تحليل قوائم Airbnb NYC

نظرة عامة

يحلل هذا المشروع بيانات قوائم Airbnb لمدينة نيويورك للكشف عن الاتجاهات في التسعير وأنواع الغرف ومراجعات العملاء. كان الهدف هو تنظيف البيانات واستكشافها وتصورها لتوفير رؤى قابلة للتنفيذ للمضيفين والمسافرين وأصحاب المصلحة في سوق الإيجار قصير الأجل.

مصادر البيانات

- airbnb_price.csv: يحتوي على معرفات القوائم وأسعار الليلة.

- airbnb_room_type.xlsx: يتضمن أنواع الغرف (على سبيل المثال، غرفة خاصة، منزل كامل) لكل قائمة.

- airbnb_last_review.tsv: يوفر تاريخ آخر مراجعة لكل قائمة.

الخطوات الرئيسية:

1. تنظيف البيانات

- إزالة الأحرف غير الرقمية من عمود "السعر" وتحويلها إلى تنسيق رقمي.

- تصفية القوائم المجانية (السعر = 0 دولار) للتركيز على أماكن الإقامة المدفوعة.

2. تحليل البيانات الاستكشافية (EDA):

- حساب متوسط السعر الليلي لقوائم Airbnb في مدينة نيويورك، والذي بلغ 141.82 دولارًا.

- تحليل توزيع الأسعار باستخدام رسم بياني عمودي على مقياس لوغاريتمي، وكشف عن توزيع منحرف لليمين مع تسعير معظم القوائم بين 50 دولارًا و300 دولار.

3. التصور:

- رسم بياني عمودي: تصور توزيع أسعار القوائم على مقياس لوغاريتمي لفهم نطاق وتركيز الأسعار بشكل أفضل.

- رسم بياني مربع: مقارنة توزيعات الأسعار عبر أنواع الغرف المختلفة (على سبيل المثال، غرفة خاصة، منزل كامل) لتحديد الاتجاهات في استراتيجيات التسعير.

- مخطط التشتت: استكشف العلاقة بين أسعار القوائم وتاريخ آخر مراجعة لتقييم ما إذا كانت المراجعات الأحدث ترتبط بأسعار أعلى.

4. الرؤى:

- أغلب قوائم Airbnb في مدينة نيويورك يقل سعرها عن 300 دولار في الليلة، مع وجود عدد قليل من القوائم الراقية التي تحرف المتوسط.

- تميل المنازل/الشقق بالكامل إلى الحصول على أسعار أعلى مقارنة بالغرف الخاصة أو المشتركة.

- لا تظهر القوائم التي تحتوي على مراجعات أحدث ارتباطًا كبيرًا بالأسعار الأعلى، مما يشير إلى أن حداثة المراجعة قد لا تؤثر بشكل كبير على التسعير.

الأدوات والتقنيات

- مكتبات Python: Pandas وNumPy وMatplotlib وSeaborn.

- تنظيف البيانات: معالجة السلاسل وإزالة القيم الشاذة وتحويل نوع البيانات.

- التصور: الرسوم البيانية والمخططات الصندوقية ومخططات التشتت بأسلوب احترافي.

التأثير

يوفر هذا التحليل رؤى قيمة لـ:

- المضيفين: فهم استراتيجيات التسعير التنافسية وتأثير نوع الغرفة على التسعير.

- المسافرون: تحديد القوائم ذات الأسعار المعقولة والعالية الجودة بناءً على نوع الغرفة واتجاهات المراجعة.

- أصحاب المصلحة: اتخاذ قرارات تعتمد على البيانات لتحسين عمليات Airbnb في مدينة نيويورك

لماذا هذا المشروع؟

يوضح هذا المشروع قدرتي على:

- تنظيف مجموعات البيانات الفوضوية ومعالجتها مسبقًا.

- إجراء تحليل استكشافي للبيانات للكشف عن الاتجاهات.

- إنشاء تصورات احترافية وعميقة.