توقع مبيعات المتاجر باستخدام تحليل السلاسل الزمنية وتقنيات تعلم الآلة

في هذا المشروع قمتُ بتطوير نموذج لتوقع المبيعات الأسبوعية لمتاجر Walmart بالاعتماد على بيانات تاريخية متنوعة.

العمل شمل مراحل متكاملة من جمع البيانات وتنظيفها، مرورًا بالتحليل الإحصائي، وصولًا إلى بناء نماذج تعلم آلة متقدمة لتحسين دقة التوقعات.

المهام الرئيسية التي أنجزتها:

- دمج عدة مجموعات بيانات (train, test, features, stores) وتحضيرها للتحليل.

- معالجة القيم المفقودة وفهم دلالتها بدلًا من استبدالها عشوائيًا.

- إنشاء ميزات زمنية جديدة (الشهر، الأسبوع، اليوم، الإجازات الرسمية) لتعزيز النموذج.

- بناء نموذج انحدار خطي كخط أساس لتقييم الأداء.

- استخدام متوسطات متحركة وتحليل مكون موسمي لفهم الأنماط الخفية في البيانات.

- تطبيق نموذج XGBoost مع تقسيم زمني مخصص، مما حسّن النتائج بشكل كبير مقارنة بالنماذج البسيطة.

- استخدام أدوات تصور بياني (Matplotlib, Seaborn) للكشف عن اتجاهات وموسمية المبيعات خاصة في فترات العطلات.

الأدوات المستخدمة:

Python, Pandas, NumPy, Scikit-learn, XGBoost, Statsmodels, Matplotlib, Seaborn

هذا المشروع يعكس خبرتي في:

️ تنظيف البيانات وتجهيزها للتحليل

️ التحليل الإحصائي وفهم الأنماط الموسمية

️ بناء نماذج تعلم آلة للتنبؤ وتحسين القرارات