أداة الكشف عن حسابات العملاء المعرضة لخطر إلغاء الاشتراك

حاجة شركة ، وكيل معدات في إفريقيا، إلى معرفة عملاء قطع الغيار الذين بدأوا بالابتعاد بهدوء، في وقت لا يزال فيه الاتصال بهم مجديًا. المشكلة: نظام تصدير البيانات المستخدم محدود بسقف ثابت قدره مليون سجل سنويًا بالضبط، وهذا السقف لا يحذف عينة عشوائية، بل يحذف عملاء بأكملهم. عند المقارنة مع النافذة الزمنية الوحيدة غير المنقوصة في البيانات، تبيّن أن قاعدة البيانات احتفظت بنسبة 37% فقط من العملاء الذين اشتروا فعليًا في بداية 2024. وبما أن الصمت هو الإشارة الوحيدة المتاحة لفقدان العميل، فإن تدريب نموذج على القائمة الكاملة للعملاء كان سيعلّمه اكتشاف خلل التصدير بدلاً من فقدان العملاء الحقيقي.

الحل: قصر النمذجة على 230 عميلًا تمت ملاحظتهم بانتظام كافٍ (6 أشهر على الأقل من أصل 12) بحيث يكون صمتهم ذا مصداقية، وبناء 39 متغيرًا لكل حساب (الحداثة، التكرار، اتجاه الإنفاق، التغطية التعاقدية، مزيج المنتجات) اعتمادًا حصريًا على بيانات سابقة لتاريخ القطع، ثم مقارنة 17 عائلة من المصنفات ضمن تحقق متقاطع متداخل مع فترات ثقة بطريقة bootstrap، إذ لا تكفي 36 حالة فقدان مؤكدة للوثوق بتقسيم بسيط بين بيانات التدريب والاختبار. وقد أثبت اختبار حساسية عتبة المجموعة ذلك مباشرة: عند توسيع المجموعة، تحوّلت أهم متغيرات النموذج الفائز من حداثة الشراء إلى بلد العميل، وهو بالضبط أثر خلل التصدير الذي وُجد هذا القيد لتفاديه.

تفوّقت النماذج الفائزة (Bernoulli Naive Bayes والانحدار اللوجستي، المختارة بناءً على الاستدعاء عند عتبة دقة ثابتة، لا على الدقة الخام) على الترتيب البسيط حسب الحداثة بفترات ثقة غير متداخلة. تم تسليم المشروع كتطبيق Streamlit يتضمن أداة تنبؤ تفاعلية لسيناريوهات افتراضية، وتفسيرات مفصّلة لكل حساب، وسجل نماذج عبر MLflow مع مراقبة آلية لانحراف البيانات.