تحليل بيانات مبيعات دولية باستخدام Python (Pandas & Matplotlib)

تحليل بيانات مبيعات دولية باستخدام Python (Pandas & Matplotlib) نبذة مختصرة (Brief) مشروع تحليل بيانات مبيعات لشركة تعمل في عدة دول (مصر، فرنسا، ألمانيا، بريطانيا، أمريكا)، تم تنفيذه بالكامل بلغة Python باستخدام Jupyter Notebook، بدايةً من تنظيف البيانات الخام وحتى استخراج رؤى بصرية تدعم القرار. الوصف الكامل (Description) مشروع تحليل بيانات شامل (End-to-End) لسجل مبيعات يضم 500 طلب موزعة على 5 دول، باستخدام مكتبات Python الأساسية في تحليل البيانات: Pandas لمعالجة البيانات وMatplotlib لعرض النتائج بصريًا. بدأ المشروع من ملف بيانات خام (CSV) يحتوي على تفاصيل الطلبات (التاريخ، الدولة، الكمية، السعر، الضريبة، التكلفة، الإجمالي، اسم العميل)، وتم فحصه وتنظيفه واستخراج رؤى تجارية واضحة منه. طريقة التنفيذ (Methodology) استيراد وفحص البيانات: تحميل ملف orders.csv باستخدام Pandas، واستخدام df.info() لفحص أنواع البيانات واكتشاف القيم المفقودة في عدة أعمدة (order_date, country, quantity, vat, total). الفلترة والاستكشاف: تطبيق شروط فلترة لاستخراج الطلبات ذات القيمة الأعلى (مثل الطلبات اللي سعرها أكبر من 130)، لتحديد الفئات الأكثر ربحية. معالجة القيم المفقودة: تعويض القيم الفارغة في عمود الكمية (quantity) بمتوسط القيم (Mean Imputation) بدل حذف الصفوف، للحفاظ على حجم البيانات وسلامة التحليل. تحويل التواريخ: تحويل عمود order_date من نص إلى صيغة تاريخ (datetime) باستخدام pd.to_datetime، لتمكين التحليل الزمني الدقيق. التحليل الجغرافي: تجميع المبيعات حسب الدولة (groupby) لحساب إجمالي المبيعات وعدد الطلبات لكل دولة، وعرضها بيانيًا (Bar Chart & Scatter Plot). التحليل الزمني: تجميع المبيعات على مستوى شهري، وعرض الاتجاه العام للمبيعات عبر الأشهر باستخدام Line Chart لرصد فترات الذروة والانخفاض. أبرز النتائج (Key Insights) مصر جاءت في المرتبة الأولى من حيث إجمالي المبيعات (~330 ألف) وعدد الطلبات (106 طلب)، تليها فرنسا وبريطانيا. رصد تذبذب واضح في المبيعات الشهرية، مع قمم في الشهرين 3 و10، وانخفاض حاد في الشهر 8 — مؤشر مهم لتخطيط المخزون والتسويق الموسمي. تحديد الدول الأقل أداءً (ألمانيا وأمريكا) رغم قرب عدد طلباتهم من باقي الدول، مما يفتح الباب لتحليل متوسط قيمة الطلب لكل دولة. المميزات (Features) معالجة بيانات حقيقية تحتوي على مشاكل شائعة (Missing Values) بأسلوب احترافي بدل تجاهلها. تحليل متعدد الأبعاد: جغرافي (حسب الدولة) وزمني (حسب الشهر) في نفس المشروع. استخدام أدوات بايثون القياسية في سوق العمل (Pandas, Matplotlib) بما يتماشى مع متطلبات معظم عملاء تحليل البيانات. تنفيذ كامل داخل بيئة Jupyter Notebook، بما يسمح بعرض كل خطوة (Code + Output) بشكل شفاف للعميل. الأدوات المستخدمة Python | Pandas | Matplotlib | Jupyter Notebook