تحلیل داده پایان نامه با نمونه کار در حوزه داده کاوی

در مسیر پر پیچ و خم نگارش پایان‌نامه، تحلیل داده قلب تپنده هر پژوهشی است که به آن اعتبار علمی می‌بخشد. بدون تحلیل دقیق و روشمند، حتی ارزشمندترین داده‌ها نیز در حد اطلاعات خام باقی می‌مانند. این مقاله به شما کمک می‌کند تا با اصول و فنون تحلیل داده در پایان‌نامه، به ویژه در حوزه پرکاربرد و پیچیده داده‌کاوی، آشنا شوید و مسیر پژوهشی خود را با اطمینان بیشتری طی کنید. اگر در هر مرحله نیاز به راهنمایی تخصصی دارید، مشاوران خبره موسسه انجام پایان نامه سما آماده ارائه خدمات جامع و پشتیبانی علمی هستند.

مشاوره رایگان تحلیل داده پایان‌نامه

💡 خلاصه مسیر تحلیل داده پایان‌نامه (اینفوگرافیک)

📊

۱. تعریف مسئله

هدف و فرضیات روشن

📥

۲. جمع‌آوری داده

روش‌های مناسب، کیفیت داده

🧼

۳. آماده‌سازی داده

پاکسازی، نرمال‌سازی، استخراج ویژگی

⚙️

۴. انتخاب مدل/تکنیک

متناسب با مسئله و نوع داده

🔬

۵. اجرا و تحلیل

استفاده از ابزار و نرم‌افزار

📝

۶. تفسیر و گزارش

نتایج، دلالت‌ها، محدودیت‌ها

اهمیت تحلیل داده در پایان‌نامه

تحلیل داده، فراتر از یک مرحله صرفاً فنی، جوهره اصلی هر پژوهش آکادمیک است. این فرآیند، داده‌های خام را به اطلاعات معنادار و دانش قابل استناد تبدیل می‌کند. هدف نهایی از تحلیل داده در پایان‌نامه، تأیید یا رد فرضیات پژوهش، پاسخ به سوالات مطرح شده و در نهایت، افزودن به بدنه دانش در رشته مربوطه است.

اعتبار علمی: تحلیل صحیح، به یافته‌های شما اعتبار و قدرت استدلال می‌بخشد.
تصمیم‌گیری مبتنی بر شواهد: امکان استخراج نتایج مستدل و قابل اتکا را فراهم می‌آورد.
کشف الگوها: به شناسایی روابط پنهان و الگوهای نوظهور در داده‌ها کمک می‌کند.
نوآوری: با استخراج دانش جدید، زمینه را برای پژوهش‌های آتی و نوآوری فراهم می‌سازد.

یک تحلیل داده قوی نه تنها محتوای پایان‌نامه را غنی‌تر می‌کند، بلکه نشان‌دهنده تسلط دانشجو بر مباحث روش‌شناختی و تفکر انتقادی اوست. برای مثال، در رشته‌هایی مانند علوم کامپیوتر یا مدیریت، یک تحلیل پایان نامه مدیریت یا پایان نامه علوم کامپیوتر که با استفاده از داده‌کاوی انجام شده باشد، از ارزش بسیار بالاتری برخوردار خواهد بود.

مراحل کلیدی تحلیل داده در پایان‌نامه

تحلیل داده یک فرآیند خطی نیست، بلکه چرخه‌ای تکرارشونده و پویا است که شامل مراحل مختلفی می‌شود:

۱. شناخت داده و آماده‌سازی

این مرحله اساسی‌ترین گام است و شامل جمع‌آوری، بررسی، پاکسازی و تبدیل داده‌ها می‌شود. کیفیت تحلیل نهایی به شدت به کیفیت داده‌های ورودی بستگی دارد.

جمع‌آوری داده: اطمینان از صحت و کفایت روش‌های جمع‌آوری.
بررسی اولیه (Exploratory Data Analysis – EDA): شناسایی الگوهای اولیه، نقاط پرت و داده‌های گمشده با استفاده از آمار توصیفی و نمودارهای بصری. این مرحله حیاتی است برای درک ساختار داده‌ها.
پاکسازی داده (Data Cleaning): حذف داده‌های ناقص، ناسازگار، یا نادرست. مدیریت داده‌های گمشده (imputation) و تشخیص و حذف نقاط پرت (outlier detection) از اقدامات کلیدی این مرحله هستند.
تبدیل و نرمال‌سازی داده (Data Transformation & Normalization): آماده‌سازی داده‌ها برای الگوریتم‌های تحلیلی. شامل استانداردسازی مقیاس‌ها، تبدیل متغیرها و مهندسی ویژگی‌ها (Feature Engineering) است.

۲. انتخاب روش‌های تحلیل

انتخاب روش تحلیل باید متناسب با سوالات پژوهش، فرضیات و نوع داده باشد. این انتخاب نیاز به درک عمیق از روش‌های آماری و یادگیری ماشین دارد. آیا پژوهش شما به دنبال کشف روابط علی-معلولی است (مانند رگرسیون)، یا به دنبال دسته‌بندی مشاهدات (مانند طبقه‌بندی)، یا گروه‌بندی داده‌ها (مانند خوشه‌بندی)؟ این سوالات راهنمای انتخاب روش مناسب هستند. برای مشاوره آماری تخصصی می‌توانید با کارشناسان ما در ارتباط باشید.

۳. اجرای تحلیل

پس از انتخاب روش، نوبت به پیاده‌سازی و اجرای تحلیل با استفاده از نرم‌افزارهای تخصصی می‌رسد. دقت در ورود داده‌ها، تنظیم پارامترها و اجرای صحیح مدل‌ها حیاتی است. این مرحله می‌تواند تکرارشونده باشد؛ ممکن است پس از مشاهده نتایج اولیه، نیاز به بازنگری در روش‌ها یا حتی آماده‌سازی داده‌ها پیش آید.

۴. تفسیر نتایج و نگارش

مهم‌ترین بخش تحلیل، تفسیر معنادار نتایج است. صرف ارائه اعداد و نمودارها کافی نیست؛ باید توضیح دهید که این نتایج چه معنایی دارند، چگونه فرضیات شما را تایید یا رد می‌کنند و چه دلالت‌هایی برای حوزه پژوهشی شما دارند.

اعتبار سنجی: بررسی میزان پایداری و تعمیم‌پذیری مدل یا نتایج.
استخراج یافته‌ها: تبدیل نتایج آماری به مفاهیم قابل درک و مرتبط با سوالات پژوهش.
بحث و نتیجه‌گیری: مقایسه یافته‌ها با پژوهش‌های پیشین، بحث در مورد محدودیت‌ها و پیشنهاد برای تحقیقات آینده. نگارش یک بخش نتیجه گیری پایان نامه قوی، اهمیت ویژه‌ای دارد.

داده‌کاوی: رویکردی قدرتمند در تحلیل داده پایان‌نامه

داده‌کاوی (Data Mining) شاخه‌ای از علم داده است که بر کشف الگوها، روابط و اطلاعات مفید از مجموعه‌های داده بزرگ و پیچیده تمرکز دارد. در پایان‌نامه‌هایی که با حجم وسیعی از داده‌ها سروکار دارند، به‌ویژه در رشته‌های هوش مصنوعی، علوم کامپیوتر، مهندسی و حتی برخی شاخه‌های مدیریت، داده‌کاوی ابزاری بی‌نظیر برای استخراج دانش پنهان است.

مفاهیم بنیادین داده‌کاوی

کشف الگو (Pattern Discovery): شناسایی ترندها، همبستگی‌ها و روابط آماری در داده‌ها.
مدل‌سازی پیش‌بینی (Predictive Modeling): ساخت مدل‌هایی برای پیش‌بینی مقادیر آینده یا نتایج بر اساس داده‌های گذشته.
طبقه‌بندی (Classification): تخصیص مشاهدات به دسته‌های از پیش تعریف شده.
خوشه‌بندی (Clustering): گروه‌بندی خودکار مشاهدات مشابه بر اساس ویژگی‌هایشان.
قوانین انجمن (Association Rules): کشف روابط “اگر-آنگاه” بین آیتم‌ها در مجموعه‌های داده بزرگ.

تکنیک‌های رایج داده‌کاوی

داده‌کاوی از مجموعه‌ای از الگوریتم‌ها و تکنیک‌ها بهره می‌برد که هر کدام برای مسائل خاصی مناسب هستند:

درخت تصمیم (Decision Trees): ساده، قابل تفسیر و مناسب برای طبقه‌بندی و رگرسیون.
شبکه‌های عصبی (Neural Networks): قدرتمند در کشف الگوهای پیچیده و مناسب برای مسائل طبقه‌بندی، رگرسیون و تشخیص تصویر/گفتار. (برای پایان نامه هوش مصنوعی بسیار کاربردی است).
ماشین بردار پشتیبان (Support Vector Machines – SVM): مؤثر در طبقه‌بندی و رگرسیون، به خصوص با داده‌های با ابعاد بالا.
K-Means: یک الگوریتم خوشه‌بندی پرکاربرد برای گروه‌بندی داده‌ها.
الگوریتم آپریوری (Apriori Algorithm): برای کشف قوانین انجمن در داده‌های تراکنشی.

نمونه کار: پیاده‌سازی داده‌کاوی در پایان‌نامه (سناریوی فرضی)

عنوان: پیش‌بینی ریزش مشتری در یک شرکت مخابراتی با استفاده از تکنیک‌های داده‌کاوی

این سناریو یک مثال کاربردی از چگونگی استفاده از داده‌کاوی در یک پایان‌نامه عملی است. هدف، شناسایی مشتریانی است که احتمال ریزش (ترک شرکت) آن‌ها بالاست، تا شرکت بتواند اقدامات پیشگیرانه انجام دهد.

مراحل پیاده‌سازی:

جمع‌آوری داده: جمع‌آوری داده‌های تاریخی مشتریان شامل اطلاعات دموگرافیک (سن، جنسیت)، سابقه استفاده از خدمات (مدت مکالمه، مصرف دیتا)، نوع قرارداد، سابقه شکایات و وضعیت ریزش (بله/خیر).
آماده‌سازی داده:
- پاکسازی داده‌های ناقص یا نامعتبر.
- مهندسی ویژگی‌ها: ایجاد ویژگی‌های جدید مانند “تغییرات ناگهانی در مصرف” یا “تعداد روزهای باقی‌مانده تا انقضای قرارداد”.
- نرمال‌سازی ویژگی‌های عددی.
- تقسیم داده‌ها به مجموعه‌های آموزش و آزمون.
انتخاب الگوریتم: با توجه به ماهیت مسئله (طبقه‌بندی دودویی: ریزش یا عدم ریزش)، الگوریتم‌هایی مانند درخت تصمیم، SVM و شبکه‌های عصبی انتخاب شدند.
اجرا و ارزیابی:
- الگوریتم‌ها روی داده‌های آموزشی پیاده‌سازی شده و عملکرد آن‌ها با معیارهایی نظیر دقت (Accuracy)، پرسیژن (Precision)، ری‌کال (Recall) و F1-Score روی داده‌های آزمون ارزیابی شد.
- بهینه‌سازی پارامترهای مدل (Hyperparameter Tuning) برای دستیابی به بهترین عملکرد.
تفسیر نتایج:
- شناسایی مهم‌ترین ویژگی‌ها در پیش‌بینی ریزش (مثلاً “افزایش شکایات در سه ماه اخیر” یا “کاهش ناگهانی مصرف دیتا”).
- مقایسه عملکرد الگوریتم‌ها و انتخاب بهترین مدل (مثلاً درخت تصمیم به دلیل قابلیت تفسیر بالا انتخاب شد).
- ارائه توصیه‌های عملی به شرکت مخابراتی برای کاهش ریزش مشتری.

نتایج کلیدی (فرضی):

مدل درخت تصمیم توانست با دقت ۸۸% مشتریان در معرض ریزش را پیش‌بینی کند. تحلیل ویژگی‌ها نشان داد که کاهش ناگهانی مصرف مکالمه و دیتا، به همراه افزایش تعداد شکایات در شش ماه گذشته، از قوی‌ترین نشانه‌های ریزش مشتری هستند. این یافته‌ها به شرکت کمک می‌کند تا با ارائه بسته‌های تشویقی هدفمند یا تماس با مشتریان در معرض خطر، از ریزش آن‌ها جلوگیری کند.

ابزارها و نرم‌افزارهای تحلیل داده و داده‌کاوی

انتخاب ابزار مناسب می‌تواند فرآیند تحلیل را تسهیل کند. برخی از ابزارهای پرکاربرد عبارتند از:

Python: با کتابخانه‌های قدرتمندی مانند Pandas, NumPy, Scikit-learn, TensorFlow, Keras، یکی از محبوب‌ترین زبان‌ها برای تحلیل داده و یادگیری ماشین است.
R: زبانی تخصصی برای محاسبات آماری و گرافیک با پکیج‌های متنوع برای انواع تحلیل‌ها.
SPSS: نرم‌افزاری کاربرپسند برای تحلیل‌های آماری در علوم اجتماعی و مدیریتی.
SAS: مجموعه نرم‌افزاری قدرتمند برای تحلیل‌های پیشرفته آماری و داده‌کاوی در محیط‌های سازمانی.
Weka: مجموعه‌ای از الگوریتم‌های یادگیری ماشین برای وظایف داده‌کاوی به صورت GUI.
Tableau/Power BI: ابزارهایی برای مصورسازی داده‌ها و ساخت داشبوردهای تعاملی.

انتخاب ابزار بستگی به سطح تخصص شما، نوع داده و نیازهای خاص پژوهش دارد. اگر در این زمینه نیاز به راهنمایی دارید، موسسه انجام پایان نامه سما در انجام پروژه‌های آماری و نرم‌افزاری به شما کمک می‌کند.

چالش‌های رایج در تحلیل داده پایان‌نامه و راه‌حل‌ها

مسیر تحلیل داده خالی از چالش نیست. شناخت این مشکلات و آماده بودن برای مواجهه با آن‌ها، بخش مهمی از موفقیت است:

جدول: چالش‌ها و راه‌حل‌های تحلیل داده

چالش	راه‌حل
۱. داده‌های ناقص یا بی‌کیفیت: داده‌های گمشده، ناسازگاری‌ها، خطاهای ورودی.	به‌کارگیری روش‌های پیشرفته پاکسازی و مدیریت داده‌های گمشده (مانند Imputation)، استفاده از تکنیک‌های مهندسی ویژگی.
۲. انتخاب نادرست روش تحلیل: عدم تطابق روش با سوال پژوهش یا نوع داده.	مشاوره با متخصصین آمار یا داده‌کاوی، مطالعه دقیق پیشینه پژوهش، درک عمیق از پیش‌فرض‌های هر روش آماری.
۳. حجم بالای داده (Big Data): چالش‌های ذخیره‌سازی، پردازش و تحلیل داده‌های بسیار بزرگ.	استفاده از ابزارهای مقیاس‌پذیر (مانند Apache Spark)، نمونه‌برداری هوشمندانه از داده‌ها، بهره‌گیری از زیرساخت‌های ابری.
۴. تفسیر نادرست نتایج: عدم توانایی در تبیین معنادار نتایج آماری در چارچوب نظری پژوهش.	تسلط بر مفاهیم آماری و متدولوژی پژوهش، مقایسه با ادبیات موضوع، استفاده از مصورسازی داده برای شفافیت بیشتر.
۵. عدم دسترسی به نرم‌افزار یا دانش فنی: نیاز به ابزارهای خاص یا تخصص بالا برای اجرای تحلیل.	آموزش و یادگیری مهارت‌های لازم، استفاده از منابع آموزشی آنلاین، همکاری با متخصصین (مثلاً از طریق موسساتی مانند سما).

انتخاب موسسه مناسب برای کمک در تحلیل داده پایان‌نامه

با توجه به پیچیدگی‌های تحلیل داده، به ویژه در حوزه‌های تخصصی مانند داده‌کاوی، بسیاری از دانشجویان به دنبال کمک از موسسات متخصص هستند. انتخاب یک موسسه معتبر و باتجربه برای انجام پایان نامه و تحلیل داده آن می‌تواند تفاوت چشمگیری در کیفیت و اعتبار کار شما ایجاد کند.

موسسه انجام پایان نامه سما، به عنوان یکی از بزرگترین موسسات در ایران، با سال‌ها تجربه در ارائه خدمات مشاوره و انجام پروژه‌های دانشجویی، به شما اطمینان می‌دهد که تحلیل داده پایان‌نامه‌تان با بالاترین استانداردهای علمی و با استفاده از جدیدترین متدولوژی‌ها و ابزارها انجام خواهد شد. تیم متخصص ما شامل آماردانان، مهندسان داده و متخصصین داده‌کاوی است که آماده‌اند تا در تمامی مراحل از تدوین پروپوزال تا تحلیل نهایی و نگارش فصل چهار و پنج پایان‌نامه، شما را یاری کنند.

تخصص و تجربه: بهره‌مندی از کارشناسان مجرب در رشته‌های مختلف.
رعایت اصول علمی: تضمین صحت و اعتبار علمی تمامی تحلیل‌ها.
به‌روز بودن: استفاده از جدیدترین نرم‌افزارها و تکنیک‌های تحلیل داده و داده‌کاوی.
پشتیبانی مستمر: ارائه توضیحات کامل و پاسخگویی به سوالات دانشجو در طول فرآیند.

پرسش‌های متداول (FAQ)

۱. تفاوت تحلیل داده و داده‌کاوی در پایان‌نامه چیست؟

تحلیل داده یک مفهوم گسترده‌تر است که شامل هرگونه بررسی سیستماتیک داده‌ها برای کشف اطلاعات، نتیجه‌گیری و پشتیبانی از تصمیم‌گیری می‌شود. داده‌کاوی زیرمجموعه‌ای از تحلیل داده است که بر کشف الگوهای پنهان و ناشناخته در مجموعه‌های داده بزرگ با استفاده از الگوریتم‌های پیشرفته یادگیری ماشین تمرکز دارد. در پایان‌نامه، تحلیل داده ممکن است شامل آمار توصیفی ساده تا مدل‌سازی رگرسیون باشد، در حالی که داده‌کاوی به سراغ پیش‌بینی، طبقه‌بندی یا خوشه‌بندی پیچیده‌تر می‌رود.

۲. چگونه می‌توانم مطمئن شوم که داده‌هایم برای تحلیل مناسب هستند؟

برای اطمینان از مناسب بودن داده‌ها، باید مراحل شناخت و آماده‌سازی داده (EDA) را به دقت انجام دهید. این شامل بررسی کامل داده‌ها برای شناسایی نقاط گمشده، پرت، ناسازگاری‌ها و خطاهای احتمالی است. همچنین باید ابعاد و ساختار داده‌ها را درک کنید و از ابزارهای بصری و آماری برای ارزیابی اولیه کیفیت آن‌ها بهره ببرید. داده‌های شما باید مرتبط با سوالات پژوهش باشند و حجم کافی برای استنتاج‌های آماری را داشته باشند.

۳. آیا نیاز است که حتماً از نرم‌افزارهای پیچیده برای تحلیل داده استفاده کنم؟

خیر، لزوماً. انتخاب نرم‌افزار به نوع تحلیل، پیچیدگی داده‌ها و رشته تحصیلی شما بستگی دارد. برای تحلیل‌های آماری پایه، نرم‌افزارهایی مانند SPSS یا حتی اکسل می‌توانند کافی باشند. اما برای تحلیل‌های پیشرفته‌تر، مدل‌سازی داده‌کاوی یا کار با حجم زیاد داده، استفاده از ابزارهایی مانند Python, R یا SAS ضروری است. مهم‌تر از ابزار، درک مفاهیم و انتخاب صحیح روش است.

۴. چگونه می‌توانم نتایج تحلیل داده را به شکلی مؤثر در پایان‌نامه گزارش دهم؟

گزارش‌دهی مؤثر شامل دو بخش اصلی است: بصری‌سازی داده و تفسیر متنی عمیق. از نمودارها و جداول واضح و با کیفیت برای نمایش یافته‌های کلیدی استفاده کنید. هر نمودار یا جدول باید دارای عنوان مناسب و توضیحات کافی باشد. در متن، نتایج را به وضوح بیان کنید، به سوالات پژوهش پاسخ دهید و یافته‌ها را با تئوری‌ها و پژوهش‌های پیشین مرتبط سازید. به محدودیت‌های مطالعه و پیشنهادها برای تحقیقات آینده نیز اشاره کنید.

نتیجه‌گیری

تحلیل داده، ستون فقرات هر پایان‌نامه معتبر و موفق است. با درک صحیح مراحل، انتخاب روش‌های مناسب و بهره‌گیری از ابزارهای کارآمد، می‌توانید داده‌های خود را به منبعی از دانش ارزشمند تبدیل کنید. به ویژه در عصر حاضر که حجم داده‌ها به سرعت در حال افزایش است، تکنیک‌های داده‌کاوی ابزارهایی حیاتی برای کشف الگوهای پنهان و ارائه نتایج نوآورانه در پژوهش‌های آکادمیک هستند. آمادگی برای مواجهه با چالش‌ها و پیگیری مستمر در این فرآیند، کلید موفقیت شما خواهد بود.

آیا در مسیر تحلیل داده پایان‌نامه خود نیاز به کمک دارید؟

تیم متخصص موسسه انجام پایان نامه سما با سال‌ها تجربه در زمینه‌های مختلف تحلیل آماری و داده‌کاوی، آماده است تا شما را در هر مرحله از پژوهش همراهی کند. از مشاوره در انتخاب روش تا پیاده‌سازی و تفسیر نتایج، ما در کنار شما هستیم.

با ما تماس بگیرید و مشاوره رایگان دریافت کنید!

/* این بخش برای بهبود رندرینگ در مرورگر است و به ویرایشگر بلوک کمک می‌کند تا استایل‌ها را بهتر اعمال کند. */
/* فونت رازیابی شده برای زبان فارسی */
@font-face {
font-family: ‘Vazirmatn’;
src: url(‘https://cdn.jsdelivr.net/gh/rastikerdar/vazirmatn@v33.003/misc/web/Vazirmatn-Regular.woff2’) format(‘woff2’);
font-weight: 400;
font-style: normal;
font-display: swap;
}
@font-face {
font-family: ‘Vazirmatn’;
src: url(‘https://cdn.jsdelivr.net/gh/rastikerdar/vazirmatn@v33.003/misc/web/Vazirmatn-Bold.woff2’) format(‘woff2’);
font-weight: 700;
font-style: normal;
font-display: swap;
}

body {
font-family: ‘Vazirmatn’, sans-serif;
line-height: 1.8;
color: #333;
margin: 0;
padding: 0;
background-color: #f4f7f6; /* رنگ پس‌زمینه کلی برای حس تمیزی و آرامش */
direction: rtl; /* برای پشتیبانی از زبان فارسی */
text-align: right; /* برای راست‌چین بودن متن */
}

/* استایل‌های کلی برای هدینگ‌ها */
h1, h2, h3, h4, h5, h6 {
font-family: ‘Vazirmatn’, sans-serif;
color: #0056b3; /* آبی تیره برای هدینگ‌ها */
margin-top: 2.5em;
margin-bottom: 1em;
line-height: 1.4;
}

h1 { font-size: 2.8em; font-weight: bold; }
h2 { font-size: 2.2em; font-weight: bold; }
h3 { font-size: 1.8em; font-weight: bold; }
h4 { font-size: 1.5em; font-weight: bold; }

p, li, table {
font-size: 1.1em;
color: #495057; /* خاکستری تیره برای متن اصلی */
margin-bottom: 1em;
}

a {
color: #007bff; /* آبی روشن برای لینک‌ها */
text-decoration: none;
transition: color 0.3s ease;
}

a:hover {
color: #0056b3;
text-decoration: underline;
}

/* Responsive adjustments */
@media (max-width: 768px) {
h1 { font-size: 2.2em; }
h2 { font-size: 1.8em; }
h3 { font-size: 1.5em; }
p, li, table { font-size: 1em; }
.responsive-block { flex-direction: column; } /* for the infographic block */
.responsive-block > div { width: 100%; margin-bottom: 15px; }
.infographic-item { flex: 1 1 100%; }
}

@media (max-width: 480px) {
h1 { font-size: 1.8em; }
h2 { font-size: 1.5em; }
h3 { font-size: 1.3em; }
.infographic-item { padding: 10px; }
.infographic-item p { font-size: 2em; }
.infographic-item h3 { font-size: 1.1em; }
.infographic-item p:last-child { font-size: 0.8em; }
}

/* Ensure tables are responsive */
table {
display: block;
overflow-x: auto;
white-space: nowrap;
}
th, td {
white-space: normal;
}

/* General block editor styles simulation */
.wp-block-group, .wp-block-cover, .wp-block-columns, .wp-block-media-text {
max-width: 100%;
margin-left: auto;
margin-right: auto;
}
/* Styles for the “infographic” block */
.infographic-container {
display: flex;
flex-wrap: wrap;
justify-content: space-around;
gap: 20px;
text-align: center;
}
.infographic-item {
flex: 1 1 200px; /* Adjust based on desired number of columns */
min-width: 150px;
padding: 15px;
border: 2px solid #a7d9f7;
border-radius: 12px;
background-color: #ffffff;
box-shadow: 0 4px 10px rgba(0, 0, 0, 0.05);
transition: transform 0.2s ease, box-shadow 0.2s ease;
}
.infographic-item:hover {
transform: translateY(-5px);
box-shadow: 0 8px 20px rgba(0, 0, 0, 0.1);
}
.infographic-item p:first-child {
font-size: 2.5em;
margin: 0;
color: #007bff;
}
.infographic-item h3 {
font-size: 1.2em;
font-weight: bold;
color: #333;
margin-top: 10px;
margin-bottom: 5px;
}
.infographic-item p:last-child {
font-size: 0.9em;
color: #666;
}