Contexte

De retour chez BottleNeck (fictif) après mon projet d’optimisation des stocks, Nicolas (responsable des ventes) m’a confié une nouvelle mission  :

• Étape 1 : analyser trois solutions d’accès aux données (connexion directe SQLite, export CSV, ETL) et préconiser la meilleure approche via un rapport documenté.
• Étape 2 : importer ces données nettoyées et consolideres dans un dashboard interactif sous Tableau, incluant au moins 3 recommandations business pour Florian (PDG) et les chefs de produit.

Datasets

• Source : export SQLite couvrant la période du 1 octobre 2022 au 30 septembre 2023 (tables : Web, Finance, Sales, Promo, ca_par_segment).
• Nature:
  • Web : références produits, notes, commentaires, segments (761 lignes x 17 colonnes)
  • Finance : prix d’achat, prix de vente, statuts (11322 lignes x 6 colonnes)
  • Sales : volumes (hors promo et global), commandes, stocks fin de mois (9564 lignes x 12 colonnes)
  • Promo : détails des offres, ventes en promotion (698 lignes x 9 colonnes)
  • ca_par_segment : chiffre d’affaires agrégé par segment (5 lignes x 2 colonnes)

Workflow

• Analyse des solutions : comparaison des solutions (avantages/inconvénients): connexion SQL directe, extraction CSV, ETL visuel (KNIME/Power Query) .
• Choix technologique  :
  • Extraction & nettoyage : pipeline Python (SQLite3→pandas) exécuté dans Google Colab, pour normaliser types, corriger doublons, imputer valeurs manquantes, calculer KPI, et générer CSV.
  • Visualisation: Tableau Public (connexion aux CSV), no DAX, glisser‑déposer pour un accès macOS/Windows/web.
  • Data cleaning : conversion des formats (float, datetime, bool), gestion des NaN, création de nouvelles colonnes (marge brute, rotation stock, taux de conversion, ROI), reproductibilité garantie via scripts versionnés.
  • Dashboard design : architecture en 8 onglets thématiques – Vue d’ensemble, Inflation & marge, Promotions & ROI, Meilleurs produits, Préférences clients, Segments, Rotation stock, Recommandations business.

Insights

• Pipeline automatisé : un clic “Refresh” dans Tableau lance l’exécution du notebook et met à jour les données.
• 8 KPI clés :
  1. CA total et par segment
  2. Marge brute
  3. Rotation des stocks
  4. Prix d’achat moyen (inflation)
  5. Volumes de ventes
  6. ROI des promotions
  7. Note moyenne client
  8. Taux de commentaires.

• Recommandations business  :
  • Cibler les produits à faible rotation pour libérer du cash,
  • Ne pas solder les best‑sellers pour protéger la marge,
  • Synchroniser les promotions en périodes creuses,
  • Suivi mensuel différencié par segment,
  • Seuils de stock par segment,
  • Exploiter systématiquement les feedbacks clients.

Business Impact

• Un workflow modulaire – extraction Python → CSV → Tableau – garantissant  :
  • Traçabilité et reproductibilité,
  • Performances optimales (calculs hors de Tableau),
  • Autonomie des métiers (aucune compétence code requise pour actualiser).
• Un outil unifié offrant une vision 360° instantanée pour la prise de décision data‑driven. 360° data-driven decision support

Links

Rapport

Notebook (EDA)

Code Python mis à jour

Présentation

Dashboard

Dashboard