E-Commerce-Hyper-Personalizatio

منصة ذكاء اصطناعي لتحليل وتصنيف العملاء (Enterprise Customer Intelligence Platform)

نظام Machine Learning متكامل من النوع الإنتاجي (Production-Ready)، بيقسّم قاعدة بيانات عملاء التجارة الإلكترونية باستخدام تحليل RFM غير الموجّه (K-Means Clustering)، وبيبني نموذج تصنيف مُوجّه (Random Forest) بدقة توقّع وصلت لـ 99%، وكل ده متضمّن في لوحة تحكم تفاعلية (Streamlit Dashboard) بتصميم داكن احترافي.

فكرة المشروع (Business Case)

التسويق الجماعي العشوائي بيسبب هدر كبير في ميزانية الإعلانات وفقدان العملاء. المنصة دي بتحل المشكلة دي عن طريق تحليل سلوك الشراء لكل عميل تلقائيًا، وتقسيمهم لفئات سلوكية واضحة، وتقديم توصيات تسويقية فورية تساعد على تحسين معدل الاحتفاظ بالعملاء وزيادة العائد على الاستثمار (ROI).

الفئات اللي تم اكتشافها تلقائيًا:

🏆 Champions (نجوم الشراء): عملاء بينفقوا بكثرة وبيشتروا باستمرار وبنشاط عالي.

📈 Potential Loyalists (فئة النمو الأساسية): عملاء اشتروا مؤخرًا بمعدل تكرار متوسط، وهما الفئة المثالية لعروض الـ Upselling والـ Cross-selling.

💤 Sleepers (عملاء معرّضون للفقد): عملاء توقفوا عن الشراء لفترة طويلة، ومحتاجين حملات استرجاع فورية.

أهم مميزات المنصة:

🔹 Pipeline إنتاجي متكامل

معالجة القيم المفقودة، إزالة القيم الشاذة، وهندسة مقاييس RFM (Recency – Frequency – Monetary) بشكل ديناميكي.

🔹 نموذج تصنيف بدقة 99%

تدريب Random Forest Classifier على مخرجات الـ Clustering، مع تحليل أهمية الخصائص (Feature Importance) اللي أثبت إن عامل "الحداثة" (Recency) هو المؤثر الأكبر بنسبة 46.3%.

🔹 واجهة مستخدم احترافية بتصميم داكن

واجهة Streamlit تنفيذية بتصميم CSS مخصص، مع توقّع فوري بدون الحاجة لأزرار إرسال يدوية.

🔹 تصور تفاعلي ثلاثي الأبعاد

رسم بياني تفاعلي (Plotly 3D Scatter) بيتابع موقع كل عميل جديد بالنسبة لباقي قاعدة العملاء بشكل لحظي.

🔹 معالجة دفعات ضخمة من البيانات

إمكانية رفع ملفات CSV كبيرة تحتوي آلاف العملاء، تشغيل التحليل عليها دفعة واحدة، وتحميل تقرير تسويقي مصنّف جاهز.

التقنيات المستخدمة: Python, Scikit-learn, K-Means Clustering, Random Forest, Pandas, Plotly, Streamlit