بدأت القصة مع شركة تأمين كبرى تعمل مع 4 شركات تأمين مختلفة.
كل شركة كانت ترسل بياناتها بشكل مختلف تمامًا — اختلاف في أسماء الأعمدة، هيكل البيانات، الصيغ، وجود أخطاء وتكرارات وقيم ناقصة.
لم يكن هناك مصدر موحد للحقيقة (Single Source of Truth).
وكان من الصعب جدًا معرفة:
من العملاء المربحين فعلًا؟
من العملاء أو مقدمي الخدمة الذين يستنزفون الأرباح؟
أين تكمن نقاط النزيف المالي؟
المرحلة الأولى: فهم البيانات
قمت بتحليل كل مصدر بيانات بشكل منفصل لفهم:
طبيعة الأعمدة
العلاقات بين الجداول
الفروقات في التصنيف
جودة البيانات
المرحلة الثانية: تنظيف وتوحيد البيانات
استخدام Excel & Power Query لتنظيف البيانات ومعالجة الأخطاء والتكرارات.
توحيد هيكل الأعمدة وبناء نموذج بيانات موحد.
تجهيز البيانات لتكون قابلة للتحليل الاحترافي.
المرحلة الثالثة: المعالجة والتحليل المتقدم
استخدام Python في بعض عمليات المعالجة والتحليل المتقدم للبيانات.
تحسين دقة التصنيفات واكتشاف الأنماط غير الطبيعية في الاستهلاك.
المرحلة الرابعة: التحليل البصري وصناعة القرار
بناء Dashboard تفاعلي باستخدام Power BI.
إنشاء مؤشرات أداء (KPIs) واضحة للإدارة.
تحليل ربحية العملاء ومقدمي الخدمة.
تحديد العملاء ذوي السلوك الاستهلاكي المبالغ فيه (Abusive Patterns).
دعم اتخاذ القرار بناءً على بيانات دقيقة بدلًا من التقديرات.
النتيجة
تحويل بيانات معقدة ومبعثرة إلى نظام تحليلي متكامل يساعد الإدارة على:
تقليل الخسائر
تحسين إدارة المخاطر
اتخاذ قرارات استراتيجية مبنية على أرقام واضحة
توفير وقت وجهد التقارير اليدوية
