تحليل بيانات ضخم لمتجر E-commerce: من هندسة البيانات (SQL) إلى الرؤى التحليلية (Insights)

سعيد بمشاركة مشروعي الأخير End to End Data Analysis: Brazilian E Commerce (Olist Store) اللي اشتغلت فيه على الـ Olist Dataset. المشروع مكنش مجرد Visualization، لكنه كان رحلة كاملة في الـ Data Pipeline من أول الـ Database Design لحد الـ AI Insights.

1. Data Engineering and SQL Views قبل مرحلة الـ Dashboarding، صممت Entity Relationship Diagram (ERD) لربط 9 جداول معقدة. استخدمت SQL Views عشان أعمل Data Transformation ويكون عندي Source of Truth واحد. الخطوة دي إدتني Flexibility رهيبة؛

لو حبيت أعدل في الـ Business Logic (زي معادلة الـ Delivery Performance)، بعدل في الـ SQL View والـ Power BI بيعمل Refresh بكل سهولة.

2. Analyzing Outliers and Customer Behavior من خلال الـ Deep Dive في الداتا، اكتشفت أرقام Outliers غريبة جداً:

The 200 Day Paradox: رصدت حالات لعملاء استلموا الـ Orders بعد 200 يوم ومع ذلك منحوا 5 Star Rating. بالتحليل وجدنا إن ده مرتبط بطلبات من ولايات بعيدة جداً أو فئات منتجات خاصة مثل Agro Industry & Heavy Machines، حيث يتقبل العميل فترات شحن طويلة مقابل الحصول على منتج عالي الجودة وصعب الوصول إليه.

AI Key Influencers: الـ Machine Learning Analysis وضح إن الـ Delivery Delay لأكثر من 32 يوم هو الـ Top Driver لنزول الـ Review Score بمعدل 1.93 نقطة.

Seller Performance: حللت الـ Top Sellers ولقيت بائعين مبيعاتهم عدت الـ R$ 160K رغم وجود مشاكل واضحة في الـ Lead Time.

3. Advanced Analytics and Power BI Modeling

RFM Segmentation: عملت Customer Classification باستخدام الـ RFM Model، واكتشفت إن 89.79% من الـ Customer Base في فئة Others. دي فرصة ممتازة للـ Marketing Team إنه يشتغل على Retention Strategies.

Decomposition Tree: حللت الـ Revenue اللي وصل لـ 6.52M ريال برازيلي عشان أعرف الـ Contribution بتاع كل Quarter وكل Category وصولاً لأصغر City.