Analyse E-Commerce — UCI Online Retail

Objectif du projet

Ce projet a pour objectif d’analyser les données transactionnelles d’un site e-commerce afin de :

• Nettoyer des données réelles et imparfaites
• Calculer des indicateurs de performance (KPI)
• Identifier des insights business exploitables
• Comprendre le comportement des clients

---

Dataset

• Source : UCI Online Retail
• Format : .xlsx
• Description : transactions d’une boutique en ligne basée au Royaume-Uni (~500 000 lignes)

---

Technologies utilisées

• Python
• Pandas
• Matplotlib
• Jupyter Notebook

---

Instructions pour exécuter le projet

1. Cloner le dépôt GitHub

git clone https://github.com/cdjarabe07/Ecommerce_Analysis
cd Ecommerce_Analysis

---

2. Installer les dépendances

pip install pandas matplotlib openpyxl jupyter

---

3. Lancer Jupyter Notebook

jupyter notebook

---

4. Exécuter les notebooks dans l’ordre

1. 01_data_loading.ipynb
2. 02_data_cleaning.ipynb
3. 03_feature_engineering.ipynb
4. 04_eda_analysis.ipynb
5. 05_business_insights.ipynb

---

Préparation des données

• Suppression des valeurs nulles
• Filtrage des quantités négatives (retours)
• Suppression des prix nuls
• Conversion des dates
• Création de la variable Revenue

---

Analyses réalisées

Analyse géographique

• Identification des pays générant le plus de revenus
• Forte concentration du chiffre d’affaires sur un seul marché

Analyse produits

• Identification des produits les plus rentables

Analyse clients

• Identification des clients à forte valeur

Segmentation RFM

• Segmentation des clients selon :

  • Récence
  • Fréquence
  • Montant

Analyse temporelle

• Évolution du chiffre d’affaires dans le temps
• Détection de saisonnalité

---

Insights principaux

• Le Royaume-Uni domine largement les revenus
• Une minorité de clients génère une grande partie du chiffre d’affaires
• Certains produits concentrent la majorité des ventes
• Présence d’une saisonnalité dans les ventes
• Une grande partie des clients est peu engagée

---

Recommandations

• Diversifier les marchés à l’international
• Mettre en place des stratégies de fidélisation
• Exploiter les périodes de forte demande
• Relancer les clients inactifs

---

Structure du projet

Ecommerce_Analysis/
│
├── data/
│   └── Online_Retail.xlsx
│
├── notebooks/
│   ├── 01_data_loading.ipynb
│   ├── 02_data_cleaning.ipynb
│   ├── 03_feature_engineering.ipynb
│   ├── 04_eda_analysis.ipynb
│   └── 05_business_insights.ipynb
│
├── outputs/
│   ├── cleaned_data.pkl
│   └── country_revenue.csv
│
├── visuals/
│   └── top_10_countries.png
│
└── README.md

---

Lien du projet GitHub

https://roadmap.sh/projects/ecommerce-data-analysis

---