← Retour à l'accueil
Projets business intelligence et dashboards
Modélisation de données, ETL, tableaux de bord interactifs et pilotage de la performance
Analyse immobilière et pipeline BI (DataImmo)
Contexte : Cas d'entreprise de Master 2, réalisé en groupes. Un réseau national d'agences immobilières, en transformation digitale, souhaite exploiter les données publiques de transactions pour comprendre le marché et accompagner ses clients.
Objectif : Construire la chaîne complète, de la base de données aux indicateurs, avec un dictionnaire de données, une base relationnelle, un flux de nettoyage, un rapport Power BI et une application Streamlit.
SQL (MySQL)
Modélisation de données
Knime
Power BI
Streamlit
107 367
lignes dans la base (5 tables)
34 169
ventes du 1er semestre 2020
12
requêtes SQL d'analyse
Modélisation et base de données
- Dictionnaire de données (6 tables, avec types, règles de gestion et de calcul) et schéma entité-association.
- Base relationnelle de 5 tables (région, département, commune, bien, vente) reliées par clés étrangères.
- Données foncières et populations légales rattachées aux codes géographiques officiels.
Requêtes SQL et résultats
- Techniques : jointures sur 5 tables,
CTE, RANK() OVER, SUM() OVER, HAVING, NULLIF.
- 31 378 appartements vendus au 1er semestre 2020, dont 13 995 en Île-de-France (environ 45 %).
- Les studios et appartements de 1 à 3 pièces représentent 81 % des ventes d'appartements.
- Prix au m² le plus élevé : Paris (12 122 €), puis les Hauts-de-Seine (7 415 €) et le Val-de-Marne (5 396 €).
- Ventes en hausse de 3,7 % entre le 1er et le 2e trimestre 2020 (16 776 puis 17 393).
Rapport SQL & BDD (.pdf)
Pipeline de nettoyage (Knime)
- Lecture de 6 fichiers Excel, traitement des valeurs manquantes et filtrage des lignes.
- Jointures entre les sources, calculs et règles métier, puis agrégations.
- Visualisations de contrôle : histogramme, boxplot, nuages de points et diagrammes.
Fichier Knime (.knwf)
Rapport Power BI en 4 niveaux d'analyse
- Descriptive : carte des prix et évolution du prix moyen au m².
- Diagnostique : prix selon la population et selon le type de bien.
- Prédictive : prévision des prix et nombre de ventes par mois, avec un creux en avril 2020.
- Prescriptive : tableau d'opportunités par commune et surfaces les plus demandées (25 à 65 m²).
Voir le rapport Power BI
Application web (Streamlit)
- Application interactive déployée pour restituer les indicateurs.
Tableau de bord e-commerce (Olist Analytics)
Problématique métier : Une marketplace souhaite analyser ses ventes, ses délais de livraison et la valeur de ses clients afin d'identifier les freins opérationnels et d'améliorer l'expérience client.
Objectif : Concevoir un tableau de bord Looker Studio en 3 pages, alimenté par des tables d'agrégation construites en SQL dans BigQuery.
Google BigQuery
SQL
Looker Studio
Olist E-commerce Dataset
100K+
lignes de commandes analysées
3
tables d'agrégation BigQuery
3 pages
de restitution Looker Studio
Requêtage SQL (BigQuery)
- Jointures entre commandes, articles, produits et clients, en ne gardant que les commandes livrées.
- Chiffre d'affaires et prix moyen par catégorie de produit.
- Délais de livraison réels et estimés par mois, avec
TIMESTAMP_DIFF.
- Montant dépensé et nombre d'achats par client.
Code source SQL (GitHub)
Restitution et résultats
- Ventes : 13,2 M de chiffre d'affaires réparti sur de nombreuses catégories. Les 9 premières n'en représentent qu'environ 59 %.
- Logistique : 96 470 commandes livrées, avec un délai réel d'environ 12 jours, soit environ la moitié du délai annoncé aux clients (23 à 25 jours).
- Clients : 93 358 clients, dont environ 97 % n'ont acheté qu'une seule fois.
Voir le dashboard Looker Studio
Tableau de bord des performances commerciales (Global Superstore - Power BI)
Problématique métier : Une entreprise souhaite suivre ses performances commerciales mondiales dans un tableau de bord interactif.
Objectif : Visualiser les indicateurs clés, analyser les tendances de ventes et comparer les zones géographiques et les catégories de produits.
Power BI
Data visualisation
Business Intelligence
Global Superstore (2011-2014)
Réalisation
- 3 indicateurs clés : chiffre d'affaires, profit et volume de commandes.
- Évolution du chiffre d'affaires dans le temps, carte par pays, top 10 des produits, ventes et profit par catégorie.
- Filtres dynamiques par période et par zone géographique (Afrique, APAC, Canada, EMEA, UE, LATAM, États-Unis).
Voir le tableau de bord
Résultats
- 12,64 M de chiffre d'affaires, 1,47 M de profit (marge d'environ 12 %) et environ 25 000 commandes.
- La technologie réalise les ventes les plus élevées, tandis que le mobilier dégage le profit le plus faible au regard de ses ventes.
- Les smartphones dominent le top 10 des produits.
Tableau de bord des ventes (Superstore US - Excel)
Problématique métier : L'entreprise souhaite suivre ses ventes par région et par catégorie pour repérer rapidement les zones à améliorer.
Objectif : Concevoir un tableau de bord interactif sous Excel sur 9 994 transactions (2014 à 2017), centré sur le chiffre d'affaires et la marge.
Excel
Tableaux croisés dynamiques
Segments
Superstore US (9 994 lignes)
Méthode
- Nettoyage et structuration de la base de 9 994 transactions.
- Formules :
SOMME.SI, MOYENNE, RECHERCHEV, INDEX et EQUIV.
- Tableaux croisés dynamiques reliés à des segments (région, catégorie) pour filtrer en un clic.
Accéder au fichier Excel
Résultats
- 2,29 M$ de chiffre d'affaires au total.
- Par région : Ouest 725 k$, Est 679 k$, Centre 500 k$ et Sud 391 k$.
- Par catégorie : technologie 834 k$, mobilier 742 k$ et fournitures de bureau 719 k$.
- Sous-catégories les plus vendues : téléphones (330 k$) et chaises (328 k$).
Dashboard KPIs e-commerce
Contexte métier : Une start-up e-commerce manque de visibilité sur ses performances et Excel ne suffit plus pour les suivre.
Objectif : Construire la chaîne de données de bout en bout : nettoyage avec Python, entrepôt PostgreSQL en modèle en étoile, puis dashboard Power BI pour suivre le chiffre d'affaires, les clients et les produits.
Python
Pandas
SQLAlchemy
PostgreSQL
Modèle en étoile
Power BI
Online Retail (UCI)
541 909
transactions d'origine
397 884
lignes retenues après nettoyage
3 tables
1 table de faits et 2 dimensions
ETL Python et entrepôt PostgreSQL
- Lecture du jeu de données Online Retail : transactions d'un détaillant en ligne, de décembre 2010 à décembre 2011.
- Nettoyage avec pandas : suppression des lignes sans client (135 080), des quantités et des prix négatifs ou nuls (retours et annulations), puis calcul du chiffre d'affaires par ligne (quantité × prix).
- 5 000 transactions fictives générées avec Faker pour simuler une activité récente, repérables grâce au préfixe
SIM_.
- Chargement avec SQLAlchemy dans PostgreSQL : table de faits
fact_sales et dimensions dim_customer et dim_product.
Dashboard Power BI
- Connexion directe à la base PostgreSQL.
- Indicateurs : chiffre d'affaires total, évolution par année, trimestre, mois et jour, chiffre d'affaires par pays et par produit.
Résultats sur les données réelles (hors simulation)
- Chiffre d'affaires de 8,9 M£ pour 18 532 commandes et 4 338 clients, soit un panier moyen d'environ 481 £.
- Le Royaume-Uni représente 82 % du chiffre d'affaires.
- Pic de ventes en novembre 2011 (1,16 M£).
- 66 % des clients ont passé au moins 2 commandes.