تحليل تفضيلات وسلوك المستهلك (FoodMart Analysis) – نظام ذكي لتقسيم العملاء والتنبؤ بالمشتريات

في هذا المشروع، قمت بتحليل شامل لبيانات "FoodMart" لاكتشاف الأنماط الخفية في سلوك المتسوقين. الهدف هو تحويل البيانات التاريخية إلى رؤى قابلة للتنفيذ تساعد في تحسين إدارة المخزون وتقديم توصيات منتجات مخصصة (Personalized Recommendations) لزيادة ولاء العملاء.

أبرز المهام التقنية المنفذة:

تقسيم العملاء (Customer Segmentation): استخدام خوارزميات التجميع مثل K-Means Clustering لتصنيف العملاء إلى مجموعات بناءً على (معدل الشراء، متوسط الإنفاق، ونوع المنتجات المفضلة).

تحليل سلة المشتريات (Market Basket Analysis): اكتشاف العلاقات بين المنتجات (مثلاً: العملاء الذين يشترون "أ" غالباً ما يشترون "ب") لترتيب الرفوف أو العروض بشكل أذكى.

النمذجة التنبؤية (Predictive Modeling): بناء نموذج للتنبؤ باحتمالية استجابة العميل للعروض الترويجية القادمة بناءً على تاريخه الشرائي.

النتائج المحققة (Business Impact):

تحديد الفئات الأكثر ربحية (VVIP Customers) لتركيز جهود التسويق عليهم.

توفير توصيات دقيقة لتحسين توزيع المنتجات داخل المتجر (Inventory Optimization).

تقديم رؤية واضحة حول تأثير الخصومات على سلوك المستهلك.

الأدوات والمكتبات المستخدمة:

Python: لمعالجة البيانات الضخمة.

Scikit-learn: لتطبيق خوارزميات التعلم الآلي (Clustering & Prediction).

Pandas & Matplotlib: لتحليل وتصور توزيع المبيعات.