Skip to content

iyashar/sales-dashboard-by-streamlit

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

6 Commits
data
data
 
 
app.py
app.py
 
 
bash.sh
bash.sh
 
 
generate_sample_data.py
generate_sample_data.py
 
 
readme.md
readme.md
 
 
requirements.txt
requirements.txt
 
 

Repository files navigation

Sales Analysis Dashboard / داشبورد تحلیل فروش

📊 Overview

A comprehensive, interactive sales analysis dashboard built with Streamlit. This platform provides advanced sales analytics, temporal pattern identification, and regional performance comparison capabilities.

✨ Key Features

📈 Core Analytics

  • Performance Metrics: Display key sales and revenue indicators
  • Time Trends: Monthly and seasonal sales analysis
  • Category Analysis: Product performance comparison

🗺️ Advanced Regional Analysis

  • Sales Heatmap: Sales patterns by days of week and months
  • Regional Performance: Cross-region comparison over time
  • Regional Champions: Top-performing regions by month
  • Regional Heatmap: Visual performance analysis across regions

🔍 Interactive Capabilities

  • Dynamic Filters: Filter by time, category, and region
  • Responsive Charts: Full chart interactivity
  • Data Download: Export filtered data
  • Multi-language: Persian and English support

🚀 Quick Start

Prerequisites

  • Python 3.8 or higher
  • pip (Python package manager)

Method 1: Quick Setup

# Clone repository
git clone https://github.com/your-username/sales-dashboard.git
cd sales-dashboard

# Install dependencies
pip install -r requirements.txt

# Generate sample data
python generate_sample_data.py

# Launch dashboard
streamlit run app.py

Method 2: Using Virtual Environment

# Create virtual environment
python -m venv venv

# Activate virtual environment
# Windows:
venv\Scripts\activate
# Mac/Linux:
source venv/bin/activate

# Install packages
pip install -r requirements.txt

# Generate data
python generate_sample_data.py

# Run application
streamlit run app.py

📁 Project Structure

sales-dashboard/
├── app.py                    # Main dashboard application
├── generate_sample_data.py   # Sample data generator
├── requirements.txt          # Python dependencies
├── README.md                # Project documentation
├── setup.sh                 # Setup script (optional)
├── .gitignore               # Git ignore file
└── data/
    └── sales_data.csv       # Sales data (auto-generated)

🛠️ Technology Stack

Technology Version Purpose
Streamlit 1.28+ Web application framework
Pandas 2.0+ Data processing & analysis
Plotly 5.15+ Interactive visualizations
NumPy 1.24+ Numerical computations

📊 Sample Data

Automatically generated sample data includes:

Data Structure

{
    'date': '2023-01-01',        # Sales date
    'category': 'Electronics',   # Product category
    'region': 'North',          # Sales region
    'sales': 142,               # Sales quantity
    'revenue': 35682.15,        # Revenue (USD)
    'month': '2023-01',         # Month (for grouping)
    'quarter': 'Q1-2023'        # Quarter (seasonal analysis)
}

Data Patterns

  • One-year data: January to December 2023
  • 5 product categories: Electronics, Clothing, Books, Home & Kitchen, Sports
  • 5 sales regions: North, South, East, West, Central
  • Seasonal patterns: Regional and seasonal variations

🎯 Usage Guide

Main Dashboard Sections

  1. Filters (Sidebar)

    • Date range selection
    • Product categories
    • Sales regions

  2. Key Metrics

    • Total sales count
    • Total revenue
    • Average sale value
    • Daily average sales

  3. Analytical Charts

    • Monthly sales trends
    • Revenue by category
    • Regional sales distribution

  4. Advanced Analysis

    • Sales heatmap (Days vs Months)
    • Regional performance
    • Monthly regional champions

Usage Tips

  • Use filters to focus on specific data subsets
  • Hover over charts for detailed information
  • Use download button to export filtered data
  • Charts update in real-time with filter changes

🔧 Customization & Development

Adding New Data Source

# Modify load_data function in app.py
def load_data():
    # For real data:
    df = pd.read_csv('path/to/your/data.csv')
    # Or for database connection:
    # df = pd.read_sql('SELECT * FROM sales', connection)
    return df

Adding New Visualizations

# Add in relevant section of app.py
new_chart = px.bar(
    data_frame=filtered_df,
    x='category',
    y='sales',
    title='New Chart'
)
st.plotly_chart(new_chart)

🤝 Contributing

We welcome contributions! To contribute:

  1. Fork the repository
  2. Create a new branch: git checkout -b feature/amazing-feature
  3. Commit your changes: git commit -m 'Add amazing feature'
  4. Push to the branch: git push origin feature/amazing-feature
  5. Create a Pull Request

Git Commands for Contributors

# Fork and clone repository
git clone https://github.com/iyashar/sales-dashboard-by-streamlit.git
cd sales-dashboard

# Create new branch
git checkout -b feature/new-analysis

# Add changes
git add .
git commit -m "Add new analysis feature"

# Push changes
git push origin feature/new-analysis

📝 Troubleshooting

Common Issues

  1. Package Errors

    # Update pip
pip install --upgrade pip

# Reinstall packages
pip install -r requirements.txt

  2. Data Not Loading

    • Ensure sales_data.csv exists in data folder
    • Run python generate_sample_data.py

  3. Port Already in Use

    # Use different port
streamlit run app.py --server.port 8502

Debugging

# For debugging, add to app.py
import logging
logging.basicConfig(level=logging.DEBUG)

# Or use st.write for debugging
st.write("Debug info:", filtered_df.shape)

📄 License

This project is licensed under the MIT License. See LICENSE file for details.

📞 Support

  • Issues: For bug reports or feature requests
  • Discussions: For questions and discussions
  • Email: yashara@outlook.com

🔄 Changelog

Version 1.1 (Current)

  • Added sales heatmaps
  • Advanced regional analysis
  • Multi-language support
  • Data download capability

Future Roadmap

  • Real database integration
  • ML-based sales forecasting
  • Administrative dashboard
  • Automated reporting

📊 نمای کلی

یک داشبورد تحلیل فروش تعاملی و جامع ساخته شده با Streamlit. این پلتفرم امکان تحلیل پیشرفته فروش، شناسایی الگوهای زمانی و مقایسه عملکرد مناطق مختلف را فراهم می‌کند.

✨ ویژگی‌های اصلی

📈 تحلیل‌های کلیدی

  • شاخص‌های عملکرد: نمایش متریک‌های کلیدی فروش و درآمد
  • روندهای زمانی: تحلیل فروش ماهانه و فصلی
  • تحلیل دسته‌بندی: مقایسه عملکرد محصولات مختلف

🗺️ تحلیل منطقه‌ای پیشرفته

  • هیت‌مپ فروش: نمایش الگوهای فروش بر اساس روزهای هفته و ماه‌ها
  • عملکرد مناطق: مقایسه مناطق مختلف در بازه‌های زمانی
  • برترین مناطق: شناسایی منطقه برتر در هر ماه
  • هیت‌مپ منطقه‌ای: تحلیل بصری عملکرد مناطق

🔍 قابلیت‌های تعاملی

  • فیلترهای پویا: فیلتر بر اساس زمان، دسته‌بندی و منطقه
  • نمودارهای واکنش‌گرا: تعامل کامل با نمودارها
  • دانلود داده: امکان دریافت داده‌های فیلتر شده
  • چندزبانه: پشتیبانی از زبان فارسی و انگلیسی

🚀 راه‌اندازی سریع

پیش‌نیازها

  • Python 3.8 یا بالاتر
  • pip (مدیریت پکیج پایتون)

روش اول: نصب سریع

# کلون کردن ریپازیتوری
git clone https://github.com/iyashar/sales-dashboard-by-streamlit.git
cd sales-dashboard

# نصب وابستگی‌ها
pip install -r requirements.txt

# تولید داده‌های نمونه
python generate_sample_data.py

# اجرای داشبورد
streamlit run app.py

روش دوم: استفاده از محیط مجازی

# ایجاد محیط مجازی
python -m venv venv

# فعال‌سازی محیط مجازی
# در ویندوز:
venv\Scripts\activate
# در مک/لینوکس:
source venv/bin/activate

# نصب پکیج‌ها
pip install -r requirements.txt

# تولید داده‌ها
python generate_sample_data.py

# اجرای برنامه
streamlit run app.py

📁 ساختار پروژه

sales-dashboard/
├── app.py                    # کد اصلی داشبورد
├── generate_sample_data.py   # تولید داده‌های نمونه
├── requirements.txt          # لیست پکیج‌های مورد نیاز
├── README.md                # مستندات پروژه
├── setup.sh                 # اسکریپت راه‌اندازی (اختیاری)
├── .gitignore               # فایل‌های نادیده گرفته شده توسط Git
└── data/
    └── sales_data.csv       # داده‌های فروش (تولید خودکار)

🛠️ تکنولوژی‌های استفاده شده

تکنولوژی نسخه کاربرد
Streamlit 1.28+ فریم‌ورک اصلی وب اپلیکیشن
Pandas 2.0+ پردازش و تحلیل داده‌ها
Plotly 5.15+ نمودارهای تعاملی
NumPy 1.24+ محاسبات عددی

📊 نمونه داده‌ها

داده‌های استفاده شده در این داشبورد به صورت خودکار تولید می‌شوند و شامل:

ساختار داده‌ها

{
    'date': '2023-01-01',        # تاریخ فروش
    'category': 'Electronics',   # دسته‌بندی محصول
    'region': 'North',          # منطقه فروش
    'sales': 142,               # تعداد فروش
    'revenue': 35682.15,        # درآمد (دلار)
    'month': '2023-01',         # ماه (برای گروه‌بندی)
    'quarter': 'Q1-2023'        # فصل (برای تحلیل فصلی)
}

الگوهای داده‌ها

  • داده‌های یکساله: از ژانویه تا دسامبر 2023
  • 5 دسته‌بندی محصول: الکترونیک، پوشاک، کتاب، خانه و آشپزخانه، ورزشی
  • 5 منطقه فروش: شمال، جنوب، شرق، غرب، مرکز
  • الگوهای فصلی: تغییرات فصلی و منطقه‌ای

🎯 راهنمای استفاده

بخش‌های اصلی داشبورد

  1. فیلترها (سایدبار)

    • بازه زمانی
    • دسته‌بندی محصولات
    • مناطق فروش

  2. متریک‌های کلیدی

    • تعداد کل فروش
    • درآمد کل
    • میانگین ارزش فروش
    • میانگین فروش روزانه

  3. نمودارهای تحلیلی

    • روند فروش ماهانه
    • درآمد بر اساس دسته‌بندی
    • توزیع فروش منطقه‌ای

  4. تحلیل‌های پیشرفته

    • هیت‌مپ فروش (روز vs ماه)
    • عملکرد منطقه‌ای
    • برترین مناطق هر ماه

نکات استفاده

  • از فیلترها برای تمرکز بر داده‌های خاص استفاده کنید
  • روی نمودارها هاور کنید تا اطلاعات دقیق‌تر ببینید
  • از دکمه دانلود برای دریافت داده‌های فیلتر شده استفاده کنید
  • نمودارها به صورت real-time با فیلترها به‌روز می‌شوند

🔧 توسعه و سفارشی‌سازی

اضافه کردن منبع داده جدید

# در app.py، تابع load_data را تغییر دهید
def load_data():
    # برای داده‌های واقعی:
    df = pd.read_csv('path/to/your/data.csv')
    # یا برای اتصال به دیتابیس:
    # df = pd.read_sql('SELECT * FROM sales', connection)
    return df

اضافه کردن نمودار جدید

# در بخش مربوطه از app.py اضافه کنید
new_chart = px.bar(
    data_frame=filtered_df,
    x='category',
    y='sales',
    title='نمودار جدید'
)
st.plotly_chart(new_chart)

🤝 مشارکت در توسعه

ما از مشارکت‌های شما استقبال می‌کنیم! برای مشارکت:

  1. ریپازیتوری را Fork کنید
  2. Branch جدید ایجاد کنید: git checkout -b feature/amazing-feature
  3. تغییرات را Commit کنید: git commit -m 'Add amazing feature'
  4. به Branch اصلی Push کنید: git push origin feature/amazing-feature
  5. Pull Request ایجاد کنید

دستورات Git برای مشارکت‌کنندگان

# Fork ریپازیتوری و کلون کردن
git clone https://github.com/iyashar/sales-dashboard-by-streamlit.git
cd sales-dashboard

# ایجاد برنچ جدید
git checkout -b feature/new-analysis

# اضافه کردن تغییرات
git add .
git commit -m "Add new analysis feature"

# آپلود تغییرات
git push origin feature/new-analysis

📝 راهنمای عیب‌یابی

مشکلات رایج

  1. خطای پکیج‌ها

    # آپدیت pip
pip install --upgrade pip

# نصب مجدد پکیج‌ها
pip install -r requirements.txt

  2. داده‌ها لود نمی‌شوند

    • مطمئن شوید فایل sales_data.csv در پوشه data وجود دارد
    • دستور python generate_sample_data.py را اجرا کنید

  3. پورت در حال استفاده است

    # استفاده از پورت متفاوت
streamlit run app.py --server.port 8502

دیباگینگ

# برای دیباگ، در app.py اضافه کنید
import logging
logging.basicConfig(level=logging.DEBUG)

# یا از st.write برای دیباگ استفاده کنید
st.write("Debug info:", filtered_df.shape)

📄 لایسنس

این پروژه تحت لایسنس MIT منتشر شده است. برای جزئیات بیشتر فایل LICENSE را مطالعه کنید.

📞 پشتیبانی

  • ایسوها: برای گزارش باگ یا پیشنهاد قابلیت جدید
  • دیسکاشن‌ها: برای سوالات و بحث‌ها
  • ایمیل: yashara@outlook.com

🔄 تاریخچه تغییرات

نسخه 1.1 (کنونی)

  • اضافه شدن هیت‌مپ فروش
  • تحلیل‌های منطقه‌ای پیشرفته
  • پشتیبانی از زبان فارسی
  • قابلیت دانلود داده‌ها

برنامه آینده

  • اتصال به دیتابیس واقعی
  • پیش‌بینی فروش با ML
  • دشبورد مدیریتی
  • گزارش‌های خودکار

Built with ❤️ using Streamlit

Streamlit

About

No description, website, or topics provided.

Resources

Readme
Activity

Stars

1 star

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages