Customer Behavior Analysis and RFM Feature Engineering

يهدف هذا المشروع إلى تحليل بيانات مبيعات متجر إلكتروني (E-commerce) لفهم سلوك العملاء بشكل أعمق، وتقسيمهم إلى شرائح ذكية (Customer Segmentation) بناءً على تفاعلهم وقيمتهم الشرائية. يساعد هذا التحليل أصحاب الأعمال على توجيه الحملات التسويقية بدقة، وزيادة ولاء العملاء، ورفع العوائد المالية.

خطوات العمل والتنفيذ (Pipeline):

استكشاف البيانات (Exploratory Data Analysis): دراسة هيكل البيانات الأولي وفهم توزيعها للوقوف على التحديات الموجودة بها.

تنظيف ومعالجة البيانات (Data Cleaning): - التعامل مع القيم المفقودة (Missing Values).

إزالة البيانات المكررة لضمان الموثوقية.

تصفية البيانات من الفواتير الملغاة أو غير المكتملة لضمان دقة التحليل.

هندسة الميزات (Feature Engineering - RFM Analysis): تم تحويل البيانات الخام إلى مؤشرات أداء قوية لكل عميل، شملت:

(Recency): الأيام المنقضية منذ آخر عملية شراء (DaysSinceLastOrder).

(Frequency): إجمالي عدد عمليات الشراء (Num_of_Purchases).

(Monetary): إجمالي الإيرادات المتحققة من العميل (TotalRevenue).

بناء نماذج تعلم الآلة (Machine Learning & Clustering): - تطبيق خوارزمية K-Means Clustering لتقسيم العملاء إلى مجموعات متشابهة (Clusters).

تحديد ومعالجة القيم المتطرفة (Outliers) لفصل العملاء ذوي السلوك الشرائي الاستثنائي.

تصور البيانات (Data Visualization): تصميم رسوم بيانية متقدمة (مثل 3D Scatter Plots) لتوضيح الفروق بين شرائح العملاء بشكل مرئي يسهل على متخذي القرار فهمه.

الأدوات والتقنيات المستخدمة:

لغة البرمجة: Python

معالجة وتحليل البيانات: Pandas, NumPy

تصور البيانات: Matplotlib, Seaborn

تعلم الآلة: Scikit-Learn (K-Means)