حليل وتوقع تكلفة الحملات الإعلامية في سلسلة متاجر Food Mart باستخدام تقنيات الذكاء الاصطناعي

في هذا المشروع، قمت بتحليل بيانات سلسلة متاجر Food Mart، ثالث أكبر سلسلة متاجر في الولايات المتحدة، بهدف توقع تكلفة الحملات الإعلامية وتحسين كفاءة استراتيجيات التسويق. تم استخدام بيانات ضخمة تشمل أكثر من 60,000 عميل و40 متغيرًا مختلفًا، مما ساعد في تحديد الأنماط الأساسية في أداء المبيعات والوسائل الإعلامية.

مراحل التنفيذ:

جمع البيانات ومعالجتها:

قمت بجمع البيانات وتنظيمها بطريقة منهجية قبل بدء عملية التحليل. تضمن ذلك معالجة البيانات غير الطبيعية والقيم المتطرفة باستخدام تقنيات الهندسة المميزة (Feature Engineering) لضمان جاهزيتها للتحليل.

التحليل الاستكشافي للبيانات (EDA):

استخدمت Python وPower BI لتحليل الأنماط والمشكلات الأساسية في البيانات. ساعد هذا التحليل في فهم الاتجاهات وأداء الوسائل الإعلامية المختلفة وتأثيرها على المبيعات.

تطبيق نماذج التعلم الآلي:

تم استخدام مجموعة من النماذج، بما في ذلك Decision Tree Regression، Random Forest Regression، وLight GBM Regression، لتوقع تكلفة الحملات الإعلامية. أظهر نموذج Random Forest أفضل أداء من حيث دقة التنبؤ.

استخلاص النتائج والتوصيات:

بناءً على التحليل، تبين أن التلفاز هو الوسيلة الإعلامية الأكثر تأثيرًا على صافي المبيعات.

أوصيت باستخدام وسائل إعلامية فعّالة مثل التلفاز والصحف اليومية، وتجنب الوسائل عالية التكلفة مثل النشرات الإعلانية اليدوية.

أبرزت العروض الترويجية الناجحة مثل التخفيضات الكبيرة واليانصيب في نقاط البيع كأهم العوامل المساهمة في زيادة المبيعات.

الأدوات والتقنيات المستخدمة:

البرمجة: Python

التعلم الآلي: Decision Tree, Random Forest, Light GBM

تحليل البيانات: Power BI, Excel

المعالجة المسبقة للبيانات: Feature Engineering للتعامل مع القيم المتطرفة وتوزيع البيانات غير الطبيعي.

النتائج:

تم تحسين دقة التوقعات الإعلامية بنحو 20%.

ساهمت التوصيات في تقليل تكاليف التسويق بنسبة تصل إلى 15%.

ملفات العمل:

يمكن الاطلاع على الأكواد المصدرية الخاصة بالنماذج المستخدمة من خلال Python Jupyter Notebook.