تحليل بيانات وتقسيم عملاء متجر إلكتروني (RFM + K-Means)

مشروع تحليل بيانات شامل لمتجر إلكتروني بريطاني (UCI Online Retail Dataset) يحتوي على حوالي 540 ألف عملية بيع على مدار سنة كاملة. قسّمت المشروع لمرحلتين أساسيتين: 1) تحليل استكشافي (EDA) على مستوى المنتجات والعملاء والوقت والدول، وطلعت منه 10 insights عملية تخدم قرارات البيزنس (مواسم البيع، تركّز الإيرادات في نسبة صغيرة من العملاء، سلوك الإلغاء والاسترجاع، الفروقات بين الأسواق... إلخ). 2) تقسيم العملاء (Customer Segmentation) باستخدام تقنية RFM (Recency, Frequency, Monetary)، فيها: - تنضيف البيانات (قيم مفقودة، تكرار، فواتير ملغاة، أسعار وكميات غير منطقية) - هندسة خصائص RFM لكل عميل - معالجة الالتواء (skewness) بـ log transform وتوحيد المقياس بـ StandardScaler - تحديد عدد المجموعات الأمثل باستخدام Elbow Method و Silhouette Score - تطبيق K-Means، والتحقق من النتيجة بمقارنتها بـ Hierarchical Clustering - تصوير النتائج بـ PCA في بعدين - تسمية كل مجموعة عملاء باسم بيزنس واضح (زي VIP / عملاء دائمون / عملاء في خطر الفقدان / عملاء لمرة واحدة) مع توصية عملية لكل فئة المشروع مكتوب بالكامل بـ Python (pandas, scikit-learn, matplotlib, seaborn) وبيحاكي شغل الـ Data Analyst قبل ما يبقى Data Scientist — يعني مش بس موديل، لكن قصة بيانات كاملة بتوصل لقرار.