🌟 Projet 4 : A/B Testing & Statistiques sur les données d’Olist

🧩 Contexte et objectifs

Ce projet d’une journée avait pour objectif d’explorer un sous-ensemble du dataset public Olist (Brésil) afin de formuler des hypothèses business, d’extraire des insights descriptifs et de tester des hypothèses à l’aide de méthodes statistiques et d’A/B testing. L’approche reposait sur une analyse en Python (pandas, numpy, plotly express) et incluait une restitution orale des résultats.

📊 Données utilisées

Données Olist (version réduite : commandes, clients, produits, paiements, évaluations)
Données traitées dans un DataFrame après exploration et nettoyage

🔍 Méthodologie

Exploration & nettoyage : types de données, valeurs manquantes, doublons
Statistiques descriptives :

Prix moyen/écart-type/boîtes à moustaches (commande)
Répartition par catégorie produit, mode de paiement, satisfaction client
Analyse des délais de livraison (moyenne, médiane, écart-type)

Corrélations exploratoires :

Prix vs satisfaction
Délai de livraison vs satisfaction
Catégorie produit vs note

A/B Testing (exemples) :

Livraison à temps vs satisfaction moyenne (t-test)
Méthode de paiement vs taux de complétion commande (chi²)
Catégories produit vs valeur commande (ANOVA)

📈 Résultats

Les délais de livraison ont un impact significatif sur la satisfaction client (p-value < 0.05)
Certaines catégories produit influencent la note moyenne donnée par les clients
Aucune différence significative détectée entre les méthodes de paiement sur le taux de commande finalisée

📌 Outils

Python (pandas, numpy, plotly, scipy.stats), Jupyter

🗣️ Présentation

Slides synthétiques avec visualisations + explication des tests

Accéder au notebook sur Google Colab