Améliorez les performances de l’entreprise
Bottleneck, e-commerce spécialisé dans la vente de vin en ligne, a finalisé une première phase de fiabilisation de ses données (Projet 6) et veut maintenant les rendre exploitables par ses équipes métiers. Construction d’un tableau de bord Power BI de pilotage opérationnel couvrant la performance commerciale, le suivi des stocks, l’évolution des prix d’achat, l’analyse promotionnelle et la gamme sans alcool. Source : base SQLite Bottleneck.db couvrant un an d’activité.
Approche orientée décision plutôt que description : chaque page traduit les données en signaux métiers exploitables au quotidien. Modèle Power BI structuré autour du SKU et de clés mensuelles, avec table calendrier, table de paramètres et mesures DAX organisées en blocs thématiques. Point culminant : la page recommandations SKU qui agrège les signaux stock, prix et promo en un score de priorité produit classé en 4 niveaux.
- Rapport d’analyse : comparaison des solutions d’import et préconisation motivée
- Dashboard Power BI .pbix : 6 pages
- Présentation PPTX : structure en 9 points avec préparation aux questions
- Documentation technique des mesures DAX : définition, variables, logique métier, limites
- DAX avancé structuré par blocs : SUMX, CALCULATE, TREATAS, SWITCH(TRUE()), RANKX, LOG, DATESINPERIOD, DATEADD
- Score de priorité produit explicable : statut métier + score d’impact, normalisation logarithmique
- Analyse stock avec saisonnalité par SKU : couverture 3 mois, 11 statuts
- Analyse promotionnelle complète : uplift volume, ROI brut estimé, érosion taux de marque
- Documentation technique réalisée pendant le projet, pas après
Problème : Gestion du contexte de filtre DAX — les mesures doivent s’évaluer au bon niveau de granularité sans s’influencer mutuellement.
Résolution : Usage explicite de CALCULATE, ALL, ALLSELECTED, REMOVEFILTERS et TREATAS selon les cas.
Problème : Construire un score de priorité produit qui ne soit pas une boîte noire et reste défendable à l’oral.
Résolution : Score décomposé en statut métier lisible + score d’impact, normalisation logarithmique documentée et justifiée.
Problème : Lire le stock sans se faire piéger par la saisonnalité.
Résolution : Calcul d’un coefficient saisonnier par SKU — couverture 3 mois et stock restant estimé comme indicateurs principaux.
Techniques
- Power BI : modélisation relationnelle, pages thématiques, slicers
- DAX avancé : contexte de filtre, calculs temporels, scoring
- Analyse stock : rupture, surstock, saisonnalité, couverture
- Documentation technique des KPI
Soft skills
- Cadrage fonctionnel à partir d’une note de cadrage métier
- Vulgarisation : traduction de mesures DAX en signaux lisibles
- Storytelling : structure narrative, démonstration live
J’ai aimé que ce projet soit la suite directe du Projet 6 — l’immersion role-play est plus sympa quand on connaît déjà le contexte métier. Passer de la fiabilisation des données à leur exploitation en dashboard, c’est voir le cycle complet d’un projet data.
J’aurais peut-être abordé certaines visualisations différemment, en utilisant des visuels non natifs pour certaines étapes du process afin d’être plus explicite. Avec des règles métier bien définies et des axes d’urgence paramétrables, je pense que ce dashboard pourrait vraiment être mis en production.