مشروع متكامل يهدف إلى تحويل عمليات النقل والخدمات اللوجستية التقليدية إلى منظومة ذكية تعتمد على البيانات. قمنا ببناء نظام مزدوج (Inbound & Outbound) يربط بين إدارة المستودعات وتحليل سلاسل الإمداد وبين التنبؤ بمخاطر التأخير باستخدام نماذج الذكاء الاصطناعي.
2. الترسانة التقنية المستخدمة (Tech Stack):
Python (Pandas, Scikit-learn, Seaborn): لبناء خط معالجة البيانات ونماذج التنبؤ.
SQL Server: لتصميم وإدارة قاعدة بيانات ضخمة تضم 11 جدولاً و10 رؤى تحليلية (BI Views).
Power BI: لتصميم لوحات تحكم تفاعلية (Enterprise Dashboards) لمراقبة المخزون والإيرادات.
Machine Learning: استخدام خوارزميات مثل Random Forest لتصنيف مخاطر التأخير.
3. ما تم إنجازه فعلياً (Core Deliverables):
هندسة البيانات (Data Engineering): تنظيف ومعالجة بيانات ضخمة وضمان المنطقية الزمنية (مثل التأكد من أن تاريخ التسليم لا يسبق تاريخ الحجز).
تطبيق نماذج الذكاء الاصطناعي (AI Modeling):
بناء نموذج Random Forest Classifier للتنبؤ باحتمالية تأخير الشحنات قبل وقوعها.
استخدام تقنيات Geospatial Analysis (معادلة Haversine) لحساب المسافات بدقة بناءً على إحداثيات GPS.
تحليل المستودعات (Warehouse Analytics): تحديد 237 صنفاً (SKUs) حرصاً على عدم نفاذ المخزون، وتحليل الإيرادات المعرضة للخطر (تصل إلى 38.6 مليون دولار شهرياً).
التدقيق المنطقي (Logical Audit): نظام كشف الأخطاء في البيانات لضمان دقة التقارير بنسبة 100%.
4. النتائج المحققة (Key Outcomes):
توفير رؤية كاملة لتدفق الشحنات من المورد إلى العميل النهائي.
تحديد "النقاط الساخنة" (Hubs) الأكثر تحقيقاً للأرباح.
تطوير نظام إنذار مبكر للشحنات المتوقع تأخرها، مما يساعد في تحسين خدمة العملاء وتقليل الغرامات.
