Les tables du modèle
Quatre tables : Commandes, Clients, Produits et Calendrier. Le calendrier sert de base aux comparaisons dans le temps.
Étude de cas · Projet portfolio
Power BI e-commerce : fiabiliser les données avant de piloter.
Il s'agit d'un projet portfolio, construit comme un cas pratique à partir d'un jeu de données e-commerce réaliste. Ce n'est pas une mission client : aucun résultat commercial n'est mesuré ici. L'objectif est de montrer la démarche complète, du fichier brut au tableau de bord exploitable.
- Power BI
- Power Query
- DAX
- Excel / CSV
Contexte
Le point de départ : des données à harmoniser
Avant toute analyse, les données doivent parler le même langage. C'est cette étape qui conditionne la fiabilité de tout ce qui suit.
La période couverte
Des données réparties de 2024 à 2026, ce qui permet de comparer les périodes et d'observer la saisonnalité.
Les canaux de vente
Site web, Marketplace, Instagram, Boutique et Pop-up : autant de libellés à harmoniser pour comparer les canaux entre eux.
Les statuts de commande
Livrée, Annulée et Retournée. Ces statuts changent complètement la lecture du chiffre d'affaires selon la manière dont on les traite.
Le problème à résoudre
Ce qui empêche de piloter tel quel
- Les informations arrivent dans plusieurs exports séparés, qu'il faut rapprocher avant toute analyse.
- Les libellés de canaux, catégories et statuts ne sont pas écrits de la même façon d'un fichier à l'autre.
- Sans structuration, chaque mise à jour demande des retraitements manuels qui se répètent.
- Comparer une période à la précédente devient fragile, faute de référentiel de dates unique.
- Le chiffre d'affaires brut et le chiffre d'affaires réellement validé sont confondus, alors qu'ils ne racontent pas la même chose.
Étape 1
Nettoyer et structurer avec Power Query
Tout le travail de préparation se fait dans Power Query, avec des transformations enregistrées comme suite d'étapes.
- Harmonisation des statuts de commande, pour qu'un même statut s'écrive toujours de la même façon.
- Nettoyage des catégories produits, des canaux de vente et des segments clients.
- Traitement des doublons et des valeurs manquantes, avec une règle explicite pour chaque cas.
- Typage des colonnes : dates, montants, quantités et textes, afin d'éviter les erreurs de calcul.
- Étapes de transformation enregistrées et rejouables : à l'actualisation, le même traitement s'applique automatiquement.
Le périmètre reste volontairement celui des outils Microsoft et des fichiers plats : Excel et CSV, Power Query, Power BI. Aucun développement Python ni connexion à des API avancées n'intervient dans ce projet.
Étape 2
Poser des règles de KPI
Un indicateur n'a de valeur que si sa règle de calcul est claire et stable. Ces règles sont fixées avant d'écrire la moindre mesure.
Les commandes livrées comme base de référence
Le chiffre d'affaires validé et les coûts validés se calculent sur les commandes livrées. C'est la base la plus proche de l'activité réellement réalisée.
Annulée et retournée ne sont pas la même chose
Une commande annulée ne s'est jamais concrétisée ; une commande retournée a été livrée puis renvoyée. Les deux sont suivies séparément, avec leur propre taux.
Des définitions écrites
Chaque indicateur a une définition documentée : ce qu'il compte, ce qu'il exclut, sur quelle base il est calculé. C'est ce qui permet d'obtenir le même chiffre d'une lecture à l'autre.
Étape 3
Construire les mesures DAX
Les mesures écrites dans ce projet, regroupées par thème. Chacune s'appuie sur les règles définies à l'étape précédente.
Chiffre d'affaires et marge
- CA brut
- CA validé
- Coût validé
- Marge brute
- Taux de marge
Volume et panier
- Nombre de commandes
- Commandes validées
- Panier moyen
Annulations et retours
- Commandes annulées
- Taux d'annulation
- Commandes retournées
- Taux de retour
Clients
- Clients acheteurs
- Clients récurrents
- CA moyen par client
- Commandes moyennes par client
Comparaison dans le temps
- CA N/N-1
- Panier moyen N/N-1
Répartition
- Performance par canal
- Performance par catégorie
Étape 4
Construire le dashboard
Quatre pages, chacune avec une question précise à traiter, plutôt qu'un seul écran surchargé.
- Page 1
Accueil
Une synthèse de l'activité : chiffre d'affaires, marge, volume de commandes et panier moyen, avec la comparaison N/N-1 pour situer la période en cours.
- Page 2
Produits
Lecture par catégorie et par produit : chiffre d'affaires, volume vendu et rentabilité, afin de distinguer ce qui vend de ce qui rapporte.
- Page 3
Clients
Clients one-shot et clients récurrents, avec une segmentation par nombre de commandes : 1 commande, 2 à 3, 4 à 7, 8 et plus.
- Page 4
Canaux
Comparaison des canaux de vente entre eux : Site web, Marketplace, Instagram, Boutique et Pop-up, sur les mêmes indicateurs.
Lecture
Ce que ce tableau de bord permet de lire
Il s'agit des capacités d'analyse offertes par le dashboard, pas de gains constatés chez un client.
- L'évolution du chiffre d'affaires sur la période et par rapport à l'année précédente.
- La marge et la rentabilité, en distinguant le volume vendu du résultat réel.
- La saisonnalité de l'activité, mois par mois.
- Le poids des retours et des annulations dans l'activité.
- Les catégories et les canaux qui contribuent le plus au chiffre d'affaires.
- La part des clients récurrents par rapport aux clients d'une seule commande.
Ce que ce projet démontre
- Partir de données imparfaites, telles qu'elles arrivent réellement dans les exports.
- Structurer et nettoyer ces données avec Power Query, avec des étapes rejouables.
- Construire des KPI cohérents en DAX, sur des règles de calcul explicites.
- Organiser un modèle de données simple et lisible, sans complexité inutile.
- Restituer le tout dans un dashboard orienté décision, plutôt qu'un empilement de graphiques.
Vous voulez le même niveau de lisibilité sur vos données ?
La démarche est la même sur un vrai périmètre : on remet de l'ordre dans les données, on fixe les définitions, puis on construit le tableau de bord.