في هذا المشروع قمت بتحليل بيانات حملة تسويقية (Marketing Campaign) وتنفيذ سلسلة من الخطوات للوصول إلى نموذج دقيق لتصنيف العملاء وتوقع سلوكهم:

تنظيف البيانات: التعامل مع القيم المفقودة وحذف الأعمدة غير المهمة.

- هندسة الخصائص (Feature Engineering):

دمج نتائج الحملات المختلفة في عمود واحد (Accepted Campaigns).

حساب معدل شراء المنتجات البروتينية (اللحوم والأسماك).

دمج بيانات المشتريات (الويب، الكتالوج، المتجر) في عمود واحد (All Purchases).

الترميز والمعالجة المسبقة: استخدام Label Encoding وStandard Scaler لتجهيز البيانات للنمذجة.

تطبيق نماذج التعلم الآلي: انحدار لوجستي، أشجار القرار، الغابات العشوائية (Random Forest)، و Gradient Boosting مع تقييم الأداء باستخدام مؤشرات مثل Accuracy وF1-Score.

- التصور البياني: استخدام مكتبات Matplotlib وSeaborn لرسم وتحليل أنماط البيانات.

الهدف من المشروع: تقديم تحليل شامل لبيانات الحملات التسويقية يساعد على فهم سلوك العملاء وتحسين استراتيجيات التسويق المستقبلية.