📊 Dashboard KPIs E-commerce

"""
PROJET 1 : Dashboard KPIs E-commerce
Génération de données et analyse
"""

import pandas as pd
import numpy as np
import duckdb
from datetime import datetime, timedelta

# Générer des données e-commerce
def generate_ecommerce_data(n_transactions=1000):
    np.random.seed(42)
    
    # Dates sur 12 mois
    end_date = datetime.now()
    start_date = end_date - timedelta(days=365)
    dates = pd.date_range(start=start_date, end=end_date, freq="H")
    
    # Générer les transactions
    data = []
    for i in range(n_transactions):
        data.append({
            "transaction_id": i + 1,
            "date": np.random.choice(dates),
            "client_id": np.random.randint(1001, 1100),
            "produit": np.random.choice(["Laptop", "Souris", "Clavier"]),
            "quantite": np.random.randint(1, 4),
            "prix_unitaire": np.random.choice([999.99, 49.99, 149.99]),
        })
    
    df = pd.DataFrame(data)
    df["montant_total"] = df["quantite"] * df["prix_unitaire"]
    return df

# Analyser avec DuckDB
def analyze_data(df):
    con = duckdb.connect()
    
    # KPI : CA Total
    ca_total = con.execute("""
        SELECT SUM(montant_total) as ca_total
        FROM df
    """).fetchdf()
    
    print(f"💰 CA Total : {ca_total["ca_total"].iloc[0]:,.2f} €")

# Exécution
df = generate_ecommerce_data(5000)
analyze_data(df)
df.to_csv("data/ecommerce.csv", index=False)

06-dashboard-kpis-ecommerce/
├── src/
│   ├── etl_pipeline.py      # Nettoyage données
│   └── db_setup.py          # Création tables
├── sql/
│   ├── schema.sql           # Star schema
│   └── queries.sql          # Requêtes complexes
├── dashboards/
│   ├── ecommerce.pbix       # Power BI
│   └── ecommerce.twb        # Tableau
└── data/
    └── raw/                 # CSV brut