Analytics e-commerce avec Python
Analytics e-commerce est un cours de niveau intermédiaire de 5 leçons (environ 1 h 23), avec 15 exercices et 15 questions de quiz. Prérequis : Indicateurs métier et KPI. Les exercices s'exécutent dans le navigateur, sans installation.
- Analytics métier
- Intermédiaire
- 5 leçons
- 1 h 23
- 15 exercices
- Exercices exécutés dans le navigateur
Le cours en bref
Ce cours applique l'analyse de données aux questions d'une boutique en ligne : quel segment rapporte le plus par visite, quand les clients reviennent, comment évolue chaque cohorte, quels produits recommander ensemble et quels clients relancer. Vous travaillez avec pandas sur des données fictives et terminez par un tableau de bord mensuel de la boutique.
Ce que tu sauras faire
- Décomposer le chiffre d'affaires en sessions, conversion, panier moyen et RPV, et analyser la distribution des paniers
- Calculer délais de réachat et réachat à 90 jours en appliquant une règle de maturité
- Construire et lire une matrice de rétention par cohorte et le revenu cumulé par client
- Calculer support, confiance et lift et construire une recommandation simple avec repli
- Segmenter les clients en RFM et construire un tableau de bord mensuel nouveaux / récurrents
Programme des 5 leçons
- Décomposer le chiffre d'affaires d'une boutique en sessions, conversion et panier moyen
- Calculer le revenu par visite (RPV) par segment et globalement
- Analyser la distribution des paniers (médiane, valeurs extrêmes, seuil de livraison gratuite)
- 02
Rétention et réachat : délais entre commandes et maturité
- Calculer le délai entre deux commandes successives d'un même client
- Calculer un taux de réachat à 90 jours en tenant compte de la maturité des clients
- Utiliser ces indicateurs pour caler les actions de relance
Délai entre commandesRéachat dans une fenêtreMaturité et données censurées
- 03
Analyse de cohortes : rétention et revenu par mois d'arrivée
- Affecter chaque client à une cohorte (mois de premier achat) et calculer l'ancienneté de chaque commande
- Construire et lire une matrice de rétention en triangle
- Calculer le revenu cumulé par client de chaque cohorte
Cohorte d'acquisitionMatrice de rétentionRevenu cumulé par client
- 04
Recommandations : produits achetés ensemble
- Compter les paires de produits achetés ensemble dans des paniers
- Calculer support, confiance et lift d'une association
- Construire une recommandation simple « souvent achetés ensemble » avec une solution de repli
Co-occurrence de produitsSupport, confiance et liftRecommandation simple
- 05
Tableau de bord de la boutique et segmentation RFM
- Segmenter les clients avec des scores RFM (récence, fréquence, montant) fondés sur des seuils explicites
- Construire un tableau de bord mensuel distinguant nouveaux clients et clients récurrents
- Choisir les indicateurs d'un tableau de bord de boutique et les relier à des actions
Segmentation RFMNouveaux et récurrentsTableau de bord de boutique
Projet final
Rapport d'analyse d'une boutique en ligne fictive
À partir de données générées en Python (graine fixe) pour une boutique fictive sur 18 mois : sessions par appareil, commandes avec lignes de produits et clients, réalisez un rapport d'analyse complet. Décomposez le chiffre d'affaires, étudiez la distribution des paniers, mesurez le réachat avec maturité, construisez la matrice de cohortes, proposez des paires de produits à recommander et segmentez les clients en RFM, puis assemblez un tableau de bord mensuel et trois recommandations d'action.
Livrables
- Un script ou notebook Python reproductible
- Le tableau des leviers par appareil (conversion, panier moyen, RPV) et l'analyse de la distribution des paniers
- Le délai médian de réachat et le réachat à 90 jours avec règle de maturité
- La matrice de rétention par cohorte et la courbe de revenu cumulé par client
- La table des paires de produits (support, confiance, lift) et la fonction de recommandation
- La segmentation RFM avec les seuils justifiés et le tableau de bord mensuel nouveaux / récurrents
Critères d'évaluation
- Les ratios sont calculés sur les sommes et la médiane accompagne la moyenne
- La maturité des clients et les cases inconnues des cohortes sont correctement traitées
- Les recommandations reposent sur un nombre minimal de co-occurrences et prévoient un repli
- Les seuils RFM sont écrits, justifiés par le cycle d'achat et reliés à des actions
- Les conclusions distinguent associations observées et effets causaux, à tester par A/B
Questions fréquentes
Quelle différence avec le cours Indicateurs métier et KPI ?
DA2 pose les définitions (panier moyen, churn, valeur client). Ce cours les approfondit pour une boutique en ligne : revenu par visite, réachat avec maturité, cohortes, recommandations et segmentation RFM.
Faut-il une boutique en ligne pour suivre le cours ?
Non. Tous les exercices utilisent des données fictives construites dans le code. Vous pourrez ensuite appliquer les mêmes calculs aux exports de votre boutique.
Le cours parle-t-il de machine learning pour les recommandations ?
Il présente une méthode transparente fondée sur les produits achetés ensemble (support, confiance, lift), qui constitue une base solide avant des approches plus avancées.
Comment sont traitées les données des clients ?
Les exemples sont fictifs. Le cours rappelle que les recommandations fondées sur l'historique d'un client identifié doivent respecter la politique de confidentialité de la boutique et les choix de consentement.
Ce cours, raconté pour ton métier
Dis ce que tu veux savoir faire : « Analytics e-commerce » prend sa place dans ton parcours, avec des exemples de ton secteur. Les notions restent celles du cours.