Hassan El Karni
Data Analyst
Über mich
👋 Hallo,
Ich bin Hassan El Karni, ein leidenschaftlicher 💻 Data Analyst mit einem starken Fokus auf 📊 Dateninfrastruktur und 🔍 Datenanalyse. Ich liebe es, aus 📈 Rohdaten klare und nützliche 💡 Erkenntnisse zu gewinnen, die Unternehmen helfen, bessere Entscheidungen zu treffen. Daten erzählen Geschichten – und ich helfe dabei, sie ✍️ verständlich und 🤝 greifbar zu machen. Wenn du neugierig auf meine 🛠️ Projekte bist oder einfach mal plaudern möchtest, Ich freue mich, von Ihnen zu hören!
Fähigkeiten
Excel | Power BI | Tableau | SQL | Python
Datenanalyse
SQL und Datenbanken
Datenvisualisierung
Problemlösung
Ausgewählte Projekte
Autoverkaufsanalyse-Dashboard
Dieses Power BI-Dashboard zeigt eine Analyse der Autoverkäufe nach Regionen, Karosseriestilen und Farben. Es visualisiert wichtige KPIs wie Gesamtverkäufe und Durchschnittspreise und unterstützt die Identifikation von Verkaufstrends.
Fahrradverkaufsanalyse-Projekt
Analyse eines Fahrradverkaufs-Datensatzes von Kaggle zur Identifikation von Trends und Einflussfaktoren auf Verkaufsentscheidungen. Hauptaufgaben waren Datenbereinigung, Visualisierungen mit Python und datenbasierte Empfehlungen zur Optimierung von Verkaufsstrategien.
Spotify Analyze
Entdecken Sie die beliebtesten Spotify-Songs des Jahres 2023 und erfahren Sie, welche musikalischen Merkmale sie erfolgreich machen.
Pizza Sales Dashboard: Verkaufsanalysen auf einen Blick
Ein interaktives Dashboard zur Analyse der Verkaufsdaten einer Pizzeria. Entdecken Sie die umsatzstärksten Produkte, Stoßzeiten und wichtige Trends. Diese Visualisierung liefert wertvolle Einblicke, um Verkaufsstrategien zu optimieren und Kundenpräferenzen zu verstehen.
Professionelle Zertifizierung
Pl 300 Microsoft Power Bi Datenanalyst | Ausgestellt 2024
Google Data Analytics Zertifikat | Ausgestellt 2024
Autoverkaufsanalyse |Dashboard
Projektziel:
Dieses Dashboard wurde entwickelt, um die Verkaufsleistung von Autos in verschiedenen Regionen, Karosseriestilen und Farben zu analysieren. Ziel war es, Einblicke in Verkaufsvolumen und -trends zu erhalten und wichtige Kennzahlen (KPIs) wie Gesamtverkäufe und Durchschnittspreise zu überwachen.Wichtige Fragen:Welche Karosseriestile und Farben sind am beliebtesten?
Welche Regionen verzeichnen die höchsten Verkaufszahlen?
Wie verhalten sich die durchschnittlichen Verkaufspreise im Zeitverlauf?
Gibt es saisonale Trends in den Verkäufen?Vorgehensweise:Datenimport und -aufbereitung: Bereinigung und Vorbereitung der Verkaufsdaten, um eine zuverlässige Analyse zu ermöglichen.Datenmodellierung: Erstellung eines strukturierten Datenmodells, das regionale, zeitliche und produktbezogene Dimensionen abdeckt.
Visualisierung: Gestaltung der wichtigsten KPI-Visualisierungen (Gesamtverkäufe, Durchschnittspreis, Verkaufsvolumen) und Filtermöglichkeiten (z. B. nach Karosseriestil, Region).
Analyse und Interpretation: Untersuchung der Trends und Muster, die in den Daten sichtbar wurden.
Zentrale Erkenntnisse:
Die höchsten Verkaufszahlen wurden in bestimmten Regionen und Karosseriestilen erzielt.
Es gab signifikante Preisunterschiede je nach Karosseriestil und Farbe.
Die Daten zeigten klare wöchentliche und monatliche Trends, die zur Optimierung von Marketingstrategien genutzt werden könnten.
Dieses Dashboard ermöglichte eine datengesteuerte Entscheidungsfindung und half, Bereiche für mögliche Umsatzsteigerungen zu identifizieren.
Pizza Sales Dashboard: Verkaufsanalysen auf einen Blick
Dieses Dashboard visualisiert Verkaufsdaten einer Pizzeria, um Trends und beliebte Produkte zu erkennen.Projektziele: Die Analyse zielt darauf ab, die umsatzstärksten Pizzen, Stoßzeiten sowie monatliche und wöchentliche Bestelltrends zu identifizieren. Besonders wichtig sind Einblicke in Kategorien und Größen, die die höchsten Umsätze generieren, sowie in Produkte, die weniger gefragt sind.Key Features:Gesamtumsatz und Bestellungen: Übersicht über die Gesamteinnahmen und die Anzahl verkaufter Pizzen.
Busiest Days & Times: Identifikation der Tage und Monate mit den höchsten Bestellzahlen.
Top & Bottom Pizzen: Visualisierung der besten und schlechtesten Pizzen nach Umsatz und Bestellmenge.
Kategorie und Größenverteilung: Zeigt an, welche Pizzakategorien und -größen am beliebtesten sind.
Erkenntnisse: Dieses Projekt verdeutlicht, wie datengetriebene Visualisierungen dabei helfen, Verkaufsstrategien zu optimieren, indem es die beliebtesten Produkte und Verkaufszeiten hervorhebt.
Spotify Analyze
Um das vollständige Projekt in kaggle zu sehen :
Projektübersicht
Diese Analyse konzentriert sich auf beliebte Spotify-Songs im Jahr 2023 und untersucht Attribute wie Titelnamen, Künstlerdetails, Veröffentlichungsdaten und musikalische Merkmale wie BPM, Tonart, Modus und Danceability. Ziel ist es, Muster und Einblicke in die Beliebtheit von Songs zu gewinnen.DatenquelleKaggle: Top Spotify Songs 2023 Datensatz.Wichtige Funktionen und ErgebnisseDatenimport und -vorbereitung
Tools: Verwendung von Pandas für das Laden und Vorbereiten der Daten.
Attribute: Enthalten Titelnamen, Künstlernamen, Veröffentlichungsdaten, Streams, BPM, Tonart, Modus, Danceability, Energie, usw.Explorative Datenanalyse (EDA)Top-Künstler und Tracks: Identifizierung der meistgestreamten Künstler und Tracks von 2023.
Veröffentlichungstrends: Analyse der Verteilung von Songveröffentlichungen nach Monat und Tag.
Stream-Analyse: Untersuchung der Stream-Anzahl zur Verständnis der Popularitätsdynamik.
Analyse der musikalischen Merkmale
BPM-Verteilung: Untersuchung der Beats per Minute in den Top-Tracks.
Danceability und Energie: Untersuchung der Variationen in Danceability und Energie.
Tonart und Modus: Analyse der häufig verwendeten Tonarten und Modi, die Präferenzen für bestimmte Skalen zeigen.VisualisierungBalkendiagramme und Histogramme: Darstellung der Häufigkeit und Verteilung von Attributen wie Veröffentlichungsmonaten, BPM und Streams.
Streudiagramme und Heatmaps: Visualisierung der Beziehungen zwischen musikalischen Merkmalen und ihrer Auswirkung auf die Song-Popularität.
Erkenntnisse
Beliebte Künstler: Jung Kook und Olivia Rodrigo waren unter den meistgestreamten Künstlern.
Veröffentlichungszeitpunkt: Bestimmte Monate zeigten eine höhere Aktivität bei Veröffentlichungen.
Musikalische Vorlieben: Hohe Danceability und Energie waren häufig in den meistgestreamten Songs, was eine Vorliebe für mitreißende Tracks zeigt.FazitDiese Analyse bietet wertvolle Einblicke in die Merkmale, die beliebte Songs auf Spotify im Jahr 2023 definieren. Das Verständnis dieser Trends kann Künstlern, Produzenten und Musikvermarktern helfen, ihre Strategien besser auf die Vorlieben der Hörer abzustimmen und ihre Wirkung auf Streaming-Plattformen zu maximieren.
Fahrradverkaufsanalyse-Projekt
Um das vollständige Projekt in kaggle zu sehen :
Projektübersicht
Dieses Projekt basiert auf der Analyse eines umfassenden Datensatzes über Fahrradverkäufe, der von Kaggle stammt. Ziel war es, verwertbare Erkenntnisse über Verkaufsleistungen, Kundenverhalten und die Faktoren, die Kaufentscheidungen beeinflussen, zu gewinnen. Im Rahmen des Projekts wurden zentrale Geschäftsfelder untersucht, darunter:1. Welche Faktoren fördern höhere Verkaufszahlen?
2. Wie beeinflussen demografische Merkmale der Kunden das Kaufverhalten?
3. Welche Trends lassen sich im zeitlichen Verlauf der Verkäufe erkennen?
4. Welche Produktkategorien sind am erfolgreichsten und warum?DatenquelleKaggle: Bike Sales DataWichtige Aspekte:. Datenbereinigung und -vorbereitung: Durchführung von Vorverarbeitungsschritten wie dem Umgang mit fehlenden Werten, der Transformation von kategorialen Variablen und der Sicherstellung von Datenkonsistenz..Explorative Datenanalyse (EDA): Einsatz von Python-Bibliotheken wie Pandas, Matplotlib und Seaborn zur Identifikation von Korrelationen, Trends und Mustern in den Daten..Visuelle Darstellung: Erstellung aussagekräftiger Visualisierungen zur Darstellung von Kundensegmentierung, regionaler Verkaufsperformance und Produktpräferenzen..Erkenntnisse und Empfehlungen: Ableitung datengetriebener Erkenntnisse zur Optimierung von Verkaufsstrategien, gezielten Ansprache von Zielgruppen und Verbesserung der Lagerplanung.Dieses Projekt zeigt meine Fähigkeiten in den Bereichen Datenanalyse, Datenvisualisierung und der Beantwortung geschäftskritischer Fragestellungen anhand von realen Datensätzen. Es unterstreicht meine Kompetenz, komplexe Daten in umsetzbare Handlungsempfehlungen für Entscheidungsprozesse umzuwandeln.