superstore2019

### تحليل بيانات المبيعات والربحية وسلوك العملاء باستخدام Python

قمت بتطوير مشروع متكامل لتحليل بيانات مبيعات لشركة Retail بهدف تحويل البيانات الخام إلى **Business Insights قابلة للتنفيذ** تساعد في فهم أداء المبيعات، الربحية، العملاء، والعمليات التشغيلية.

تم تنفيذ المشروع باستخدام **Python, Pandas, NumPy, Matplotlib, Seaborn**، مع تقسيم الـWorkflow إلى ثلاث مراحل رئيسية لضمان تنظيم وقابلية إعادة الاستخدام:

**1. Data Cleaning**

- فحص هيكل البيانات والـData Types.

- معالجة القيم المفقودة والقيم غير المتسقة.

- تنظيف النصوص والتواريخ وPostal Codes.

- اكتشاف وتحليل الـDuplicates والـOutliers.

- بناء Reusable Cleaning Functions مع Exception Handling.

- تصدير البيانات النظيفة بصيغة Parquet.

**2. Feature Engineering & Customer Analysis**

- إنشاء Features جديدة مثل:

- Shipping Duration

- Order Month & Weekday

- Weekend Flag

- Discount Range

- Profit Margin

- Sales Performance Category

- تنفيذ تحليل **RFM (Recency, Frequency, Monetary)** لتقسيم العملاء إلى شرائح حسب سلوكهم وقيمتهم.

- تحليل المنتجات التي تحقق مبيعات مرتفعة ولكن بهامش ربح منخفض.

- إنشاء Automated Analytical Summaries وKPI Tables.

**3. Exploratory Data Analysis & Visualization**

تم تنفيذ تحليل متقدم للإجابة عن أسئلة Business رئيسية مثل:

- ما الفئات والمنتجات الأكثر تحقيقًا للمبيعات والربح؟

- ما المناطق والولايات الأعلى والأقل ربحية؟

- كيف تؤثر الخصومات على الربح؟

- أي شرائح العملاء تحقق أعلى قيمة؟

- كيف تؤثر طرق الشحن على الأداء ووقت التوصيل؟

- ما المنتجات التي تحقق Sales مرتفعة ولكن Profit منخفض أو سلبي؟

كما تم إنشاء مجموعة من الـProfessional Visualizations باستخدام Line Charts, Bar Charts, Heatmaps, Scatter Plots وRFM Segmentation Charts لعرض النتائج بشكل واضح وسهل الفهم.

**التقنيات المستخدمة:**

Python | Pandas | NumPy | Matplotlib | Seaborn | Jupyter Notebook | Parquet

تم تصميم المشروع كـEnd-to-End Data Analysis Pipeline مع Data Handoff بين المراحل، مما يجعله منظمًا وقابلًا للتطوير وإعادة الاستخدام في مشاريع تحليل بيانات أخرى.