تحليل بيانات تايتنك

1️⃣ استيراد البيانات وفهمها:

بدأت باستيراد مجموعة البيانات إلى Power BI والتعرف على هيكل البيانات. قدم كل عمود رؤى فريدة حول التركيبة السكانية للركاب ومعدلات البقاء على قيد الحياة.

2️⃣ تنظيف البيانات:

كان أحد التحديات الكبيرة التعامل مع عدد كبير من القيم الفارغة في عمود "العمر". لمعالجة هذا، قمت بتنفيذ سلسلة من الخطوات:

استخراج الألقاب: فصلت الألقاب من عمود "الاسم" لفهم البيانات بشكل أفضل.

التجميع حسب اللقب: حسبت متوسط العمر لكل لقب، مما ساعد في تقدير القيم المفقودة.

دمج البيانات: دمجت البيانات بناءً على الألقاب لإثراء مجموعة البيانات.

استبدال القيم الفارغة: أخيرًا، استبدلت القيم الفارغة في عمود "العمر" بمتوسطات الأعمار المقابلة.

3️⃣ تحميل البيانات والتحليل:

بعد تنظيف البيانات، قمت بتحميلها مرة أخرى إلى Power BI وبدأت في استكشاف أسئلة متنوعة لاستخلاص رؤى ذات مغزى.

4️⃣ إنشاء لوحة المعلومات:

صممت لوحة معلومات منظمة وبسيطة ودقيقة تسهل اتخاذ قرارات مستنيرة. كان التركيز على الوضوح وسهولة الاستخدام لضمان قدرة أصحاب المصلحة على تفسير النتائج بسهولة.

5️⃣ توليد الرؤى:

النوع:

كانت النساء لديهن معدل بقاء على قيد الحياة أعلى بكثير من الرجال.

درجة الركاب:

️ كان ركاب الدرجة الأولى لديهم أعلى معدل بقاء على قيد الحياة، يليهم ركاب الدرجة الثانية، ثم ركاب الدرجة الثالثة.

العمر:

كان الأطفال لديهم معدل بقاء على قيد الحياة أعلى من البالغين، ربما بسبب إعطاء الأولوية لإنقاذ الأطفال.

التأثير المدمج: كان للجمع بين النوع والدرجة تأثير قوي بشكل خاص. كان لدى نساء الدرجة الأولى أعلى معدل بقاء على قيد الحياة، بينما كان لدى رجال الدرجة الثالثة أدنى معدل.

ميناء الركوب:

كان لميناء الركوب تأثير ملحوظ على معدلات البقاء على قيد الحياة. كان لدى الركاب الذين ركبوا في شيربورغ أعلى معدل بقاء على قيد الحياة.

الأجرة:

كان لدى الركاب الذين دفعوا أجرة أعلى (عادةً أولئك في الدرجات الأعلى) فرصة أفضل للبقاء على قيد الحياة.

حجم العائلة:

على الرغم من أن العلاقة معقدة، هناك بعض الأدلة على أن الركاب الذين لديهم عائلات أصغر لديهم فرصة أعلى قليلاً للبقاء على قيد الحياة.ت