نظام تجزئة عملاء المولات التجارية باستخدام تعلم الآلة | Mall Customer Segmentation

في عصر التسويق المبني على البيانات، لم يعد "تعامل مع كل العملاء بنفس الطريقة" خياراً فعّالاً. هذا المشروع يُقدّم نظاماً ذكياً لفهم سلوك عملاء المولات التجارية وتصنيفهم إلى مجموعات متجانسة — لتحويل البيانات الخام إلى قرارات تسويقية حقيقية. المشكلة أقسام التسويق في المولات التجارية تواجه تحدياً جوهرياً: بياناتهم ضخمة، لكنهم لا يعرفون من هم عملاؤهم الفعليون. الحملات التسويقية الموحّدة تُهدر الميزانية على شرائح غير مستهدفة، بينما الشريحة الأعلى قيمةً (High Spenders) لا تحصل على الاهتمام الذي تستحقه. السؤال الجوهري: كيف نُحوّل أرقام الدخل السنوي ودرجات الإنفاق إلى مجموعات واضحة يمكن للمسوّق أن يتعامل معها مباشرة؟ الحل التقني قمت ببناء pipeline متكامل لتحليل بيانات العملاء يمر بالمراحل التالية: المرحلة 1 استكشاف البيانات Pandas · NumPy · EDA المرحلة 2 تحديد العدد الأمثل Elbow Method · WCSS المرحلة 3 التجميع والتصنيف K-Means Clustering المرحلة 4 التصور البياني Matplotlib · Seaborn تم تطبيق خوارزمية K-Means على متغيرين رئيسيين هما الدخل السنوي ودرجة الإنفاق، مع استخدام Elbow Method لتحديد العدد الأمثل للمجموعات. النتائج تم تصويرها بيانياً بشكل واضح يُمكّن فريق التسويق من قراءتها مباشرة دون خلفية تقنية. النتائج المحققة: 5 مجموعات عملاء مُميّزة 100% تصنيف آلي بدون تسميات يدوية المشروع أنتج خريطة واضحة لشرائح العملاء تشمل: عملاء بدخل مرتفع وإنفاق عالٍ (المجموعة المستهدفة الأولى)، وعملاء بدخل منخفض وإنفاق عالٍ (يحتاجون عروضاً مرنة)، وشرائح وسطى متعددة — كل منها مع توصية تسويقية مختلفة. القيمة التجارية الحقيقية: تمكين فريق التسويق من توجيه الميزانية بدقة، وتقليل الهدر في الحملات الموحّدة، وبناء تجربة عميل مخصصة لكل شريحة.