Bike Store Sales Analysis

هذا المشروع يركز على تحليل بيانات المبيعات لاكتشاف الأنماط والاتجاهات الرئيسية التي تدعم القرارات الاستراتيجية للشركات. تم تنفيذ التحليل باستخدام Python وJupyter Notebook مع مكتبات مثل Pandas، NumPy، Matplotlib، Seaborn لتطبيق عمليات Data Cleaning، Exploratory Data Analysis (EDA)، Visualization، واستخلاص مؤشرات أداء واضحة.

مميزات العمل:

- Revenue Analysis: تحليل اتجاهات الإيرادات على مدار السنوات لتوضيح النمو، الذروة، والفترات المتقلبة.

- Product Analysis: دراسة أداء الفئات (Accessories, Bikes, Clothing) وتحديد المنتجات الأكثر ربحية.

- Seasonality Trends: تحديد تأثير المواسم والعطلات على المبيعات الشهرية.

- Customer Demographics: تحليل الفئات العمرية لتحديد الشرائح الأكثر مساهمة في الإيرادات.

- Market Distribution: مقارنة أداء الأسواق (US، Australia، UK، Germany، France، Canada).

- Correlation Analysis: استكشاف العلاقات بين التكلفة، السعر، الإيرادات، والربحية.

️ طريقة التنفيذ:

- Data Cleaning: معالجة البيانات المفقودة وضمان جودتها.

- EDA & Visualization: استخدام مخططات ورسوم بيانية لفهم الأنماط والعلاقات.

- Business Insights Extraction: صياغة استنتاجات عملية حول الإيرادات، المنتجات، العملاء، والأسواق.

- Documentation: عرض النتائج داخل Jupyter Notebook مع رسوم توضيحية وشروحات.

النتيجة:

العمل يقدّم Insights عملية مثل:

- استقرار الإيرادات يحتاج لاستراتيجيات موازنة.

- الفئات العمرية (35–64) هي الشريحة الذهبية للعملاء.

- المنتجات الفاخرة (Premium Bikes) تحقق أعلى هامش ربح رغم انخفاض حجم الطلب.

- الأسواق الأمريكية تهيمن على المبيعات مع فرص نمو دولية.