مشروع تحليل المعاملات المالية واكتشاف الاحتيال باستخدام PowerBI

مشروع تحليل المعاملات المالية واكتشاف الاحتيال (Fraud Analysis)

مشروع متكامل لتحليل بيانات المعاملات المالية واكتشاف أنماط الاحتيال باستخدام SQL وPython وPower BI. تم تنفيذ المشروع على Dataset بحجم يقارب 3 جيجابايت لمحاكاة بيئة عمل حقيقية في القطاع المالي.

1️⃣ نظرة عامة على المشروع

يهدف المشروع إلى:

1. تنظيف وتنظيم البيانات الخام

2. تحليل سلوك المعاملات المالية

3. قياس معدلات الاحتيال

4. اكتشاف أنماط المخاطر

5. بناء Dashboard تفاعلي لعرض النتائج

يمثل المشروع دورة تحليل بيانات كاملة تبدأ من البيانات الخام وتنتهي بعرض النتائج التحليلية في Dashboard تفاعلي.

2️⃣ الأدوات والتقنيات المستخدمة

1. SQL Server Management Studio (SSMS)

2. SQL (Joins – Aggregations – Data Cleaning Queries)

3. Python (Pandas – Matplotlib – Seaborn)

4. pyodbc و SQLAlchemy للربط مع قاعدة البيانات

5. Power BI لبناء Dashboard تفاعلي

3️⃣ مرحلة تجهيز وتنظيف البيانات باستخدام SQL

تضمنت هذه المرحلة:

1. إنشاء قاعدة بيانات مترابطة

2. استيراد وربط عدة ملفات CSV

3. حذف التكرارات والسجلات غير الصحيحة

4. معالجة القيم المفقودة

5. توحيد الأكواد والفئات

6. تحويل الأعمدة إلى أنواع بيانات مناسبة مثل Numeric وDateTime

7. دمج جداول المستخدمين والمعاملات والتجار

8. استبعاد القيم الشاذة (Outliers)

4️⃣ مرحلة التحليل باستخدام Python

تضمنت مرحلة التحليل ما يلي:

1. ربط Python بقاعدة البيانات

2. تنفيذ تنظيف إضافي وضبط أنواع البيانات

3. تحليل عدد المعاملات حسب الولاية والمنطقة

4. مقارنة المعاملات الأونلاين والمعاملات داخل المتاجر

5. تحليل معدل الاحتيال حسب نوع البطاقة

6. تحليل معدل الاحتيال حسب تقنية الدفع (Chip / Swipe / Online)

7. تحليل الاتجاهات الزمنية للمعاملات (ساعي – يومي – شهري)

8. تحديد أعلى المستخدمين والتجار من حيث الإنفاق

5️⃣ بناء Dashboard تفاعلي باستخدام Power BI

تم تصميم Dashboard يعرض المؤشرات التالية:

1. إجمالي عدد المعاملات

2. معدل الاحتيال العام

3. مقارنة العمليات السليمة مقابل العمليات الاحتيالية

4. معدل الاحتيال حسب نوع البطاقة

5. توزيع المعاملات حسب المنطقة

6. تحليل ديموغرافي (العمر – الجنس – الدخل)

7. الاتجاهات الزمنية للمعاملات

6️⃣ أهم النتائج

1. المعاملات الأونلاين سجلت معدل احتيال أعلى مقارنة بالمعاملات داخل المتاجر

2. بطاقات Chip كانت أقل عرضة للاحتيال

3. نسبة صغيرة من المستخدمين كانت مسؤولة عن نسبة كبيرة من خسائر الاحتيال

4. أوقات المساء ونهاية الأسبوع شهدت نشاطًا أعلى في المعاملات

7️⃣ ما يوضحه المشروع

يوضح المشروع القدرة على:

1. التعامل مع بيانات كبيرة الحجم

2. بناء Pipeline تحليلي متكامل

3. استخدام SQL في تجهيز وهندسة البيانات

4. تحليل أنماط الاحتيال واستخراج مؤشرات المخاطر

5. تصميم Dashboard احترافي لدعم اتخاذ القرار في القطاع المالي