✨ Projet 3 — Analyse des données e-commerce avec Power BI (The Look Dataset)

🧭 Contexte et objectifs

Dans ce projet, nous avons analysé un dataset complet simulant les opérations d’un site e-commerce de prêt-à-porter ("The Look") pour en extraire des insights clés sur les ventes, le comportement client, les performances des produits et l’efficacité des campagnes marketing.

Objectif : identifier des leviers d’action stratégiques via Power BI à partir de données multicanales.

🧾 Données utilisées

Base de données multi-tables :

Commandes, produits, utilisateurs, inventaire, événements web, marketing, etc.

Source : BigQuery → connexion Power BI Desktop
Volume : plusieurs dizaines de milliers de lignes
Visualisation et modélisation dans Power BI

🛠 Compétences techniques mobilisées

Connexion à BigQuery depuis Power BI
Nettoyage des données via Power Query Editor
Modélisation relationnelle dans Power BI (vue modèle)
Calcul de KPIs : revenus, taux de retour, AOV, taux de conversion, ROI marketing…
Segmentation clients et produits
Représentations visuelles interactives (cartes, graphes, tableaux croisés dynamiques)

🧮 Démarche analytique

Compréhension du contexte métier : étude du modèle e-commerce de "The Look"
Choix des axes d’analyse prioritaires : ventes, comportement client, performance produit
Exploration des données :

Analyse des ventes par catégorie, période, canal
Segmentation des clients selon les dépenses, zones géographiques, comportements
Taux de retour et turnover produit
Création de visualisations interactives et dashboard
Présentation des recommandations pour améliorer les performances globales

📊 Résultats / Insights clés

Le top 3 des catégories génère plus de 65 % du chiffre d'affaires annuel
Les retours produits sont concentrés sur certaines marques → problèmes qualité ou sizing
Les clients fidélisés (3+ commandes) ont un panier moyen 40 % supérieur
Les campagnes emailing génèrent un ROI 2 fois supérieur aux publicités sociales

💡 Recommandations

Optimiser les stocks sur les catégories à forte rotation et réduire les produits à retour élevé
Renforcer les actions marketing ciblées sur les clients fidèles
Réduire les investissements sur les canaux peu rentables (ex : réseaux sociaux) au profit de l’emailing
Améliorer les descriptions produits sur les articles les plus retournés

🎓 Ce que j’ai appris

Utiliser Power BI en situation réelle avec des données complexes et variées
Nettoyer et modéliser efficacement un dataset multi-sources
Définir des objectifs analytiques clairs orientés décisionnel
Présenter des recommandations pertinentes et actionnables en peu de temps