ROOT Cause Analysis

#### الخطوات الرئيسية التي قمت بها:

1. **نموذج البيانات (Data Model):**

- قمتُ بتحويل البيانات من نموذج **Normalized** إلى نموذج **Denormalized**، وتصميم **Star Schema** لتحسين كفاءة الاستعلامات وسرعة تحليل البيانات.

2. **الصفحة الرئيسية (Dashboard):**

- أنشأتُ لوحة تحكم شاملة تعرض نظرة عامة على الأداء، تشمل:

- مقارنة الإيرادات والأرباح مع العام السابق.

- تحليل الكميات المطلوبة وعدد الطلبات والعملاء.

- توزيع الإيرادات حسب المنطقة والفئة وطريقة الشحن.

3. **تحليل العملاء (Customer Analysis):**

- ركزتُ على فهم سلوك العملاء وولائهم من خلال:

- تتبع التغيرات في عدد العملاء الجدد والمتكررين.

- تحليل أسباب انخفاض أو زيادة ولاء العملاء.

4. **تحليل الفئات والمنتجات (Category & Product Analysis):**

- حددتُ الفئات والمنتجات الأكثر تأثرًا بالانخفاض في الإيرادات، مثل:

- **Technology** و**Furniture** كأكبر الفئات انخفاضًا.

- منتجات مثل **Envelopes** و**Paper** كأكثر المنتجات تأثرًا.

5. **تحليل الوقت (Time Analysis):**

- درستُ التغيرات في الأداء عبر الأشهر والفصول، لتحديد الفترات الزمنية الأكثر تأثرًا والعوامل الموسمية المحتملة.

6. **تحليل المرتجعات (Returns Analysis):**

- أنشأتُ صفحة مخصصة لتحليل المنتجات المرتجعة، بهدف فهم أسباب الإرجاع وتحسين جودة المنتجات وخدمة العملاء.

#### الأدوات والتقنيات المستخدمة:

- **Power BI / Tableau**: لتصور البيانات وإنشاء لوحات التحكم التفاعلية.

- **SQL / Python**: لمعالجة البيانات وتحويلها بين النماذج المختلفة.

- **تحليل إحصائي**: لتحديد الأنماط والاتجاهات الرئيسية في البيانات.

#### الهدف من المشروع:

تقديم رؤى واضحة وقابلة للقياس لمساعدة فريق الإدارة على اتخاذ قرارات مستنيرة، مثل:

- تحسين استراتيجيات التسويق والمبيعات.

- تعزيز ولاء العملاء وزيادة الاحتفاظ بهم.

- تحديد الفترات الزمنية والفئات التي تحتاج إلى تدخل عاجل.

هذا المشروع يمثل نموذجًا متكاملًا لتحليل البيانات، حيث جمعتُ بين التحليل الكمي والنوعي لتقديم توصيات عملية وفعّالة.