اختيار أفضل نموذج بناءً على النتائج (KMeans بـ Silhouette Score: ~0.60) • تطوير واجهة Flask احترافية تعرض: - مقارنة كاملة بين الـ 4 نماذج - رسوم PCA تفاعلية للـ Clusters - جدول بيانات كامل مع فلتر وبحث وتنزيل CSV - Cluster Insights مع 6 Charts تحليلية - نظام تصنيف عميل جديد في الوقت الفعلي شرائح العملاء المُستخرَجة: 👑 VIP Customers — إنفاق عالي وشراء متكرر وحديث ✅ Regular Customers — نشاط متوسط ومستقر 💤 Dormant Customers — عملاء غير نشطين يحتاجون استهدافاً