نظرة عامة على المشروع:
يقدّم المشروع نموذجًا متكاملًا لتحليل سلوك العملاء واستجابتهم للحملات التسويقية باستخدام SQL وPower BI وR وExcel، لتجزئة العملاء، تقييم الأداء، وتحليل الإنفاق عبر Data Storytelling لربط الرؤى الرقمية بالسياق التجاري ودعم قرارات تسويقية دقيقة وربحية.
الأهداف:
تحليل الخصائص الديموغرافية والسلوكية، تحديد العوامل المؤثرة على الإنفاق والاستجابة، تقييم الأداء عبر القنوات، تحليل الشكاوى ومؤشرات الانسحاب، وبناء نموذج انحدار لتوقع الإنفاق المستقبلي.
المنهجية التحليلية:
ارتباط قوي بين الدخل والإنفاق (0.819)، مشتريات الكتالوج (0.779)، والمتجر (0.675)، وسلبي مع عدد الأطفال (-0.499) وزيارات الموقع غير المنتجة (-0.500). الانحدار المتعدد R²=0.829: الإنفاق يرتفع بالدخل (+0.013)، الحملات المقبولة (+85.6)، الكتالوج (+65.1)، المتجر (+27.1)، الويب (+17.8)، وينخفض بعدد الأطفال (-120.3). تم استبعاد المتغيرات غير الدالة.
تجزئة العملاء:
الأعمار 31–45 الأعلى تجاوبًا، الحاصلون على درجات جامعية ودكتوراه (+25%)، الدخل المتوسط إلى العالي (60% من الإنفاق)، والتفاعل المتكرر مع الحملات (>70%).
نماذج العملاء: كارلا الطموحة، فتحي العائلي، سالم المحافظ، لينا الراقية.
النتائج:
استجابة الهاتف 3× أفضل من البريد الإلكتروني، ROI ارتفع إلى 35%، تفاعل ≥3 حملات زاد الإنفاق +40%، الشكاوى قللت التفاعل -25%.
التوصيات:
استهداف الشرائح العليا بعروض حصرية، تخصيص الرسائل، تحسين تجربة المتجر والكتالوج، تعزيز الولاء، تصميم عروض للأسر، وتحسين تجربة الموقع.
الخلاصة:
المشروع فسّر 83% من الإنفاق، مؤكدًا فعالية دمج التحليل الإحصائي مع السرد البياني لتعظيم الأداء التسويقي وROI.
Project Overview:
This project builds an integrated model to analyze customer behavior and campaign response using SQL, Power BI, R, and Excel. It segments customers, evaluates performance, and analyzes spending through Data Storytelling connecting digital insights with business context for precise, profitable marketing.
Objectives:
Study demographic and behavioral traits, identify spending and response drivers, assess cross-channel performance, analyze complaints and churn, and build a regression model to predict spending.
Methodology:
Correlation: Strong links between income and spending (0.819), catalog (0.779), store (0.675), and negative with children (-0.499) and unproductive visits (-0.500).
Regression: R²=0.829; spending rises with income (+0.013), accepted campaigns (+85.6), catalog (+65.1), store (+27.1), web (+17.8), and drops with children (-120.3).
Segmentation:
Ages 31–45 most responsive; university/PhD +25%; mid-to-high income 60% of spending; frequent campaign responders >70%.
Results:
Phone campaigns 3× stronger than email; ROI +35%; ≥3 campaign engagement +40% spending; complaints -25% response.
Recommendations:
Target high-income groups, personalize offers, enhance UX and loyalty, design family-focused offers.
Conclusion:
Model explained 83% of spending, proving that statistical modeling with storytelling boosts marketing efficiency and ROI.
