تحليل بيانات الحملات التسويقية وبناء نماذج تعلم آلي Marketing Campaign Data Analysis using Machine Learning

السلام عليكم ورحمة الله وبركاته، في هذا المشروع تم تنفيذ تحليل متكامل لبيانات حملة تسويقية (Marketing Campaign) بهدف فهم سلوك العملاء والتنبؤ باستجابتهم، مما يساعد على تحسين كفاءة القرارات التسويقية وزيادة العائد على الاستثمار. يعتمد العمل على منهجية علمية تبدأ من معالجة البيانات وصولًا إلى بناء نماذج تعلم آلي دقيقة وقابلة للاستخدام العملي. ### مراحل تنفيذ المشروع **1. تنظيف البيانات (Data Cleaning)** تم التعامل مع القيم المفقودة وحذف الأعمدة غير المؤثرة، لضمان جودة البيانات ودقة النتائج. **2. هندسة الخصائص (Feature Engineering)** تم إنشاء خصائص جديدة تعزز قدرة النموذج على الفهم والتنبؤ، مثل: * دمج نتائج الحملات التسويقية في متغير موحّد (Accepted Campaigns) * حساب معدل استهلاك المنتجات البروتينية (اللحوم والأسماك) * تجميع جميع قنوات الشراء (الويب، الكتالوج، المتجر) في متغير واحد (All Purchases) **3. المعالجة المسبقة (Preprocessing)** تم تجهيز البيانات للنمذجة باستخدام: * Label Encoding لتحويل البيانات الفئوية * Standard Scaler لتوحيد القيم وتحسين أداء النماذج **4. بناء النماذج (Modeling)** تم تطبيق عدة نماذج تعلم آلي، منها: * الانحدار اللوجستي (Logistic Regression) * أشجار القرار (Decision Trees) * الغابات العشوائية (Random Forest) * Gradient Boosting مع تقييم الأداء باستخدام مؤشرات دقيقة مثل Accuracy وF1-Score لاختيار أفضل نموذج. **5. التحليل والتصور البياني (Data Visualization)** تم استخدام أدوات مثل Matplotlib وSeaborn لاستخراج الأنماط وتقديم النتائج بشكل بصري واضح يدعم اتخاذ القرار. ### القيمة المقدّمة يساعد هذا المشروع على: * فهم سلوك العملاء بشكل أعمق * تحديد الفئات الأكثر استجابة للحملات التسويقية * تحسين استهداف العملاء وزيادة فعالية الحملات * دعم القرارات التسويقية بناءً على بيانات حقيقية وتحليل دقيق يمثل هذا العمل نموذجًا عمليًا لتحويل البيانات إلى رؤى قابلة للتنفيذ، مما يساهم في تحسين الأداء التسويقي وتحقيق نتائج أفضل بشكل مستدام.