End-to-End Retail Store Analytics Project

أنشأت مشروع تحليلات تجزئة متكامل من الصفر، يغطي الرحلة الكاملة من نمذجة البيانات إلى لوحات المعلومات التفاعلية.

? الخطوة 0 – نمذجة البيانات (ERD & Star Schema)

صممت مخطط العلاقات بين الكيانات (ERD) لتمثيل الهيكل التشغيلي (العملاء، المنتجات، الطلبات، المدفوعات، المرتجعات، الخصومات).

ثم حولته إلى نموذج نجمي (Star Schema) للتحليل، يحتوي على جدول مركزي FactSales (المعاملات، الإيرادات، الخصومات، المرتجعات) وجداول أبعاد (المنتجات، العملاء، الطلبات، المدفوعات، المرتجعات، الخصومات، التاريخ).

? الخطوة 1 – SQL (تصميم قاعدة البيانات واستخراج البيانات)

أنشأت مخطط قاعدة البيانات والعلاقات بين الجداول.

استخدمت دالة Faker لتوليد بيانات واقعية تجريبية.

كتبت استعلامات SQL لاستخراج رؤى تحليلية مثل:

المبيعات حسب فئة المنتج → إلكترونيات (98.7K)، طعام (87.7K)، ملابس (77.3K)، رياضة (68.9K)، كتب (54.7K).

المبيعات السنوية → 2023 (131K)، 2024 (111K)، 2025 (144K)، 2026 (1.2K).

المبيعات حسب القناة → أونلاين (199.6K)، المتجر (188.5K).

? الخطوة 2 – Python (تحليل البيانات والرؤى)

أجريت تحليلاً إحصائيًا وتصميمات مرئية لاكتشاف سلوك العملاء واتجاهات المبيعات.

? الخطوة 3 – Excel (تحليل سريع وجداول محورية)

أنشأت جداول محورية وتقارير تلخيصية للتحقق من صحة البيانات واستكشافها.

? الخطوة 4 – Power BI (لوحات معلومات تفاعلية)

صممت عدة لوحات معلومات لتغطية زوايا مختلفة:

تحليل المبيعات: مؤشرات الأداء (إجمالي المبيعات 388K، الطلبات 187، متوسط قيمة الطلب 2.08K، صافي المبيعات 331K).

تحليل العملاء: عدد العملاء حسب المنطقة، عدد الطلبات لكل عميل، توزيع طرق الدفع.

الخصومات والمرتجعات: إجمالي الخصومات (38.4K)، معدل المرتجعات (5%).

القنوات والمدفوعات: مقارنة المبيعات بين الأونلاين والمتجر، وتوزيع المدفوعات (نقدًا، PayPal، بطاقة ائتمان).

? النتيجة النهائية:

يوضح هذا المشروع كيف يمكن تحويل البيانات الخام إلى ذكاء أعمال متكامل من خلال سير عمل موحد عبر أدوات متعددة — من ERD إلى Star Schema (FactSales)، مرورًا بـ SQL وPython وExcel وPower BI — حيث أضافت كل خطوة قيمة واضحة للنتيجة النهائية.