Cafe Sales Dirty

### Cafe Sales – Data Cleaning & Exploratory Data Analysis

**نبذة عن المشروع:**

مشروع لتحليل بيانات مبيعات أحد المقاهي، حيث تحتوي البيانات الأصلية على عدد من المشكلات مثل القيم المفقودة، والبيانات غير الصحيحة أو غير المتناسقة. كان الهدف هو تنظيف البيانات وتجهيزها للتحليل، ثم إجراء تحليل استكشافي لاكتشاف الأنماط والاتجاهات المهمة في المبيعات.

### مراحل العمل

**1. استكشاف البيانات (Data Understanding)**

بدأت بفحص البيانات والتعرف على عدد الصفوف والأعمدة، أنواع البيانات، والقيم الموجودة في كل عمود، بالإضافة إلى تحديد المشكلات الموجودة في البيانات.

**2. تنظيف البيانات (Data Cleaning)**

تم التعامل مع البيانات غير النظيفة من خلال:

* اكتشاف القيم المفقودة.

* تحديد القيم غير الصحيحة.

* معالجة البيانات غير المتناسقة.

* تصحيح أنواع البيانات عند الحاجة.

* استخدام العلاقات بين الأعمدة لاستكمال بعض البيانات الناقصة عندما يكون ذلك ممكنًا.

* التحقق من البيانات بعد التنظيف للتأكد من جودتها.

**3. تحليل البيانات (EDA)**

بعد تجهيز البيانات، تم تحليل بيانات المبيعات للإجابة عن مجموعة من الأسئلة، مثل:

* ما المنتجات الأكثر مبيعًا؟

* ما إجمالي المبيعات لكل منتج؟

* ما متوسط كمية المنتجات في عملية البيع؟

* ما المنتجات التي تحقق أعلى إجمالي إنفاق؟

* كيف تختلف المبيعات حسب طريقة الدفع؟

* هل توجد أنماط أو علاقات واضحة بين السعر والكمية وإجمالي الإنفاق؟

**4. التصور البصري للبيانات (Data Visualization)**

تم إنشاء مجموعة من الرسوم البيانية باستخدام Matplotlib وSeaborn لتسهيل فهم النتائج وإظهار الأنماط والاختلافات في بيانات المبيعات.

### الأدوات والتقنيات

* Python

* Pandas

* NumPy

* Matplotlib

* Seaborn

* Google Collab

### مخرجات المشروع

تم تحويل البيانات الخام وغير النظيفة إلى Dataset أكثر تنظيمًا وقابلية للتحليل، مع إجراء تحليل استكشافي واستخراج مجموعة من الـInsights المتعلقة بالمنتجات والكميات والأسعار والمبيعات.

**الهدف النهائي:** إظهار كيفية الانتقال من بيانات خام وغير منظمة إلى بيانات نظيفة وتحليل واضح يمكن الاعتماد عليه في فهم أداء المبيعات واتخاذ قرارات مبنية على البيانات.