تحليل بيانات رحلات الطيران وبناء نموذج تنبؤ بالأسعار | Python & Power BI

في هذا المشروع قمت بتحليل بيانات رحلات طيران لعدة مدن تشمل 6 شركات طيران مختلفة.

البيانات تم الحصول عليها من Kaggle

وتحتوي على ما يقارب 300,000 صف من البيانات، مما يجعلها Dataset كبيرة تتطلب معالجة دقيقة وتحليل احترافي.

هدف المشروع كان:

• تنظيف وتجهيز البيانات

• تنفيذ تحليل استكشافي شامل (EDA)

• تصميم Dashboard تفاعلية

• بناء نموذج Machine Learning للتنبؤ بأسعار الرحلات

مرحلة تنظيف البيانات و Preprocessing:

تم تنفيذ مرحلة تنظيف احترافية باستخدام Python وتشمل:

• حذف البيانات المكررة

• معالجة القيم المفقودة

• توحيد تنسيقات التواريخ والأوقات

• التعامل مع المتغيرات الفئوية (Categorical Encoding)

• التحقق من سلامة البيانات

نظرًا لحجم البيانات الكبير (300 ألف صف)، كان التركيز على ضمان كفاءة المعالجة وصحة النتائج.

التحليل الاستكشافي للبيانات (EDA):

تم تنفيذ تحليل شامل باستخدام Python لاستخراج أنماط مهمة مثل:

متوسط الأسعار بين الشركات المختلفة

أكثر المدن نشاطًا في الرحلات

العلاقة بين مدة الرحلة والسعر

التحليل ساعد على فهم العوامل المؤثرة في تسعير الرحلات.

لوحة تحكم تفاعلية – Power BI Dashboard:

تم تصميم Dashboard رئيسية تفاعلية باستخدام Power BI تشمل:

• تحليل كامل للرحلات والأسعار

• فلاتر وسلايزر لتحديد المدينة أو شركة الطيران

• أزرار تنقل (Buttons) لتجربة استخدام سهلة

• مؤشرات رئيسية (KPIs)

• رسوم بيانية احترافية لعرض الأنماط

اللوحة مصممة لتكون سهلة الفهم لأي مستخدم غير تقني مع إمكانية استخراج البيانات بسرعة.

نموذج Machine Learning للتنبؤ بالسعر:

تم بناء نموذج تعلم آلي للتنبؤ بسعر الرحلة بناءً على عدة متغيرات مثل:

شركة الطيران

مدينة المغادرة والوصول

مدة الرحلة

وقت الحجز

تم تنفيذ:

تقسيم البيانات إلى Training و Testing

تدريب النموذج

تقييم الأداء وتحليل النتائج

حقق النموذج دقة وصلت إلى 98% على بيانات الاختبار، مما يعكس قوة مرحلة التنظيف والمعالجة وجودة اختيار الخصائص (Features).

الأدوات والتقنيات المستخدمة:

Python

Pandas & NumPy

Matplotlib / Seaborn

Scikit-Learn

Power BI

Feature Engineering