Online Retail II — Customer Analytics & Revenue Intelligence

لخص المشروع: تحليل العملاء والإيرادات (Online Retail II)

الفكرة: مشروع تحليلات كامل من البيانات الخام للمعاملات لحد تقسيم العملاء وتوقعات الـ ML، على بيانات UCI Online Retail II، هدفه فهم سلوك العملاء وتحديد أهم شريحة تجيب الإيرادات.

اللي اتعمل:

مراجعة جودة البيانات: فحص القيم المفقودة والتكرارات والفواتير الملغية والأكواد اللي مش منتجات والأسعار الصفرية.

التنضيف (7 خطوات): حذف التكرارات والأكواد غير المنتجية (POST، ADJUST...)، وفصل المرتجعات في جدول مستقل للتحليل، وتوحيد أوصاف المنتجات، ومعالجة القيم المتطرفة بـ IQR Winsorisation بدون حذف أي صفوف.

Feature Engineering: إجمالي السعر والشهر واليوم والساعة والربع ومؤشر عطلة نهاية الأسبوع، وتجميع بيانات كل عميل (الإيراد، عدد الطلبات، Recency، تنوع المنتجات، مدة التعامل).

EDA: الاتجاهات الشهرية، أعلى المنتجات، الإيراد حسب الدولة، وأنماط الوقت.

تحليل المرتجعات: قيمة المرتجعات الشهرية وأكتر المنتجات إرجاعًا، ومقارنة الإيراد الصافي بالإجمالي.

RFM Segmentation: تقييم العملاء بالـ Quintiles وتقسيمهم لـ 8 شرائح (Champions، Loyal، At Risk، Lost...).

KMeans: اختيار k=4 بطريقة Elbow، والشرائح: VIP، Loyal، Occasional، Churned.

Market Basket Analysis: قواعد الارتباط (Support، Confidence، Lift) على أعلى 30 منتج في UK.

نماذج ML:

Linear Regression لتوقع إيراد العميل (log1p).

Logistic Regression لتصنيف العملاء عاليي القيمة (أعلى 25% إيرادًا) بمقاييس Accuracy وPrecision وRecall وF1 وROC-AUC.

المخرجات: حوالي 14 مجموعة رسوم بيانية، منها الاتجاهات الشهرية، الإيراد الجغرافي، شرائح RFM، Elbow، قواعد السلة، ROC وConfusion Matrix.

الأدوات: Python • Pandas • Scikit-learn • mlxtend • Matplotlib/Seaborn