في هذا المشروع، كان التحدي الأكبر ليس في تصميم الـ Dashboard، بل في التحقق من صحة البيانات وإعادة هيكلتها (Data Modeling). قمت بتحليل بيانات مبيعات ممتدة لعامين بإجمالي إيرادات 172M، بهدف الإجابة على تساؤلات حاسمة حول صحة الأرباح، أنماط سلوك العملاء، والكفاءة التشغيلية.
أهم الرؤى والنتائج (Insights):
هيكلة البيانات وجودة الـ KPIs: استثمرت جهداً كبيراً في مرحلة الـ Data Cleaning لضمان أن كل مؤشر أداء (KPI) مبني على أسس سليمة، مما كشف عن أرقام حقيقية لم تكن واضحة في البيانات الخام قبل التنظيف.
تحليل هوامش الربح والتكاليف: كشفت الدراسة أن تكلفة البضاعة المباعة (COGS) تستهلك 58% من الدخل، مما وضع هامش الربح عند 41%؛ وهي إشارة تحذيرية تستوجب مراجعة استراتيجيات التوسع للتحكم في التكاليف التصاعدية.
اكتشاف الأنماط الموسمية والخلل التشغيلي: رصدت قفزة حادة في المبيعات تبدأ من يوليو لتصل ذروتها في ديسمبر (25M)، مما كشف عن عدم استغلال الموارد بشكل كافٍ في النصف الأول من العام وضغط تشغيلي هائل في نهايته.
تحدي استبقاء العملاء (Retention vs. Acquisition): على الرغم من جذب 8085 عميل جديد، إلا أن نسبة العملاء العائدين لم تتجاوز 25%، مما وجه التركيز نحو ضرورة تحسين استراتيجيات الـ Retention بدلاً من الاعتماد الكلي على الاستحواذ الجديد.
تحليل سلوك الشراء والـ Churn: وجدت أن احتمالية تكرار الشراء تتركز في أول 7 أيام فقط، وأن شهر ديسمبر (الأعلى مبيعاً) هو أيضاً الأعلى في فقدان العملاء (580 عميل)، مما يستدعي إعادة النظر في تجربة العميل خلال فترات الذروة.
ربحية المنتجات مقابل حجم المبيعات: قلبت الموازين بإثبات أن المنتجات الأكثر مبيعاً ليست بالضرورة الأكثر ربحاً؛ حيث تفوقت فئة Mountain بربحية وصلت إلى 22M، بينما استهلكت منتجات أخرى مجهوداً تشغيلياً كبيراً بهامش ربح ضعيف.
التحليل الجغرافي الموجه: حددت "لندن" و"باريس" كمحركات أساسية للإيرادات، مما يسمح للإدارة بتخصيص الموارد التسويقية بناءً على الأداء الفعلي لكل مدينة بدلاً من التوزيع المتساوي.
هذا المشروع يبرهن على أن المقاييس المتقدمة مثل (Repeat Purchase Rate) و(Avg Time Between Purchases) هي المفتاح لفهم الواقع بعيداً عن بريق الأرقام الضخمة التي قد تخفي خلفها تحديات استراتيجية
الأدوات المستخدمة: Power BI | Advanced Data Cleaning | Power Query | Data Storytelling
