E-Commerce Data Analysis

مشروع تحليلي متكامل لبيانات مبيعات متجر إلكتروني يهدف إلى تنظيف البيانات واستخراج رؤى أعمال استراتيجية (Business Insights) تدعم اتخاذ القرار وتساعد في تعظيم الأرباح وتقليل الخسائر. ما تم إنجازه في المشروع: تنظيف ومعالجة البيانات (Data Cleaning with Pandas): معالجة القيم المفقودة والتركيز على البيانات الصحيحة التي تحتوي على أرقام تعريف العملاء (CustomerID). IPYNB فصل العمليات المكتملة عن العمليات الملغاة والمرتجعة (Returns) لتحليل كل فئة على حدة. IPYNB هندسة الميزات (Feature Engineering) عن طريق استخراج وتنسيق بيانات الوقت والتاريخ لحساب الإيرادات الكلية وحجم المعاملات. IPYNB تحليل البيانات باستخدام SQL (SQL Analysis): مؤشرات الأداء (KPIs): حساب إجمالي الطلبات، المنتجات المباعة، وإجمالي الإيرادات التي تخطت 329 ألف. IPYNB أفضل المنتجات: تحديد المنتجات الـ 5 الأكثر مبيعاً وتحقيقاً للإيرادات (مثل Regency Cakestand). IPYNB تحليل أوقات الذروة: اكتشاف أن أعلى معدل مبيعات وإيرادات يحدث في منتصف اليوم (بين الساعة 10 صباحاً و 3 عصراً). IPYNB تحليل الخسائر والمرتجعات: حصر إجمالي الخسائر المالية من المرتجعات، وتحديد أكثر 5 منتجات تعرضاً للارتجاع، بالإضافة لتحديد الدول الأكثر إرجاعاً للمنتجات (مثل المملكة المتحدة). IPYNB تقييم العملاء (VIP Analysis): استخراج قائمة بأهم 10 عملاء (High-Value Customers) بناءً على إجمالي إنفاقهم وتكرار طلباتهم. IPYNB الأدوات والمكتبات المستخدمة: لغة Python (مكتبات Pandas, NumPy) IPYNB لغة الاستعلام SQL (SQLite) IPYNB