تنظيف وتجهيز البيانات واستكشافها باستخدام Python (Pandas & Matplotlib)

في هذا المشروع، قمت بإجراء عملية معالجة وتنظيف شاملة لمجموعة بيانات مبيعات متجر (Superstore)، متبوعة بتحليل استكشافي عميق (EDA) والتمثيل البياني لاستخراج الرؤى الاستراتيجية التي تساعد الإدارة في اتخاذ قرارات تُحسّن من الأرباح وتقامم الخسائر.

أبرز خطوات ومراحل العمل:

* تنظيف وتجهيز البيانات (Data Cleaning & Wrangling):

* معالجة القيم المفقودة والتكرارات والبيانات الشاذة (Outliers).

* ضبط وتصحيح أنواع البيانات (Data Types) لتلائم التحليل البرمجي.

* هندسة خصائص جديدة (Feature Engineering) مثل حساب هامش الربح (Profit Margin) وأيام الشحن (Shipping Days) لتأطير التحليل بفعالية.

* التحليل الاستكشافي والتمثيل البياني (EDA & Data Visualization):

* مصفوفة الارتباط (Correlation Heatmap): دراسة العلاقات بين المبيعات، الأرباح، نسبة الخصم، وهامش الربح لتحديد العوامل المؤثرة على الأداء.

* تحليل اتجاهات المبيعات عبر الزمن (Monthly Sales Trend): تتبع سلوك المبيعات الشهري من عام 2016 حتى 2020 لمعرفة التغيرات الموسمية وفترات الذروة.

* تصنيف المنتجات الأكثر ربحية (Top 10 Profitable Sub-Categories): تحديد أداء الفئات الفرعية للمنتجات وإبراز الأكثر تحقيقاً للأرباح (مثل Copiers و Phones و Accessories).

* دراسة أثر الخصومات على الأرباح (Discount vs. Profit & Profit Margin): تحليل دقيق كشف عن النقطة التي تتحول فيها الخصومات الكبيرة إلى خسائر مباشرة، مما يساعد في وضع سياسات تسعير أفضل.

* تأثير كمية الطلبات على إجمالي المبيعات (Quantity Impact on Sales).

الأدوات والتقنيات المستخدمة:

* اللغة: Python

* المكتبات: Pandas, NumPy, Seaborn, Matplotlib

* بيئة العمل: JupyterLab / Jupyter Notebook

المخرجات المسلّمة:

* Clean Dataset: ملف البيانات النهائي المُنظّف والمعدل الجاهز للاستخدام المباشر.

* Jupyter Notebook: كود برمجي موثق ومنظم خطوة بخطوة وسهل القراءة.

* Visual Insights: تقرير بصري بمخططات بيانية توضح أهم التوصيات والمؤشرات الاستراتيجية.