يهدف هذا المشروع إلى تحليل سلوك العملاء المالي وتقسيمهم إلى شرائح مختلفة تساعد على فهم أنماطهم واتخاذ قرارات أكثر دقة في التسويق وإدارة المخاطر وتحسين استراتيجيات الاحتفاظ بالعملاء.
اعتمد المشروع على تحليل بيانات العملاء واستخراج الأنماط السلوكية الكامنة باستخدام تقنيات تعلم الآلة، حيث تم العمل بدايةً على معالجة البيانات وتنظيفها وتجهيزها، ثم بناء خصائص إضافية تساعد النماذج على فهم السلوك المالي للعملاء بصورة أفضل.
تمت تجربة عدة نماذج للتجميع والمقارنة بينها، من بينها KMeans وDBSCAN وGaussian Mixture Model، إلى جانب تطبيق تقنيات التعلم العميق من خلال Autoencoder وDeep Embedded Clustering بهدف تحسين جودة التقسيم واكتشاف الأنماط الأكثر تعقيدًا داخل البيانات.
أظهرت النتائج تحسنًا واضحًا عند استخدام تقنيات التعلم العميق مقارنة بالطرق التقليدية، حيث حقق نموذج DEC أداءً أفضل في فصل العملاء إلى مجموعات أكثر وضوحًا ودقة، مما ساعد على الوصول إلى تقسيمات ذات قيمة عملية مثل العملاء المميزين، والعملاء المنتظمين، والعملاء مرتفعي المخاطر.
كما تم تطوير لوحة تحكم تفاعلية باستخدام Streamlit لعرض النتائج ومقارنة أداء النماذج المختلفة بصورة عملية تسهّل فهم التحليل والاستفادة منه.
شمل العمل تحليل البيانات، وتجهيزها للنمذجة، وبناء نماذج متعددة للتجميع، وتقييم الأداء باستخدام المقاييس المناسبة، بالإضافة إلى تطوير واجهة تفاعلية لعرض المخرجات بشكل احترافي.
التقنيات المستخدمة: Python، Pandas، NumPy، Scikit-learn، TensorFlow/PyTorch، Streamlit.
