التنبؤ بمبيعات المتاجر (Store Sales Forecasting)

- المشكلة التجارية: احتاجت سلسلة صيدليات إلى تنبؤات دقيقة للمبيعات لمدة 6 أسابيع قادمة، وذلك لتحسين إدارة المخزون ومنع حالات نفاذ الكمية أو تكدسها في 1,115 متجراً. - منهجية العمل: * تحليل البيانات الاستكشافي (EDA) للسلاسل الزمنية: للكشف عن الموسمية الأسبوعية (مثل إغلاق المتاجر يوم الأحد) والأثر المالي للحملات الترويجية. * هندسة البيانات (Feature Engineering): استخلاص ميزات تعبر عن الموسمية (يوم الأسبوع، الشهر) وفعاليات الأعمال (العروض الترويجية، العطلات الرسمية). * تحسين النموذج: تحديد ومعالجة مشكلة حرجة تتعلق بـ "تسرب البيانات" (Data Leakage) عبر حذف متغير "عدد العملاء" المستقبلي، لضمان أن يكون النموذج واقعياً وقابلاً للاستخدام الفعلي. --- - النتائج الرئيسية: * قياس الأثر: أثبتت التحليلات أن العروض الترويجية ترفع متوسط المبيعات اليومية بحوالي **3,000 دولار**. * كفاءة النموذج: بناء نموذج (Random Forest Regressor) حقق معامل تحديد (R^2) قوي يصل إلى (0.85) تقريباً (مع متوسط خطأ مطلق MAE يتراوح بين 600-800 دولار) بعد معالجة تسرب البيانات. * الدقة الزمنية: التنبؤ الدقيق بالقفزات في المبيعات والانخفاضات الناتجة عن "أيام الإغلاق" في مجموعة بيانات التحقق. -الأدوات التقنية (Tech Stack): * لغة البرمجة: Python (Scikit-Learn, Random Forest). * المنهجية: تحليل السلاسل الزمنية (Time Series Analysis)، هندسة الميزات.