تجربة سريعة لوكيل تحليل البيانات من جوجل ضمن Colab

تحياتي

أطلقت جوجل وكيل تحليل بيانات ثوري يوظف النماذج اللغوية في كتابة الكود وتنفيذه ضمن بيئة colab،وفي تجربة سريعة أجريتُ تحليلًا لبيانات المبيعات لآخر 3 سنوات لدي باستخدام وكيل تحليل البيانات من جوجل ضمن Colab، لمعرفة متوسط الوقت الذي يستغرقه العميل لإجراء عملية شراء متكررة.

اقترح لي الخطّة ومن ثمّ نفذها.

📝 الخطة المقترحة للتحليل:

▪️ تحميل البيانات: إدراج ملف "Customer_List - 2025-03-07T170237.795.csv" داخل إطار بيانات pandas ليكون جاهزًا للتحليل.

▪️ استكشاف البيانات: فحص بنية البيانات لتحديد الأعمدة الأساسية، مثل معرّف العميل وتاريخ الشراء، والتحقق من القيم المفقودة أو التناقضات.

▪️ معالجة البيانات: تحويل عمود تاريخ الشراء إلى datetime، وترتيب عمليات الشراء لكل عميل زمنيًا، ثم حساب الفارق الزمني بين عمليات الشراء المتتالية.

▪️ تحليل البيانات: احتساب متوسط ووسيط الفاصل الزمني بين عمليات الشراء، لموازنة تأثير القيم المتطرفة وفهم سلوك العملاء بدقة.

▪️ تصوير البيانات: إنشاء هيستوغرام يعرض توزيع الفواصل الزمنية بين عمليات الشراء، لاكتشاف الأنماط الزمنية والاتجاهات غير الطبيعية.

▪️ تلخيص النتائج: إعداد تقرير يشمل تحليلًا للبيانات، مع عرض رسومي للنتائج وتسليط الضوء على أبرز الملاحظات والأنماط المتكررة.

بعد ذلك ذهب الوكيل بهدوء ووجد الاجابة، يمكن مشاهدة الفيديو التالي الذي صورته للتنفيذ مع الاشارة انه هناك تسريع بأجزاء العمل.

📊 نتائج التحليل:

مخطط من النتائج

▪️ متوسط الفاصل الزمني بين عمليات الشراء: 79 يومًا

▪️ الوسيط للفاصل الزمني بين عمليات الشراء: 15 يومًا

▪️ يشير الوسيط (15 يومًا) إلى أن العميل النموذجي يقوم بعملية شراء متكررة خلال هذه الفترة.

▪️ يشير المتوسط المرتفع (79 يومًا) إلى وجود عملاء يستغرقون وقتًا أطول بكثير، مما يؤدي إلى انحراف البيانات.

▪️ كشف التوزيع البياني باستخدام المقياس اللوغاريتمي عن تفاوت واضح في تكرار الشراء بين العملاء.

🚀 الرؤى والخطوات التالية:

▪️ تحليل العملاء ذوي فترات الشراء الطويلة

دراسة العملاء الذين يستغرقون وقتًا طويلًا بين عمليات الشراء، لفهم سلوكهم وتحسين استراتيجيات الاحتفاظ بهم.