تقسيم عملاء بطاقات الائتمان

دراسة حالة باستخدام خوارزمية K-Means لتقسيم العملاء بهدف التسويق المستهدف ومراقبة المخاطر المشكلة التعامل مع كل عملاء بطاقات الائتمان بنفس الطريقة يُهدر ميزانية التسويق ويفوّت إشارات مخاطر مبكرة. العميل الذي يسدد المبلغ كاملاً كل شهر هدف مختلف تمامًا (تسويقيًا ومن ناحية المخاطر) عن عميل يعتمد بشكل كبير على السحب النقدي ويرحّل رصيده من شهر لآخر. هذا المشروع يقسّم حوالي 9000 عميل بطاقة ائتمان إلى مجموعات سلوكية باستخدام خوارزمية K-Means، ثم يترجم كل مجموعة إلى إجراء عملي محدد — بنفس أسلوب العمل الذي قمت به في تقسيم العملاء خلال فترة تدريبي في بنك مصر. ملاحظة حول البيانات: البيانات المستخدمة هنا عامة (بيانات سلوك استخدام بطاقات ائتمان لحوالي 9000 عميل)، وليست بيانات بنك مصر الخاصة. ماذا يغطي المشروع تحميل البيانات وتنظيفها التحليل الاستكشافي للبيانات فحص جودة البيانات — تم اكتشاف صف واحد شاذ (عميل بحد ائتماني 50 دولار مقابل سحب نقدي بقيمة 5677 دولار) كان سيشوّه مجموعة كاملة بمفرده لو لم يتم استبعاده — مثال واقعي بسيط على أهمية فحص جودة البيانات قبل هندسة الخصائص هندسة الخصائص (نسب سلوكية مشتقة بدلاً من المبالغ الخام) اختيار عدد المجموعات المناسب (طريقة Elbow ومقياس Silhouette) توصيف المجموعات وترجمتها لإجراءات عملية النقطة المنهجية الأهم: التقسيم بناءً على النسب السلوكية بدلاً من المبالغ الخام يتجنب إعادة اكتشاف "دخل مرتفع مقابل دخل منخفض" فقط، وهو تقسيم مبني على الدخل وليس تقسيمًا سلوكيًا حقيقيًا — وهذا هو الفرق الذي يجعل التقسيم مفيدًا فعليًا لاتخاذ إجراءات مستهدفة، بدلاً من كونه مجرد إعادة صياغة لمن يملك أموالًا أكثر. رابط المشروع على GitHub: https://github.com/Ashry130/customer-segmentation