E-commerce Transactions

نفذت مشروع تحليلي على بيانات E-commerce Transactions بهدف فهم سلوك العملاء، تحليل أداء المنتجات، ومتابعة مؤشرات المبيعات. 📌 البيانات: حوالي 1,000,000 Transaction بعد التنظيف أكثر من 45KProduct حوالي 100K Customer 🔹 المرحلة 1: Data Preparation قسّمت البيانات لـ 3 جداول (Customers – Products – Transactions) باستخدام SQL. عملت Profiling Report بـ ydata_profiling لفحص Nulls, Outliers, Duplicates. شلت ~50K صف غير صالح، واستخدمت Power Query لتوحيد أسماء المنتجات المتكررة. 🔹 المرحلة 2: Data Cleaning 📍 Handling Missing item_price كان عندي حوالي 150K Missing Values في عمود item_price. لكل منتج → حددت هو بينتمي لأنهي Category. صنفت كل عملية بيع حسب Season (Winter, Summer, Spring, Fall). جمعت بين Category + Season → وحسبت Mean Price لكل مجموعة. عوضت القيم المفقودة باستخدام Mean الخاص بالمجموعة بدل الـ Global Mean → عشان تكون القيم أقرب للواقع. 📍 Handling Missing shipping_fee واجهت Missing Values في عمود shipping_fee. حللت البيانات علشان أعرف كل منتج بيحتاج كام Container للشحن. حددت نوع الـ Container (Small – Medium – Large) + حجمه. درست العلاقة بين: Quantity Shipped – Container Type – Number of Containers – Shipping Fee قدرت أبني علاقة منطقية بين العوامل دي → واستخدمتها لتعويض القيم المفقودة بشكل أقرب للتكلفة الحقيقية. 📊 Dashboards & Insights (Power BI) صممت 4 Dashboards رئيسية لتوضيح المبيعات، العملاء، والمنتجات: Sales Dashboard: إجمالي الإيرادات $468.85bn، Orders 852.58K، AOV ~$550، أعلى المبيعات من Jakarta وSurabaya. Customer Dashboard: 100K عملاء، 40% عملاء متكررين، الشباب 20s–30s هم الشريحة الأكبر. Product Dashboard: 1.25M منتجات مباعة، Apparel & Accessories المحرك الأساسي، Shoes & Bags High-Value. ✨ Key Takeaways: الإيرادات معتمدة على Apparel & Accessories العملاء المتكررين 40%+ → ولاء قوي متابعة Stock-Out وتحسين Forecasting يزيد المبيعات الفئة العمرية 20s–30s قيمتهم الشرائية الأعلى Tools: SQL, ydata_profiling, Pandas, Power Query, Power BI