في ناس كتير فاكرة إن محلل البيانات هو اللي بيختار الأدوات اللي بيشتغل بيها، لكن الحقيقة إن الموضوع مش كده في أغلب الشركات
كل شركة بيكون عندها الـ Tech Stack الخاص بيها ومحلل البيانات في النهاية بيكون Consumer للأدوات دي مش بالضرورة هو اللي بيحددها
عارف إن الكلام ده ممكن يكون بديهي بس أحيانًا البديهيات دي بتتنسي
يعني لو أنت خبرتك كلها في Power BI وروحت شركة بتستخدم Tableau، طبيعي جدًا إنك هتتعلم Tableau وتشتغل بيه
ومش بس كده بعض الشركات وخصوصًا الشركات الكبيرة بيكون عندها In-House Tools ودي أدوات الشركة طورتها بنفسها عشان تناسب احتياجاتها، وممكن تكون أدوات عمرك ما سمعت عنها قبل كده
والحقيقة إن التعرض لأدوات مختلفة بتؤدي نفس الوظيفة بيقوي مهاراتك جدًا، وبيزود قيمتك في سوق العمل
وده من الحاجات اللي بعض الشركات بتركز عليها في الـ Interviews لأنها بتفضل الشخص اللي اتعرض لأدوات وأساليب مختلفة واشتغل في بيئات كان نطاق شغله فيها بيتغير
طب ليه النقطة دي مهمة؟
لأن المجال نفسه بيتغير باستمرار، والشركات بتغير في الـ Tech Stack بتاعها وهتسمع كتير عن حاجة اسمها Migration
بس خد بالك أنا مش بقولك تروح تتعلم 5 أدوات بتعمل نفس الحاجة
الفكرة إنك مع الوقت ولما تشتغل في شركات مختلفة، هتتعرض بشكل طبيعي لأدوات جديدة، وساعتها هتكون مطالب إنك تتعلمها عشان تقدر تؤدي شغلك.
والموضوع مش مقتصر على الأدوات التقنية بس.
حتى طريقة كتابة الكود، أو الأسلوب اللي بتعمل بيه Analysis، ممكن يختلفوا من شركة للتانية.
وده مش معناه إن الشركة بتقيد حريتك، لكن لأن كل بيئة عمل ليها طبيعتها ومتطلباتها ومعاييرها.
وأحيانًا هتلاقي نفسك في موقف عندك فيه طريقة معينة أنت مقتنع إنها الأفضل وشايف إنها الأنسب للمشكلة، لكن في النهاية هتحتاج تشتغل بطريقة مختلفة لأسباب كتير ممكن تكون مرتبطة بالـ Business أو الـ Team أو حتى الـ Existing Systems
وهنا في يوم من الأيام هتقابل مبدأ مهم اسمه Disagree and Commit
إنك ممكن تختلف مع قرار معين، وتناقشه وتوضح وجهة نظرك لكن بعد ما القرار يتاخد تلتزم بتنفيذه وتساعد الفريق ينجح فيه
لأن في النهاية، الشغل جوه الشركات ملوش كتالوج واحد، ومش كل حاجة هتتم بالطريقة اللي أنت متعود عليها أو شايفها الأفضل
حابب أشارك معاكم شوية من الشغل اللي بيجيلنا بفضل الله في DataStic 🤍
عشان الموضوع ميبقاش مجرد حاجات نظرية بنتكلم عنها وخلاص ونشوف إزاي الحاجات اللي بنتعلمها بنطبقها فعلا في شغل حقيقي
بس كنت محتار ما بين اتنين Projects وعايزكم تساعدوني أختار 😅
المشروع الأول لشركة عقارات
كانوا محتاجين نعمل AI Agent مربوط بالـ ERP System بتاع الشركة ويقدر يرد على استفسارات معينة بناء على البيانات الموجودة في الـ System وخصوصا البيانات اللي تخص العملاء
وكمان نعمل Reporting Workflow عشان نقدر نطلع تقارير معينة بشكل أوتوماتيك
المشروع التاني لمعامل تحاليل
المطلوب إننا نعمل Data Warehouse تتخزن فيها البيانات اللي جاية من Two Different Systems موجودين في الشركة
أول System فيه Daily Transactions بقالها حوالي 8 سنين
والـ System التاني فيه بيانات تخص الـ Customer Service
وهنعمل Data Pipelines عشان نسحب البيانات من الـ Systems ونعملها Processing و Transformation ونخزنها بشكل منظم في الـ Data Warehouse
وبعد كدة نقدر نطلع منها Insights معينة تساعدنا في مشروع أكبر جاي لمعامل التحاليل
حابب أعرف رأيكم أتكلم عن أنهي Project في الفترة الجاية إن شاء الله وهختار رأي الأغلبية 🤍
بس بعيدا عن المشروعين دول حابب أشارككم حاجة شخصية شوية
بما إنكم كنتوا شركاء الرحلة من أول ما بدأنا الشركة
من أول يوم كان عندي حلم إن الشركة دي تبقى أكبر بكتير من مجرد مكان بيقدم كورسات
وعشان كدة من أول يوم وأنا رافض إن اسمنا يبقى Academy
مش عشان في أي مشكلة في الـ Academies بالعكس تماما
بس عشان إحنا من البداية مكنش هدفنا إننا نعمل كورسات وبس
حلمي وده اللي شغال عليه ليل نهار بفضل الله إننا نبقى Ecosystem كامل في مجال الـ Data
من أول ما نعلم وندرب الناس لحد ما نشتغل وننفذ Projects حقيقية للشركات بإذن الله
ليه؟
لأني مؤمن إن التعلم عمره ما كان منفصل عن الشغل والتطبيق
وإن اللي بنعلمه للناس لازم نكون بنطبقه إحنا كمان على أرض الواقع
وعشان تعرفوا إحنا بنحاول نكبر الموضوع إزاي
بفضل الله وصلنا حاليا لـ 21 شخص في الشركة كلنا شغالين في مجال الـ Data و Full Time
وده غير الناس اللي شغالة معانا Freelance حسب الـ Projects اللي بنشتغل عليها
وكل ده بفضل ربنا وكرمه علينا
ولسه عندنا أحلام أكبر بكتير من اللي وصلناله ولسه في حاجات كتير نفسنا نعملها
وإن شاء الله نكبر أكتر ونقدر نحقق ولو جزء من اللي بنحلم بيه 🤍
مستني اختياركم في الكومنتات
1- مشروع الـ AI Agent لشركة العقارات
2- مشروع الـ Data Warehouse لمعامل التحاليل
ومتنسوناش من دعوة حلوة من القلب ربنا ييسرلنا أمرنا ويوفقنا في اللي جاي
خلوني اشارك معاكم Analysis Results عملتها على اكتر من 21,000 وظيفة Data في الوطن العربي و اكتر من 41,000 وظيفة داتا في العالم في اكتر من 100 دولة
وزي ما واضح في الصورة الاولى، حللنا حجم الطلب على كل وظيفة من وظائف الداتا، والنتيجة كانت مثيرة للاهتمام خصوصا ترتيب الـData Engineer والـData Scientist والـData Analyst.
بس بعدها جه في دماغي سؤال...
طب الوضع عامل ازاي في الوطن العربي؟ وهل نفس الوظائف هي الاكثر طلبا عندنا؟
فقررنا نعمل الـAnalysis مخصوص للدول العربية، وسحبنا اكتر من 21,000 Job Posting من مواقع التوظيف باستخدام Web Scraping.
عملنا Data Cleaning وDeduplication وClassification، لان لقينا وظائف كتير جدا بتظهر لما تبحث عن Data Analyst او Data Scientist، لكن لما تقرا الـJob Description تكتشف ان الوظيفة ملهاش علاقة بالـRole اصلا 😂
بعد الـCleaning بدأنا نشوف فعليا:
اكتر Data Role ظاهر في كل دولة عربية
نسبة كل Role داخل الوظائف اللي حللناها في كل دولة
الفرق بين الطلب على Data Analyst وData Engineer وData Scientist وAI/ML وغيرها
وعملنا Map توضح بشكل سريع الـRole الاكثر ظهورا في كل دولة، ومعاها Heatmap للمقارنة بالتفصيل
وحبيت اعمل الـAnalysis بنفسي من الـRaw Data بدل ما اعتمد بس على المواقع والتقارير الجاهزة، خصوصا ان طريقة جمع وتصنيف الداتا نفسها ممكن تغير النتيجة بشكل كبير.
مهم: النتائج دي بتمثل الوظائف اللي قدرنا نجمعها ونحللها في الـSample، مش معناها انها حصر كامل لكل وظائف الداتا في الوطن العربي.
ملحوظة: عدلت صور البوست بال Ai عشان مكنتش عارف اشاركها بسبب ال Aspect Ratios الي بيلزمني بيها اليوتيوب
ولو عايز تجرب تعمل Analysis بنفسك على الداتا
اكتبلي في الكومنتات "Data" وهبعتلك لينك ملفات الـCSV اللي استخدمناها.
مش محتاج تتعلم Python كلها عشان تبقى Data Analyst!
وده بالظبط اللي حاولت أطبقه في Python for Data Analysis Bootcamp الجديد على القناة.
الفكرة مش إننا نقعد نتعلم Programming ونحفظ Syntax كتير…
الفكرة إن كل حاجة نتعلمها نسأل بعدها: أنا كـ Data Analyst هستخدم ده في إيه؟
وعشان كده الـBootcamp مش واقف عند Pandas وقراءة CSV وخلاص.
هنمشي في رحلة عملية نشوف فيها إزاي Python تساعدنا في: 🔹 Web Scraping → نجيب Data من الويب بنفسنا 🔹 Data Analysis → ننظف ونحلل ونستخرج Insights 🔹 Data Visualization → نحول الأرقام لحاجة نقدر نفهمها ونحكي بيها قصة 🔹 Time Series Analysis → نفهم التغير مع الوقت ونحلل الـTrends
والأهم إن كل Topic مش مجرد كود بنكتبه…
لكن بنحاول نفهم: إمتى أستخدمه؟ وليه؟ وإيه المشكلة اللي بيحلها؟
وده جزء من الفكرة اللي بحاول أبني عليها المحتوى الفترة دي:
نتعلم الـTopics اللي محتاجينها في الشغل… والأداة تيجي بعدها.
المنصات دي بتقولك كام واحد شاف الإعلان... كام واحد ضغط... كام واحد عمل Conversion.
بس...
هل دي فعلًا الأرقام اللي تساعدك تاخد قرار؟
خليني أسألك كام سؤال.
لو Campaign جابت 1000 Lead...
كام واحد منهم رد فعلًا؟
كام واحد طلب يعرف السعر؟
كام واحد وصل لمرحلة متابعة جدية؟
كام واحد بقى Qualified Lead؟
كام واحد اشترى؟
وفجأة اكتشفنا إننا بنبني قراراتنا على أول خطوة في رحلة العميل...
وسايبين باقي الرحلة كلها.
وقتها قررنا نبني Lead Tracking System.
مش علشان نعرف عدد الـ Leads...
لكن علشان نعرف رحلة كل Lead من أول ما ضغط على الإعلان لحد ما اشترى أو خرج من الـ Funnel.
وبعد فترة...
بقينا نقدر نجاوب على أسئلة عمر منصة الإعلانات لوحدها ما كانت هتجاوب عليها.
مش: "أنهي Campaign جابت Leads أكتر؟"
لكن:
أنهي Campaign جابت Qualified Leads أكتر؟ أنهي Campaign نسبة تحويلها أعلى؟ أنهي مصدر بيجيب عملاء بيشتروا فعلًا؟ وأنهي Campaign تستحق فعلًا إننا نعمل لها Scaling؟
وده كان أكبر درس اتعلمته...
الـ Dashboard لوحدها مش بتديك Insights.
الـ Insights بتبدأ من لحظة إنك تعرف إيه البيانات اللي لازم تتجمع من الأساس.
وده بالنسبة لي هو الفرق بين...
واحد بيقرأ أرقام...
وواحد بيستخدم البيانات علشان ياخد قرار يزوّد أرباح الشركة.
لأن في النهاية...
أفضل Campaign مش اللي جابت أكبر عدد Clicks...
أفضل Campaign هي اللي جابت أكبر عدد عملاء حقيقيين.
لو البوست ده عجبكم... ممكن أشارك في البوست الجاي إزاي صممنا الـ Lead Tracking System وإيه البيانات اللي كنا بنجمعها علشان نعرف الـ Qualified Leads الحقيقيين.
Mazen Analytics
فيه Analysis Techniques مهمة جدًا في شغل الـ Data Analysis ومع ذلك ناس كتير بتتعلم الأدوات وبتنسى تتعلمها
الموضوع دا بيبقا مهم جدا في ال Business Problem
و تحليل البيانات عمرة ما كان مجرد Dashboard زي ما هو متصدر عنة كدة
خليني أشارك معاك 7 Analysis Techniques مهمين جدًا خصوصًا لو أنت Data Analyst ولسه مش متخصص في Domain معين.
1. Cohort Analysis
تخيل إنك شغال في شركة بتقدم اشتراكات شهرية، ولاحظت إن عدد المشتركين بيزيد كل شهر، لكن الإيرادات مش بتزيد بنفس المعدل.
هنا ممكن تستخدم الـ Cohort Analysis.
الفكرة إننا بنقسم العملاء لمجموعات بناءً على صفة مشتركة، زي الشهر اللي اشتركوا فيه لأول مرة، ونبدأ نتابع سلوك كل مجموعة بمرور الوقت.
مثلًا:
- العملاء اللي اشتركوا في يناير، كام واحد منهم فضل مشترك بعد 3 شهور؟
- والعملاء اللي اشتركوا في فبراير، كام واحد منهم استمر؟
بالطريقة دي تقدر تعرف هل العملاء الجدد بيستمروا معاك ولا بيسيبوا الخدمة بسرعة.
الـ Technique دي مهمة جدًا في الـ Product Analytics والـ SaaS والـ E-commerce.
2. Market Basket Analysis
تخيل إنك شغال في Retail Company وعندك آلاف عمليات الشراء، وعايز تعرف إيه المنتجات اللي العملاء بيشتروها مع بعض باستمرار.
هنا بنستخدم Market Basket Analysis.
مثلًا، ممكن تكتشف إن نسبة كبيرة من العملاء اللي بيشتروا قهوة بيشتروا معاها لبن.
المعلومة دي ممكن تساعد الشركة في قرارات زي:
- Product Recommendations
- Cross-selling
- Product Bundling
لكن مهم تعرف إن مجرد شراء منتجين مع بعض مش معناه إن واحد منهم سبب شراء التاني.
وده من أشهر استخدامات الـ Association Rule Mining.
3. Time Series Analysis
تخيل إنك شغال في شركة ومبيعاتها بتزيد وتنخفض بشكل متكرر خلال السنة.
هل الانخفاض ده بسبب مشكلة في أداء الشركة؟ ولا ده سلوك موسمي طبيعي؟
هنا بييجي دور الـ Time Series Analysis.
بنحلل البيانات بترتيبها الزمني عشان نفهم حاجات زي:
- Trend: الاتجاه العام للمبيعات.
- Seasonality: الأنماط الموسمية المتكررة.
- Autocorrelation: العلاقة بين القيم الحالية والسابقة.
وممكن بعد كده نستخدم Forecasting Models عشان نتوقع المبيعات المستقبلية.
النوع ده مهم جدًا في Sales وFinance وOperations.
4. Funnel Analysis
تخيل إنك شغال في شركة بتبيع كورسات أونلاين.
عندك 10,000 شخص دخلوا الموقع، و2,000 شافوا تفاصيل الكورس، و500 بدأوا التسجيل، لكن 100 بس اشتركوا بالفعل.
السؤال هنا: إحنا بنخسر العملاء في أنهي مرحلة؟
الـ Funnel Analysis بتساعدك تفهم رحلة العميل وتقيس الـ Conversion Rate بين كل مرحلة والتانية.
وبالتالي بدل ما تقول إن المبيعات ضعيفة، تقدر تحدد المرحلة اللي فيها أكبر Drop-off وتبدأ تحقق في أسباب المشكلة.
وده مهم جدًا في Marketing وSales وProduct Analytics.
5. Root Cause Analysis
دي واحدة من أهم المهارات اللي محتاجها أي Data Analyst.
تخيل إن الإيرادات انخفضت 20% الشهر ده.
ممكن تعمل Dashboard وتعرض الانخفاض، لكن ده مش معناه إنك عرفت سبب المشكلة.
هنا بنستخدم Root Cause Analysis عشان نحقق في الأسباب المحتملة.
ممكن نبدأ بتقسيم الإيرادات حسب المنتجات والمناطق وقنوات البيع، ونستخدم أساليب زي 5 Whys أو Fishbone Diagram.
لكن لازم نفرق بين إننا اكتشفنا Pattern مرتبط بالمشكلة وإننا أثبتنا السبب الحقيقي.
6. RFM Analysis
تخيل إن عندك E-commerce Business فيها آلاف العملاء، وعايز تعرف مين أهم العملاء عندك ومين العملاء اللي محتاجين ترجع تتواصل معاهم.
هنا بنستخدم RFM Analysis.
وهي اختصار لـ:
- Recency: آخر مرة العميل اشترى فيها.
- Frequency: عدد مرات الشراء.
- Monetary: إجمالي قيمة مشتريات العميل.
من خلال الـ 3 Metrics دول تقدر تقسم العملاء لمجموعات زي Loyal Customers وAt-Risk Customers.
وده بيساعد فرق الـ Marketing والـ CRM في بناء حملات أكثر استهدافًا.
7. Variance Analysis
تخيل إن الشركة كانت مستهدفة تحقق مبيعات بمليون جنيه الشهر ده، لكن المبيعات الفعلية كانت 800 ألف.
الفرق هنا 200 ألف جنيه، لكن هل مجرد معرفة الفرق كفاية؟
طبعًا لأ.
الـ Variance Analysis بتساعدنا نقارن الـ Actual بالـ Budget أو Target، ونفهم مصدر الاختلاف.
هل بعنا وحدات أقل من المتوقع؟ هل متوسط سعر البيع انخفض؟ ولا فيه منتج معين مسؤول عن أغلب الفرق؟
النوع ده مهم جدًا في Financial Analysis وSales وBusiness Performance.
طيب المفروض تتعلم كل الـ Techniques دي؟
مش شرط تتعمق في كل واحدة من البداية.
لكن لو أنت Generalist Data Analyst ولسه مش متخصص في Domain معين، مهم جدًا يكون عندك معرفة بالأساليب التحليلية المختلفة.
لأنك لما تشتغل في شركة، محدش هيقولك بالضرورة: اعملي Cohort Analysis أو استخدم Market Basket Analysis.
غالبًا هيجيلك Business Problem، وهيكون مطلوب منك تحدد بنفسك أنسب طريقة لتحليلها.
عملك ملف في شرح لمعظم ال Technics دي
ولو عايز فيديو كامل قولي اعرف بس مهتمين و لا لا و ان شاء الله انزل فيديو في شرح كامل لكل ال Technics دي الاسبوع الجي
2 weeks ago | [YT] | 61
View 15 replies
Mazen Analytics
في ناس كتير فاكرة إن محلل البيانات هو اللي بيختار الأدوات اللي بيشتغل بيها، لكن الحقيقة إن الموضوع مش كده في أغلب الشركات
كل شركة بيكون عندها الـ Tech Stack الخاص بيها ومحلل البيانات في النهاية بيكون Consumer للأدوات دي مش بالضرورة هو اللي بيحددها
عارف إن الكلام ده ممكن يكون بديهي بس أحيانًا البديهيات دي بتتنسي
يعني لو أنت خبرتك كلها في Power BI وروحت شركة بتستخدم Tableau، طبيعي جدًا إنك هتتعلم Tableau وتشتغل بيه
ومش بس كده بعض الشركات وخصوصًا الشركات الكبيرة بيكون عندها In-House Tools ودي أدوات الشركة طورتها بنفسها عشان تناسب احتياجاتها، وممكن تكون أدوات عمرك ما سمعت عنها قبل كده
والحقيقة إن التعرض لأدوات مختلفة بتؤدي نفس الوظيفة بيقوي مهاراتك جدًا، وبيزود قيمتك في سوق العمل
وده من الحاجات اللي بعض الشركات بتركز عليها في الـ Interviews لأنها بتفضل الشخص اللي اتعرض لأدوات وأساليب مختلفة واشتغل في بيئات كان نطاق شغله فيها بيتغير
طب ليه النقطة دي مهمة؟
لأن المجال نفسه بيتغير باستمرار، والشركات بتغير في الـ Tech Stack بتاعها وهتسمع كتير عن حاجة اسمها Migration
بس خد بالك أنا مش بقولك تروح تتعلم 5 أدوات بتعمل نفس الحاجة
الفكرة إنك مع الوقت ولما تشتغل في شركات مختلفة، هتتعرض بشكل طبيعي لأدوات جديدة، وساعتها هتكون مطالب إنك تتعلمها عشان تقدر تؤدي شغلك.
والموضوع مش مقتصر على الأدوات التقنية بس.
حتى طريقة كتابة الكود، أو الأسلوب اللي بتعمل بيه Analysis، ممكن يختلفوا من شركة للتانية.
وده مش معناه إن الشركة بتقيد حريتك، لكن لأن كل بيئة عمل ليها طبيعتها ومتطلباتها ومعاييرها.
وأحيانًا هتلاقي نفسك في موقف عندك فيه طريقة معينة أنت مقتنع إنها الأفضل وشايف إنها الأنسب للمشكلة، لكن في النهاية هتحتاج تشتغل بطريقة مختلفة لأسباب كتير ممكن تكون مرتبطة بالـ Business أو الـ Team أو حتى الـ Existing Systems
وهنا في يوم من الأيام هتقابل مبدأ مهم اسمه Disagree and Commit
إنك ممكن تختلف مع قرار معين، وتناقشه وتوضح وجهة نظرك لكن بعد ما القرار يتاخد تلتزم بتنفيذه وتساعد الفريق ينجح فيه
لأن في النهاية، الشغل جوه الشركات ملوش كتالوج واحد، ومش كل حاجة هتتم بالطريقة اللي أنت متعود عليها أو شايفها الأفضل
وجزء كبير من نضجك المهني إنك تعرف تتأقلم مع ده
2 weeks ago (edited) | [YT] | 32
View 11 replies
Mazen Analytics
حابب أشارك معاكم شوية من الشغل اللي بيجيلنا بفضل الله في DataStic 🤍
عشان الموضوع ميبقاش مجرد حاجات نظرية بنتكلم عنها وخلاص ونشوف إزاي الحاجات اللي بنتعلمها بنطبقها فعلا في شغل حقيقي
بس كنت محتار ما بين اتنين Projects وعايزكم تساعدوني أختار 😅
المشروع الأول لشركة عقارات
كانوا محتاجين نعمل AI Agent مربوط بالـ ERP System بتاع الشركة ويقدر يرد على استفسارات معينة بناء على البيانات الموجودة في الـ System وخصوصا البيانات اللي تخص العملاء
وكمان نعمل Reporting Workflow عشان نقدر نطلع تقارير معينة بشكل أوتوماتيك
المشروع التاني لمعامل تحاليل
المطلوب إننا نعمل Data Warehouse تتخزن فيها البيانات اللي جاية من Two Different Systems موجودين في الشركة
أول System فيه Daily Transactions بقالها حوالي 8 سنين
والـ System التاني فيه بيانات تخص الـ Customer Service
وهنعمل Data Pipelines عشان نسحب البيانات من الـ Systems ونعملها Processing و Transformation ونخزنها بشكل منظم في الـ Data Warehouse
وبعد كدة نقدر نطلع منها Insights معينة تساعدنا في مشروع أكبر جاي لمعامل التحاليل
حابب أعرف رأيكم أتكلم عن أنهي Project في الفترة الجاية إن شاء الله وهختار رأي الأغلبية 🤍
بس بعيدا عن المشروعين دول حابب أشارككم حاجة شخصية شوية
بما إنكم كنتوا شركاء الرحلة من أول ما بدأنا الشركة
من أول يوم كان عندي حلم إن الشركة دي تبقى أكبر بكتير من مجرد مكان بيقدم كورسات
وعشان كدة من أول يوم وأنا رافض إن اسمنا يبقى Academy
مش عشان في أي مشكلة في الـ Academies بالعكس تماما
بس عشان إحنا من البداية مكنش هدفنا إننا نعمل كورسات وبس
حلمي وده اللي شغال عليه ليل نهار بفضل الله إننا نبقى Ecosystem كامل في مجال الـ Data
من أول ما نعلم وندرب الناس لحد ما نشتغل وننفذ Projects حقيقية للشركات بإذن الله
ليه؟
لأني مؤمن إن التعلم عمره ما كان منفصل عن الشغل والتطبيق
وإن اللي بنعلمه للناس لازم نكون بنطبقه إحنا كمان على أرض الواقع
وعشان تعرفوا إحنا بنحاول نكبر الموضوع إزاي
بفضل الله وصلنا حاليا لـ 21 شخص في الشركة كلنا شغالين في مجال الـ Data و Full Time
وده غير الناس اللي شغالة معانا Freelance حسب الـ Projects اللي بنشتغل عليها
وكل ده بفضل ربنا وكرمه علينا
ولسه عندنا أحلام أكبر بكتير من اللي وصلناله ولسه في حاجات كتير نفسنا نعملها
وإن شاء الله نكبر أكتر ونقدر نحقق ولو جزء من اللي بنحلم بيه 🤍
مستني اختياركم في الكومنتات
1- مشروع الـ AI Agent لشركة العقارات
2- مشروع الـ Data Warehouse لمعامل التحاليل
ومتنسوناش من دعوة حلوة من القلب ربنا ييسرلنا أمرنا ويوفقنا في اللي جاي
يمكن دعوة من حد فيكم تكون سبب في خير كبير لينا 🤍
3 weeks ago | [YT] | 21
View 13 replies
Mazen Analytics
خلوني اشارك معاكم Analysis Results عملتها على اكتر من 21,000 وظيفة Data في الوطن العربي و اكتر من 41,000 وظيفة داتا في العالم في اكتر من 100 دولة
وزي ما واضح في الصورة الاولى، حللنا حجم الطلب على كل وظيفة من وظائف الداتا، والنتيجة كانت مثيرة للاهتمام خصوصا ترتيب الـData Engineer والـData Scientist والـData Analyst.
بس بعدها جه في دماغي سؤال...
طب الوضع عامل ازاي في الوطن العربي؟ وهل نفس الوظائف هي الاكثر طلبا عندنا؟
فقررنا نعمل الـAnalysis مخصوص للدول العربية، وسحبنا اكتر من 21,000 Job Posting من مواقع التوظيف باستخدام Web Scraping.
وطبعا الموضوع مكنش مجرد اننا نسحب الداتا ونعد الـJob Titles وخلاص 😅
عملنا Data Cleaning وDeduplication وClassification، لان لقينا وظائف كتير جدا بتظهر لما تبحث عن Data Analyst او Data Scientist، لكن لما تقرا الـJob Description تكتشف ان الوظيفة ملهاش علاقة بالـRole اصلا 😂
بعد الـCleaning بدأنا نشوف فعليا:
اكتر Data Role ظاهر في كل دولة عربية
نسبة كل Role داخل الوظائف اللي حللناها في كل دولة
الفرق بين الطلب على Data Analyst وData Engineer وData Scientist وAI/ML وغيرها
وعملنا Map توضح بشكل سريع الـRole الاكثر ظهورا في كل دولة، ومعاها Heatmap للمقارنة بالتفصيل
وحبيت اعمل الـAnalysis بنفسي من الـRaw Data بدل ما اعتمد بس على المواقع والتقارير الجاهزة، خصوصا ان طريقة جمع وتصنيف الداتا نفسها ممكن تغير النتيجة بشكل كبير.
مهم: النتائج دي بتمثل الوظائف اللي قدرنا نجمعها ونحللها في الـSample، مش معناها انها حصر كامل لكل وظائف الداتا في الوطن العربي.
ملحوظة: عدلت صور البوست بال Ai عشان مكنتش عارف اشاركها بسبب ال Aspect Ratios الي بيلزمني بيها اليوتيوب
ولو عايز تجرب تعمل Analysis بنفسك على الداتا
اكتبلي في الكومنتات "Data" وهبعتلك لينك ملفات الـCSV اللي استخدمناها.
1 month ago | [YT] | 46
View 11 replies
Mazen Analytics
ليه منريحش نفسنا ونحط كل البيانات في Table واحد؟
يعني فكر فيها...
أنا عندي Customers بيعملوا Orders على Products.
بدل ما أعمل Table للـCustomers...
وTable للـOrders...
وTable للـProducts...
وبعدين أفضل أربطهم ببعض...
ما أحط كل حاجة في Table واحدة وخلاص؟
Order 1001 → Ahmed → 010XXX → Cairo → Laptop → 30,000
Order 1002 → Mohamed → 011XXX → Giza → Mouse → 500
Order 1003 → Ahmed → 010XXX → Cairo → Keyboard → 1,500
شكلها أسهل فعلًا.
لحد ما أحمد يطلب منك 100 مرة.
ساعتها اسم أحمد...
ورقمه...
وعنوانه...
هيتكرروا 100 مرة.
وهنا هتبدأ تظهر عندك مشكلة اسمها...
Data Redundancy.
عشان كدة
بدل ما نخزن "أحمد" من أول وجديد مع كل Order...
ليه ما نخليش أحمد موجود مرة واحدة بس؟
Customers Table:
101 → Ahmed → 010XXX → Cairo
وبعدين أي Order يعمله...
مش محتاج يعرف اسم أحمد ورقمه وعنوانه.
محتاج يعرف حاجة واحدة بس:
Customer ID = 101
كأن أحمد معاه كارت عضوية رقمه 101.
كل ما يشتري حاجة، إحنا مش بنسجل بياناته من الأول...
بنسجل إن:
101 عمل الـOrder ده.
وبكده لو أحمد غير رقم موبايله؟
هغيره مرة واحدة بس.
الفكرة دي جزء أساسي من حاجة اسمها:
Normalization.
والـNormalization مش مجرد Rules بنحفظها:
1NF
2NF
3NF
بس هنا في حاجة غريبة...
لو إحنا تعبنا كل التعب ده عشان نفصل البيانات...
ليه لما نوصل للـData Warehouse والـAnalytics...
بنبدأ أحيانًا نجمع أجزاء منها تاني؟
لو تفتكر لما بنرجع نعمل Data Modeling
الإجابة هنا هتدخلنا في عالم تاني تمامًا:
OLTP vs OLAP.
بس قبل ما أقفل البوست عندي سؤال ليك
إحنا لسه متفقين إن تكرار البيانات ممكن يعمل Data Redundancy...
وإن الـNormalization بيساعدنا ننظم البيانات ونفصلها بشكل أفضل.
طب ليه في الـData Warehouse ممكن نعمل العكس بإيدينا؟
ليه ممكن نعمل Denormalization ونرجع نقرب بيانات من بعض تاني...
مع إننا من شوية كنا بنحاول نفصلها؟
هل كده إحنا بنبوّظ اللي عملناه؟
ولا الـDenormalization هنا ليها هدف تاني؟
فكر فيها واكتبلي رأيك في الكومنتات
وهقولك الإجابة بالتفصيل في شرح
Database Design & Data Modeling.
اتأكد انك متابعني عشان الدرس هينزل قريب علي القناة ان شاء الله
2 months ago | [YT] | 76
View 7 replies
Mazen Analytics
لو استخدامك لـ Excel واقف عند الـ Formulas والـ Pivot Table… فأنت لسه مستخدمتش الاكسيل بشكل قوي في تحليل البيانات!
يوم الجمعة بإذن الله عندنا FREE Workshop هنبدأ فيها ندخل لمستوى مختلف شوية في تحليل البيانات باستخدام Excel.
المرة دي مش هنتكلم عن شوية Functions جديدة…
هنتعلم إزاي Excel نفسه ممكن يتحول لأداة أقوى بكتير في التعامل مع البيانات من خلال Power Pivot.
هنفهم وهنطبق مع بعض:
🔹 يعني إيه Power Pivot؟ وليه أصلًا أستخدمه في تحليل البيانات؟
🔹 يعني إيه ETL Process وإزاي الـ Extract, Transform, Load بتحصل جوه Excel؟
🔹 إيه دور Power Query في العملية دي وإزاي بيتكامل مع Power Pivot؟
🔹 إزاي نبني Data Model ونربط أكتر من Table ببعض بدل ما كل شغلنا يبقى على Sheet واحدة؟
🔹 هنبدأ نفهم DAX وإزاي نستخدمه في كتابة Measures وتحليلات أقوى.
🔹 والأهم… إزاي نربط كل ده بالـ Pivot Table ونطلع تحليل مرن وديناميكي من الـ Data Model.
الفكرة إنك بعد الـ Workshop متبقاش شايف Excel مجرد Sheets وFormulas…
لكن تبدأ تشوف الصورة الأكبر:
Power Query → ETL → Data Model → DAX → Power Pivot → Analysis
📅 الجمعة
⏰ 9:30 PM
💰 ال Workshopt مجانية بالكامل ( لعل يبقا علم نافع ان شاء الله 🤍 )
لو حابب تحضر، اكتبلي في الكومنتات كلمة POWER PIVOT
وهنبعتلك تفاصيل ورابط الـ Workshop.
2 months ago | [YT] | 127
View 136 replies
Mazen Analytics
بفضل الله Bootcamp جديد 🤍
مش محتاج تتعلم Python كلها عشان تبقى Data Analyst!
وده بالظبط اللي حاولت أطبقه في Python for Data Analysis Bootcamp الجديد على القناة.
الفكرة مش إننا نقعد نتعلم Programming ونحفظ Syntax كتير…
الفكرة إن كل حاجة نتعلمها نسأل بعدها:
أنا كـ Data Analyst هستخدم ده في إيه؟
وعشان كده الـBootcamp مش واقف عند Pandas وقراءة CSV وخلاص.
هنمشي في رحلة عملية نشوف فيها إزاي Python تساعدنا في:
🔹 Web Scraping → نجيب Data من الويب بنفسنا
🔹 Data Analysis → ننظف ونحلل ونستخرج Insights
🔹 Data Visualization → نحول الأرقام لحاجة نقدر نفهمها ونحكي بيها قصة
🔹 Time Series Analysis → نفهم التغير مع الوقت ونحلل الـTrends
والأهم إن كل Topic مش مجرد كود بنكتبه…
لكن بنحاول نفهم: إمتى أستخدمه؟ وليه؟ وإيه المشكلة اللي بيحلها؟
وده جزء من الفكرة اللي بحاول أبني عليها المحتوى الفترة دي:
نتعلم الـTopics اللي محتاجينها في الشغل… والأداة تيجي بعدها.
لينك ال Bootcamp:
https://youtu.be/V7Ej23sG6Ho?si=4EOMZ...
2 months ago | [YT] | 20
View 0 replies
Mazen Analytics
يمكن ده من أكتر الأسئلة اللي اتسألتها على كل المنصات، خصوصًا من الناس اللي بدأت Freelancing أو بتقدم Service.
وغالبًا اللي بيسأل بيكون مستني مني إجابة زي:
"خد 1000 جنيه."
أو "خد 5000 جنيه."
بس للأسف الموضوع مش Direct كده 😅
وأنا فاكر في بداياتي إن دي كانت من أكتر الحاجات اللي بتحيرني فعلًا...
العميل يشرح المطلوب، وأنا أكون فاهم هعمل إيه كويس جدًا، لكن أول ما يسألني:
"تمام.. التكلفة كام؟"
هنا تبدأ المشكلة 🙂
لأن تسعير الخدمات أصعب بكتير من تسعير المنتجات.
المنتج غالبًا عندك تكلفة واضحة نسبيًا:
تكلفة شراء + تشغيل + مصاريف + هامش ربح.
لكن الخدمة؟
تكلفتها مش واضحة بنفس الشكل.
وعشان كده مفيش طريقة واحدة تقولك: "ده السعر الصح."
أنا بشوف إنك ممكن تبص للتسعير من 3 زوايا:
1- Cost Based
وقتك + مجهودك + أي تكاليف هتدفعها عشان تنفذ الشغل.
2- Market Based
السوق بيسعّر النوع ده من الخدمات في حدود كام؟
مش عشان تقلد السعر، لكن عشان تفهم أنت واقف فين.
3- Value Based
ودي من أهم الحاجات مع الخبرة:
الشغل اللي هتعمله قيمته إيه بالنسبة للعميل؟
Dashboard بتوفر ساعتين شغل كل شهر مش زي Dashboard هتساعد شركة تاخد قرارات بملايين.
وعشان كده طبيعي جدًا في البداية متبقاش عارف تسعّر شغلك.
لأن جزء كبير من التسعير مش مجرد معادلة...
هو تقدير بيتحسن مع خبرتك، وفهمك للسوق، وفهمك لقيمة شغلك.
فبدل ما تسأل:
"آخد كام في المشروع ده؟"
ابدأ اسأل نفسك:
هيكلفني كام؟ السوق بيدفع كام؟ والقيمة اللي هقدمها للعميل قد إيه؟
ومن التلاتة دول... تبدأ توصل لسعر منطقي فعلًا.
قولي كدة بتسعر شغلك بناء علي اية في الكومنتات 😅
2 months ago (edited) | [YT] | 53
View 3 replies
Mazen Analytics
كل فترة وأنا بنزل فيديوهات على اليوتيوب ألاقي نفس السؤال بيتكرر...
"أنا فاضلي إيه في Excel؟"
"طب Power BI أتعلم فيه إيه كمان؟"
"أنا خلصت SQL... كده خلاص؟"
ولقيت إن المشكلة مش إن الناس مش بتتعلم...
المشكلة إن الناس مش عارفة هي وصلت لفين، وفاضلها إيه.
عشان كده عملت الـ Roadmap البسيطة دي.
عشان أي حد يبص عليها يعرف:
أنا خلصت إيه.
وإيه اللي لسه ناقصني.
وإيه المفروض أتعلمه بعد كده.
سواء هدفك تبقى Data Analyst...
أو حتى بتستخدم الأدوات دي في شغلك ومش ناوي تشتغل محلل بيانات.
وبرضو عشان في ناس لحد دلوقتي فاكرة إن اللي بيعمل كورسات مش بيشارك علمه. 😅
والله الرزق على الله...
وممكن دعوة صادقة من حد تكون عند ربنا أغلى من أي فلوس.
عشان كده حاولت أخلي الـ Roadmap بسيطة ومباشرة، بحيث تقدر تمشي عليها حتى لو هتتعلم بشكل مجاني من اليوتيوب.
أكيد فيه مواضيع متقدمة هتحتاج ترجع فيها لمصادر أجنبية لأنها لسه مش متوفرة عربي بشكل كافي...
لكن على الأقل هتبقى عارف أنت رايح فين، بدل ما تتفرج على فيديوهات عشوائية.
بص على الـ Roadmap...
وقولي إيه الجزء اللي لسه ناقصك؟
Excel؟
Power Query؟
DAX؟
SQL؟
ولا حاجة تانية؟
ولو لقيت إن ناس كتير ناقصها نفس الموضوع...
إن شاء الله أنزل له شرح مجاني على اليوتيوب.
يمكن فيديو واحد يوفر على حد شهور من التخبط. ❤️
3 months ago | [YT] | 191
View 33 replies
Mazen Analytics
من كام شهر...
كنت شغال مع شركة، وكان عندهم سؤال بسيط جدًا...
"إيه أفضل Campaign نزوّد لها الميزانية؟"
أول رد ممكن أي حد يقوله:
بص على Meta Ads Manager أو Google Ads.
لكن الحقيقة...
المنصات دي بتقولك كام واحد شاف الإعلان...
كام واحد ضغط...
كام واحد عمل Conversion.
بس...
هل دي فعلًا الأرقام اللي تساعدك تاخد قرار؟
خليني أسألك كام سؤال.
لو Campaign جابت 1000 Lead...
كام واحد منهم رد فعلًا؟
كام واحد طلب يعرف السعر؟
كام واحد وصل لمرحلة متابعة جدية؟
كام واحد بقى Qualified Lead؟
كام واحد اشترى؟
وفجأة اكتشفنا إننا بنبني قراراتنا على أول خطوة في رحلة العميل...
وسايبين باقي الرحلة كلها.
وقتها قررنا نبني Lead Tracking System.
مش علشان نعرف عدد الـ Leads...
لكن علشان نعرف رحلة كل Lead من أول ما ضغط على الإعلان لحد ما اشترى أو خرج من الـ Funnel.
وبعد فترة...
بقينا نقدر نجاوب على أسئلة عمر منصة الإعلانات لوحدها ما كانت هتجاوب عليها.
مش:
"أنهي Campaign جابت Leads أكتر؟"
لكن:
أنهي Campaign جابت Qualified Leads أكتر؟
أنهي Campaign نسبة تحويلها أعلى؟
أنهي مصدر بيجيب عملاء بيشتروا فعلًا؟
وأنهي Campaign تستحق فعلًا إننا نعمل لها Scaling؟
وده كان أكبر درس اتعلمته...
الـ Dashboard لوحدها مش بتديك Insights.
الـ Insights بتبدأ من لحظة إنك تعرف إيه البيانات اللي لازم تتجمع من الأساس.
وده بالنسبة لي هو الفرق بين...
واحد بيقرأ أرقام...
وواحد بيستخدم البيانات علشان ياخد قرار يزوّد أرباح الشركة.
لأن في النهاية...
أفضل Campaign مش اللي جابت أكبر عدد Clicks...
أفضل Campaign هي اللي جابت أكبر عدد عملاء حقيقيين.
لو البوست ده عجبكم... ممكن أشارك في البوست الجاي إزاي صممنا الـ Lead Tracking System وإيه البيانات اللي كنا بنجمعها علشان نعرف الـ Qualified Leads الحقيقيين.
3 months ago | [YT] | 42
View 8 replies
Load more