New York 311 Service Requests Analysis

قمت بتحليل بيانات طلبات الخدمات المقدمة من سكان مدينة نيويورك بهدف اكتشاف الأنماط والاتجاهات المتعلقة بالشكاوى والطلبات، وفهم أكثر أنواع الخدمات والمشكلات انتشارًا.

تم استخدام بيانات **NYC 311 Service Requests** وإجراء عمليات **Data Cleaning** و**Data Preprocessing** للتعامل مع البيانات وتجهيزها للتحليل.

شمل المشروع إجراء **Exploratory Data Analysis (EDA)** وتحليل عدد من المتغيرات مثل نوع الطلب، المنطقة (Borough)، التاريخ والوقت، بالإضافة إلى الموقع الجغرافي باستخدام **Latitude, Longitude, ZIP Code**.

كما تم إنشاء متغيرات جديدة من بيانات التاريخ والوقت، مثل:

* سنة وشهر الطلب

* يوم الأسبوع

* ساعة تقديم الطلب

* مدة معالجة الطلب (**Request Duration**)

* مدة الطلب بالأيام

تم استخدام **Data Visualization** لعرض الأنماط والاتجاهات ومقارنة الطلبات بين المناطق وأنواع الخدمات المختلفة.

### أهم النتائج

* **Illegal Parking** هو أكثر أنواع الشكاوى شيوعًا، بإجمالي **15,294 طلبًا**.

* استحوذت **NYPD** على ما يقارب نصف الطلبات، مما يشير إلى تركّز كبير في حجم العمل لدى عدد محدود من الجهات.

* سجلت **Brooklyn** أعلى عدد من الطلبات، بإجمالي **32,035 سجلًا**.

* كان **Street/Sidewalk** أكثر أنواع المواقع المرتبطة بالطلبات.

* أظهر تحليل **ZIP Code** وجود مناطق جغرافية بها تركّز مرتفع للطلبات.

* يتم حل معظم الطلبات بسرعة، بينما تستغرق بعض الحالات وقتًا أطول بكثير.

* حوالي **98.1%** من السجلات تحتوي على إحداثيات جغرافية صالحة.

### التوصيات

* التركيز على فئات الشكاوى ذات الطلب المرتفع مثل **Illegal Parking**.

* تحديد وتحليل **Complaint Hotspots** لتوجيه الموارد إليها.

* توزيع الموظفين والموارد وفقًا للطلب حسب **الوقت واليوم والموسم**.

* تحليل الطلبات التي تستغرق وقتًا طويلًا لتحسين سرعة الاستجابة.

* مقارنة حجم الطلبات مع عدد السكان قبل اتخاذ قرارات توزيع الموارد.

### الخلاصة

أظهر التحليل أن طلبات **NYC 311** تختلف بشكل واضح حسب **نوع الشكوى، والجهة، والموقع، والمنطقة، والوقت**. ويمكن استخدام هذه الأنماط لدعم **التخطيط الاستباقي للموارد وتحسين الخدمات المقدمة للمواطنين**.

### الأدوات والتقنيات

Python, Pandas, NumPy, Matplotlib, Seaborn, Data Cleaning, Data Preprocessing, EDA, Feature Engineering, Data Visualization.