Contexte

J’ai rejoint BestMarket (fictif) pour son projet “RetailInsight360”, piloté par Mélanie (lead data analyst) et Olivier (service client). L’objectif était de reformuler précisément les besoins métier, charger et enrichir la base de feedbacks clients, puis d’écrire et d’exécuter plus de 20 requêtes SQL pour mesurer la satisfaction et guider les décisions opérationnelles.

Datasets

• Base initiale “customer_data_feedback.sql” importée dans SQLite Studio/DBeaver : table retour_client (3 000 lignes), produit (145 entrées) et ref_magasin (84 magasins).
• Dictionnaire de données (Excel) décrivant chaque colonne (nom, type, contrainte, description).
• Fichier ref_magasin.csv pour compléter les métadonnées géographiques des magasins.

Workflow

• Expression de besoins : pour valider le contexte, les enjeux (NPS, retours par catégorie) et les indicateurs à produire
•  Chargement et mise à jour du schéma : import du script SQL, création de la table ref_magasin à partir du CSV, mise à jour du schéma relationnel et du dictionnaire
• Rédaction de requêtes SQL avancées : SELECT, JOIN, agrégations, CTE, fonctions de fenêtre et de date, alias pour la lisibilité, filtrage et classement pour répondre aux 21 questions métier (retours par source, NPS global et par canal, top 5 magasins, évolution trimestrielle, etc.)
• Vérification de la cohérence et intégrité : tests d’unicité des PK/FK, contrôle des plages de valeurs, détection d’incohérences (note vs recommandations) et ajout de contraintes SQL pour prévenir les anomalies
•  Présentations et documentation : support PDF de 20 slides synthétiques (contexte, bonnes pratiques de backup et stockage, méthodologie, captures d’écran du schéma et du dictionnaire mis à jour, extraits de requêtes et résultats, contrôles de cohérence)

Insights

• 639 retours “livraison” et top 3 sources de feedbacks (email: 1 032, réseaux sociaux: 998, téléphone: 970).
• Note moyenne par catégorie : High‑tech 8,16 ; Loisirs 8,09 ; Alimentaire 8,04 ; Maison 7,85.
• Top 5 magasins par note : Paris 14e, Saint‑Pierre‑du‑Perray, Paris 19e, Paris 11e, Coulommiers.
• NPS global : 31 pts (promoteurs > 8, détracteurs ≤ 6) et NPS par source (téléphone 34 ; email 30 ; réseaux sociaux 30).
• Meilleur jour en magasin : samedi
• Mois avec le plus de retours : octobre.
• Évolution remarquable des typologies : +4,24 % pour les Loisirs entre T1 et T2 2021.
• Recommandations supplémentaires : intégrer le volume total de ventes pour calculer un vrai taux de retour ; approfondir les incohérences “note/recommandation” ; détailler le dictionnaire des catégories

Business Impact

Mes livrables ont permis à BestMarket de :

• Prioriser des actions par magasin et par typologie produit selon la satisfaction réelle.
• Mettre en place un suivi NPS par canal pour ajuster l’expérience multicanale.
• Renforcer la gouvernance des données en ajoutant contraintes et contrôles d’intégrité.
• Fournir un cadre reproductible pour toute future analyse de feedback client.

Links

Brief besoins

Présentation

Sommaire de gestion

Cohérence données