التنبؤ بمغادرة العملاء
وصف المشكلة
التنبؤ بالعملاء المرجح مغادرتهم من مدة الاشتراك والرسوم ونوع العقد وتذاكر الدعم، لتوجيه حملات الاحتفاظ. البيانات اصطناعية، معدل المغادرة فيها 46.2%.
الأهداف
- ترميز المتغيرات الفئوية
- مقارنة مصنفات ومنحنى ROC
- تحويل الاحتمالات إلى قرار عملي
نوع المشكلة
تصنيف Classification
مجموعة البيانات
الأدوات المستخدمة
الخوارزميات
خطوات التنفيذ
- في KNIME: File ← Import KNIME Workflow… واختر customer-churn.knwf، ثم Execute all.
- افتح customer-churn.ows في Orange.
- قارن Logistic Regression وTree وRandom Forest في Test and Score.
- افتح ROC Analysis للفئة yes.
- في KNIME: CSV Reader ← One to Many (contract) ← Partitioning ← Logistic Regression Learner/Predictor ← Scorer وROC Curve.
مخطط سير العمل
Orange
DataEvaluateModelVisualize
↔ اسحب المخطط أفقياً لرؤيته كاملاً.
الاتصالات نصاً (8)
- File → Data Table (Data)
- File → Test and Score (Data)
- Logistic Regression → Test and Score (Learner)
- Tree → Test and Score (Learner)
- Random Forest → Test and Score (Learner)
- Test and Score → Confusion Matrix (Evaluation Results)
- Test and Score → ROC Analysis (Evaluation Results)
- File → Scatter Plot (Data)
KNIME
مصدر (Source)معالجة (Manipulator)متعلّم (Learner)متنبّئ (Predictor)عرض (Visualizer)أداة/تقييم (Other)منفذ بياناتمنفذ نموذج
↔ اسحب المخطط أفقياً لرؤيته كاملاً.
الاتصالات نصاً (7)
- CSV Reader → One to Many
- One to Many → Partitioning
- Partitioning → Logistic Regression Learner
- Logistic Regression Learner → Logistic Regression Predictor
- Logistic Regression Predictor → Scorer
- Partitioning → Logistic Regression Predictor
- Logistic Regression Predictor → ROC Curve
ملفات المشروع
- مجموعة البيانات CSVCSV28.7 كيلوبايت
- ملف WEKA بصيغة ARFFWEKA ARFF34.9 كيلوبايت
- سير عمل Orange (.ows)Orange7.3 كيلوبايت
- البيانات بصيغة Orange (.tab) لسير العملOrange TAB28.7 كيلوبايت
- النتائج المرجعية المحسوبة (CSV)نتائج203.0 بايت
- سير عمل KNIME (.knwf): نُفّذ بنجاح في محرك KNIME 5.12 (لم يُفتح في الواجهة)KNIME64.0 كيلوبايت
- دليل التنفيذ خطوة بخطوة (PDF)PDF632.1 كيلوبايت
- حزمة المشروع كاملة (ZIP)ZIP649.8 كيلوبايت
ملف KNIME (.knwf) بُني على KNIME 5.12 ونُفّذت كل عُقده بنجاح في محرك KNIME دون فتح الواجهة؛ افتحه من File ← Import KNIME Workflow.
النتائج
نتائج فعلية محسوبة على الملفات المرفقة
• Logistic Regression: Accuracy 74.4% (± 5.2%)، F1-macro 0.741
• Decision Tree: Accuracy 65.9% (± 4.3%)، F1-macro 0.657
• Random Forest: Accuracy 69.7% (± 5.4%)، F1-macro 0.693
ونتائج مكتبة Orange 3.41.0 (10-fold، كإعدادات Test and Score الافتراضية):
• Logistic Regression: CA 74.0%، F1 0.739، AUC 0.816
• Tree: CA 64.9%، F1 0.649، AUC 0.621
• Random Forest: CA 68.0%، F1 0.678، AUC 0.746
مقاييس التقييم
- Accuracy
- ROC AUC
- Precision وRecall للفئة yes
تفسير النتائج
الانحدار اللوجستي الأفضل هنا (نحو 74%) لأن العلاقة في البيانات المولدة قريبة من الخطية، والشجرة المنفردة الأضعف. الدقة المتوسطة متوقعة: المغادرة تتأثر بعوامل غير موجودة في الجدول.
أسئلة للمناقشة
- ما تكلفة السلبي الكاذب مقابل الإيجابي الكاذب في حملة احتفاظ؟
- لماذا تفوق النموذج الأبسط على الغابة العشوائية؟
- ما الخصائص الإضافية التي تقترح جمعها؟
