🏪 AnyCompany Food & Beverage - Data Analytics Lab

Plateforme analytique complète basée sur Snowflake pour analyser les campagnes marketing, promotions, ventes et performance client dans le secteur Food & Beverage.

� Architecture & Flux Données

┌─────────────────────────────────────────────────────────────────┐
│                    AMAZON S3 (Raw Data)                         │
│  (11 fichiers : CSV + JSON)                                     │
└──────────────────────┬──────────────────────────────────────────┘
                       │ COPY INTO
                       ▼
┌─────────────────────────────────────────────────────────────────┐
│              🟦 BRONZE Schema (Brutes)                           │
│  11 Tables VARCHAR/VARIANT · Load_data.sql                      │
│  ✓ Pas de transformation · Audit trail complet                  │
└──────────────────────┬──────────────────────────────────────────┘
                       │ SELECT + TRANSFORMATIONS
                       ▼
┌─────────────────────────────────────────────────────────────────┐
│              🟩 SILVER Schema (Nettoyées)                        │
│  11 Tables · clean_data.sql                                     │
│  ✓ Typage complet · Doublons supprimés · Qualité validée        │
└──────────────────────┬──────────────────────────────────────────┘
                       │ JOINTURES ENRICHIES
                       ▼
┌─────────────────────────────────────────────────────────────────┐
│              🟧 ANALYTICS Schema (Analytiques)                   │
│  3 Tables Star Schema · data_product.sql                        │
│  ✓ VENTES_ENRICHIES · PROMOTIONS_ACTIVES · CLIENTS_ENRICHIS    │
└──────────────────────┬──────────────────────────────────────────┘
                       │ SQL QUERIES + STREAMLIT
           ┌───────────┼────────────┐
           ▼           ▼            ▼
    ┌──────────┐ ┌──────────┐ ┌──────────┐
    │   📈    │ │   📉    │ │   📊    │
    │Marketing│ │Promotion│ │  Sales  │
    │  ROI    │ │Analysis │ │Dashboard│
    └──────────┘ └──────────┘ └──────────┘
   Streamlit Dashboards avec filtres interactifs

📋 Vue d'ensemble

Ce projet implémente une architecture data moderne en trois couches pour transformer les données brutes en insights actionnables :

Ce que vous allez trouver :

✅ Pipeline ETL complet avec nettoyage et qualité des données
✅ Data product analytique enrichi (11 tables SILVER → 3 tables ANALYTICS)
✅ Analyses marketing approfondies (ROI campagnes, impact promotions)
✅ 3 dashboards interactifs Streamlit avec visualisations Altair
✅ Segmentation clients et scoring de satisfaction

🎯 Démarrage rapide

Prérequis

✓ Snowflake (accès à ANYCOMPANY_LAB)
✓ Python 3.x
✓ Packages : streamlit, pandas, altair, snowflake-snowpark-python

Installation & Setup

# Cloner/Accéder au dossier projet
cd Food_beverage_project

# Installer les dépendances
pip install snowflake-snowpark-python pandas numpy altair streamlit matplotlib seaborn scikit-learn notebook

🚀 Exécution en 5 étapes

Étape	Action	Commande / Fichier	Durée
1️⃣	Préparer l'environnement Snowflake	Run: `Sql/Load_data.sql`	~2-3 min
2️⃣	Nettoyer les données (11 tables SILVER)	Run: `Sql/clean_data.sql`	~3-5 min
3️⃣	Construire le data product (3 tables ANALYTICS)	Run: `Sql/data_product.sql`	~1-2 min
4️⃣	Exécuter analyses SQL (optionnel)	Run: `Sql/campaign_performance.sql` + `promotion_impact.sql`	~1-2 min
5️⃣	Lancer les dashboards	`streamlit run Streamlit/Marketing_roi.py`	Instant ✨

Lancer les dashboards

# Terminal 1 : Marketing ROI
streamlit run Streamlit/Marketing_roi.py

# Terminal 2 : Promotion Analysis  
streamlit run Streamlit/Promotion_analysis.py

# Terminal 3 : Sales Dashboard
streamlit run Streamlit/Sales_dashboard.py

📊 Les 3 Dashboards en un coup d'œil

Dashboard	Données	Filtres	Cas d'usage
🎯 Marketing ROI	Campagnes marketing	Type, Audience	Optimiser budgets marketing, évaluer ROI
💰 Promotion Analysis	Promotions actives	Catégorie, Région	Maximiser remises, analyser sensibilité
📈 Sales Dashboard	Toutes transactions	Année, Région, Promos	Suivi commercial, analyse régions

📁 Structure du Projet

Food_beverage_project/
├── 📂 Sql/                                  
│   ├── Load_data.sql              ← Phase 1 : Charger BRONZE depuis S3
│   ├── clean_data.sql             ← Phase 2 : Nettoyer en SILVER (11 tables)
│   ├── data_product.sql           ← Phase 3 : Créer ANALYTICS (3 tables)
│   ├── campaign_performance.sql   ← Phase 4a : Analyses marketing ROI
│   └── promotion_impact.sql       ← Phase 4b : Analyses impact promotions
│
├── 📂 Streamlit/                              
│   ├── Marketing_roi.py           ← Dashboard ROI campagnes 📈
│   ├── Promotion_analysis.py      ← Dashboard promotions 💰
│   └── Sales_dashboard.py         ← Dashboard ventes 📊
│
├── 📂 Images/
│   ├── Food_bevrage_.png                 
│   ├── Marketin_Dash1.png         ← Capture Marketing ROI Dashboard
│   ├── Promotion_Dash1.png        ← Capture Promotion Analysis Dashboard
│   └── Sales_Dash1.png            ← Capture Sales Dashboard
│
└── README.md                      ← Documentation complète (vous êtes ici!)

✨ Pipeline complet d'ETL à Dashboards interactifs ✨

🔧 Phase 1 : Préparation & Ingestion (`Sql/Load_data.sql`)

🎯 Objectif : Préparer l'environnement Snowflake et charger 11 sources brutes depuis Amazon S3 dans le schéma BRONZE.

✅ Tâches principales

Infrastructure Snowflake
- Base de données : ANYCOMPANY_LAB
- Schémas : BRONZE (brutes), SILVER (nettoyées)
Formats de fichiers
- FF_CSV_BRONZE : formats CSV standards
- FF_RAW_LINE : format RAW pour texte libre tabulé
- FF_JSON_BRONZE : format JSON avec décompilation
Stage S3 + Chargement
- Configuration du stage vers S3 (données publiques)
- COPY INTO pour 11 tables BRONZE

📊 Tables BRONZE chargées

#	Table	Format	Contenu	Clé
1️⃣	`CUSTOMER_DEMOGRAPHICS`	CSV	Profils clients	CUSTOMER_ID
2️⃣	`CUSTOMER_SERVICE_INTERACTIONS`	CSV	Historique support	INTERACTION_ID
3️⃣	`FINANCIAL_TRANSACTIONS`	CSV	Transactions	TRANSACTION_ID
4️⃣	`PROMOTIONS_DATA`	CSV	Promotions	PROMOTION_ID
5️⃣	`MARKETING_CAMPAIGNS`	CSV	Campagnes	CAMPAIGN_ID
6️⃣	`PRODUCT_REVIEWS`	RAW	Avis produits	REVIEW_ID
7️⃣	`LOGISTICS_AND_SHIPPING`	CSV	Expéditions	SHIPMENT_ID
8️⃣	`SUPPLIER_INFORMATION`	CSV	Fournisseurs	SUPPLIER_ID
9️⃣	`EMPLOYEE_RECORDS`	CSV	RH	EMPLOYEE_ID
🔟	`INVENTORY`	JSON	Stock	product_id
1️⃣1️⃣	`STORE_LOCATIONS`	JSON	Magasins	store_id

Point clé : Les données restent brutes et en VARCHAR/VARIANT → pas de transformation à ce stade.

🧹 Phase 2 : Nettoyage & Typage (`Sql/clean_data.sql`)

Transforme les 11 tables BRONZE en 11 tables SILVER nettoyées, typées et enrichies.

Règles de qualité appliquées

Règle	Détail
Clés primaires	Exclusion des lignes sans identifiant
Doublons	Détection & suppression via `QUALIFY ROW_NUMBER` ou `GROUP BY`
Normalisation texte	`UPPER(TRIM(...))` pour cohérence, `LOWER(...)` pour emails
Conversion types	`TRY_TO_DATE()` pour dates, `TRY_TO_DOUBLE()` pour numériques
Validation métier	Montants > 0, dates cohérentes (start ≤ end)
Extraction JSON	Parsing des champs VARIANT pour inventory & store_locations

Tables SILVER créées

#	Table SILVER	Points clés de nettoyage
1️⃣	`PRODUCT_REVIEWS_CLEAN`	Parsing RAW avec `SPLIT_PART(..., '\t', N)` → 13 colonnes extraites
2️⃣	`CUSTOMER_DEMOGRAPHICS_CLEAN`	Revenu `DOUBLE`, dates de naissance validées
3️⃣	`CUSTOMER_SERVICE_INTERACTIONS_CLEAN`	Satisfaction numérique, statuts normalisés
4️⃣	`FINANCIAL_TRANSACTIONS_CLEAN`	Montants positifs, transactions validées
5️⃣	`PROMOTIONS_CLEAN`	Taux de remise `DOUBLE`, dates cohérentes
6️⃣	`MARKETING_CAMPAIGNS_CLEAN`	Budgets, reach, taux conversion `DOUBLE`
7️⃣	`LOGISTICS_CLEAN`	Coûts d'expédition, dates de livraison
8️⃣	`SUPPLIER_INFORMATION_CLEAN`	Scores de fiabilité (0-1), délai de livraison
9️⃣	`EMPLOYEE_RECORDS_CLEAN`	Salaires `DOUBLE`, dates d'embauche
🔟	`INVENTORY_CLEAN`	Extraction JSON + indicateur `REORDER_NEEDED`
1️⃣1️⃣	`STORE_LOCATIONS_CLEAN`	Extraction JSON, dimensions & effectifs

Résultat : ✅ Données exploitables, typées, cohérentes

📊 Phase 3 : Data Product Analytique (`Sql/data_product.sql`)

Crée 3 tables ANALYTICS consolidées, enrichies et prêtes pour les dashboards.

Architecture de consolidation

SILVER TABLES (11 sources nettoyées)
      ↓
    LEFT JOIN par région + période
      ↓
ANALYTICS TABLES (3 tables star schema)

3 Tables ANALYTICS

1️⃣ `ANALYTICS.VENTES_ENRICHIES`

Une ligne = une transaction de vente enrichie

Jointures :

SILVER.FINANCIAL_TRANSACTIONS_CLEAN (base)
SILVER.PROMOTIONS_CLEAN (région + période)
SILVER.MARKETING_CAMPAIGNS_CLEAN (région + période)
SILVER.LOGISTICS_CLEAN (région + date)

Colonnes clés :

Temporel : TRANSACTION_DATE, ANNEE, MOIS, JOUR_SEMAINE
Ventes : AMOUNT, PAYMENT_METHOD, ENTITY, REGION
Promo : PROMOTION_ID, DISCOUNT_PERCENTAGE, IS_PROMO (booléen)
Marketing : CAMPAIGN_ID, CAMPAIGN_NAME, CAMPAIGN_TYPE, TARGET_AUDIENCE, IS_CAMPAIGN
Logistique : SHIPMENT_ID, SHIPPING_METHOD, ESTIMATED_LEAD_DAYS

Usage : Analyses de ventes, impact marketing, sensibilité promotions

2️⃣ `ANALYTICS.PROMOTIONS_ACTIVES`

Une ligne = une promotion avec ses KPIs de performance

Source principale : SILVER.PROMOTIONS_CLEAN

KPIs calculés :

NB_TRANSACTIONS : nombre de ventes pendant la promo
TOTAL_VENTES : chiffre d'affaires généré
PANIER_MOYEN : ticket moyen
AVG_RATING : note produit moyenne
NB_AVIS : nombre d'avis reçus
IS_ACTIVE : booléen (promo en cours?)

Usage : ROI des promotions, efficacité par catégorie/région

3️⃣ `ANALYTICS.CLIENTS_ENRICHIS`

Une ligne = un client avec ses segments et KPIs service

Jointures :

SILVER.CUSTOMER_DEMOGRAPHICS_CLEAN (base)
KPIs service client agrégés par région

Segmentations :

TRANCHE_AGE : < 30 ans | 30-44 | 45-59 | 60+
TRANCHE_REVENU : < 50K | 50K-100K | 100K-150K | > 150K
SEGMENT_SATISFACTION : SATISFAIT | NEUTRE | INSATISFAIT | INCONNU

KPIs service :

NB_INTERACTIONS, AVG_SATISFACTION, NB_RESOLVED, NB_ESCALATED, NB_FOLLOW_UP

Usage : Segmentation clients, scoring satisfaction, ciblage marketing

🔍 Phase 4 : Analyses Approfondies

`Sql/campaign_performance.sql` - ROI Marketing

7 analyses SQL pour évaluer l'efficacité des campagnes :

#	Requête	Insight clé
1	Lien campagnes ↔ ventes	Quel impact réel sur le CA?
2	Classement par ROI	Quelles campagnes générent le meilleur retour?
3	Performance par canal	Email vs Print vs Social?
4	Budget vs Reach par région	Allocation optimale?
5	Performance par audience	Quel segment répond le mieux?
6	Performance par catégorie	Quels produits bénéficient du marketing?
7	Évolution mensuelle du ROI	Tendances dans le temps?

KPI principal : ROI_PCT = (CA_GENERE - BUDGET) / BUDGET × 100

`Sql/promotion_impact.sql` - Efficacité Promotions

8 analyses SQL pour mesurer l'impact des promotions :

#	Analyse	Métrique
1	Avec vs Sans promotion	Lift de CA
2	Sensibilité par catégorie	Catégories réactives aux promos
3	Taux de remise optimal	À quel % les ventes maximisent?
4	Performance région × type	Combinaisons gagnantes
5	Top 10 promotions	Cas de succès à répliquer
6	Évolution mensuelle	Saisonnalité des promos
7	Avis produits	Les produits bien notés se vendent-ils mieux?
8	Service client ↔ Ventes	Impact de la satisfaction sur le volume

📈 Phase 5 : Dashboards Interactifs (`Streamlit/`)

3 applications Streamlit avec visualisations Altair interactives.

1️⃣ Marketing ROI Dashboard (`Marketing_roi.py`)

Tableau de bord ROI des campagnes marketing

Dashboard ROI : visualisez la rentabilité de vos campagnes marketing

Données source : ANALYTICS.VENTES_ENRICHIES (où IS_CAMPAIGN = TRUE)

Filtres disponibles :

Type de campagne (CAMPAIGN_TYPE)
Audience cible (TARGET_AUDIENCE)

Visualisations & KPIs :

Section	Contenu
KPI Cards	Campagnes, Budget total, CA généré, Taux conversion, ROI global
Performance par type	Graphique barres ROI × 2 charts : Budget vs CA (bubble chart)
Performance par audience	CA par audience (barres) + Distribution CA (pie chart)
Top 10 campagnes	Tableau détaillé : ID, nom, type, audience, région, budget, CA, ROI
Évolution mensuelle	Courbe du ROI dans le temps avec indicateurs budget/ventes

Cas d'usage : Identifier les campagnes rentables, valider l'allocation budget, optimiser par audience

2️⃣ Promotion Analysis Dashboard (`Promotion_analysis.py`)

Tableau de bord d'efficacité des promotions

Dashboard Promotions : mesurez l'impact réel de vos actions commerciales

Données source : ANALYTICS.PROMOTIONS_ACTIVES

Filtres disponibles :

Catégorie produit (PRODUCT_CATEGORY)
Région (REGION)

Visualisations & KPIs :

Section	Contenu
KPI Cards	Promotions, Remise moyenne, CA généré, Panier moyen, Transactions
Performance par catégorie	CA par catégorie (barres) + Remise vs CA (bubble chart)
Performance par région	CA par région avec code couleur remise
Top 10 promotions	Tableau : ID, type, catégorie, région, remise %, transactions, CA, durée
Impact de la remise	2 charts : CA par tranche de remise + Panier moyen par tranche

Cas d'usage : Optimiser les taux de remise, identifier régions réactives, répliquer succès

3️⃣ Sales Dashboard (`Sales_dashboard.py`)

Tableau de bord commercial global

Dashboard Ventes : suivez votre performance commerciale en temps réel

Données source : ANALYTICS.VENTES_ENRICHIES (toutes transactions)

Filtres disponibles :

Année (ANNEE)
Région (REGION)
Promotions (Toutes / Avec / Sans)

Visualisations & KPIs :

Section	Contenu
KPI Cards	Transactions, Chiffre d'affaires, Panier moyen, Régions actives
Évolution CA	Courbe mensuelle du chiffre d'affaires
Ventes par région	Barres CA par région (couleur dégradée) + Pie chart distribution
Impact promotions	2 charts : CA (Avec vs Sans) + Panier moyen (Avec vs Sans)
Top 10 entités	Barres horizontales : CA par entité

Cas d'usage : Suivi commercial en temps réel, analyse impact promotions, identification hotspots régionaux

🛠️ Stack Technique

Backend

Snowflake : Data warehouse, 3 schémas (BRONZE, SILVER, ANALYTICS)
SQL : ELT pipelines, nettoyage, analyses

Frontend

Streamlit : Framework applications web interactives
Altair : Visualisations interactives déclaratives

Langage

Python : Orchestration, connecteurs Snowflake

📦 Installation & Dépendances

pip install snowflake-snowpark-python pandas numpy altair streamlit

Configuration Snowflake

Assurez-vous que votre session Snowpark est active avant de lancer les dashboards :

Les applications utilisent get_active_session() de Snowflake
Un cache 600s est implémenté pour optimiser les performances

💡 Insights clés livrés

Pour le Marketing

✅ Identifier les canaux/audiences les plus rentables
✅ Justifier les budgets marketing par ROI mesurable
✅ Planifier les prochaines campagnes basées sur données

Pour Commercial

✅ Suivi en temps réel du CA par région/entité
✅ Mesurer l'impact réel des promotions
✅ Optimiser le taux de remise pour maximiser volume + marge

Pour Direction

✅ Dashboard exécutif : performance globale vs objectifs
✅ Identification d'opportunités de croissance (régions/produits)
✅ ROI consolidé toutes activités marketing

⚙️ Qualité des données

Couverture du nettoyage

✅ 100% des doublons supprimés
✅ Intégrité referentielle validée (dates cohérentes, montants > 0)
✅ Données manquantes gérées systématiquement
✅ Typage fort appliqué (pas de VARCHAR après SILVER)

Comparaison BRONZE → SILVER

-- Exemple de rétention
SELECT 'BRONZE' AS layer, COUNT(*) AS rows FROM BRONZE.CUSTOMER_DEMOGRAPHICS UNION ALL
SELECT 'SILVER' AS layer, COUNT(*) AS rows FROM SILVER.CUSTOMER_DEMOGRAPHICS_CLEAN;

Typiquement : 95-98% de rétention après nettoyage

🔗 Mapping des données (lineage)

S3 Sources
├── customer_demographics.csv         → BRONZE → SILVER → ANALYTICS.CLIENTS_ENRICHIS
├── financial_transactions.csv        → BRONZE → SILVER → ANALYTICS.VENTES_ENRICHIES
├── marketing_campaigns.csv           → BRONZE → SILVER → ANALYTICS.VENTES_ENRICHIES
├── promotions-data.csv               → BRONZE → SILVER → ANALYTICS.VENTES_ENRICHIES
├── product_reviews.csv (RAW)         → BRONZE → SILVER → ANALYTICS.PROMOTIONS_ACTIVES
├── customer_service_interactions.csv → BRONZE → SILVER → ANALYTICS.CLIENTS_ENRICHIS
├── logistics_and_shipping.csv        → BRONZE → SILVER → ANALYTICS.VENTES_ENRICHIES
├── supplier_information.csv          → BRONZE → SILVER → (modèle ML)
├── employee_records.csv              → BRONZE → SILVER → (future RH analytics)
├── inventory.json                    → BRONZE → SILVER → (future supply chain)
└── store_locations.json              → BRONZE → SILVER → (future location analytics)

🚀 Optimisations & Best Practices

Performance

✅ Caching Streamlit : 600s pour réduire les requêtes répétitives
✅ Agrégations SILVER : pré-calculées pour éviter les agrégations complexes en ANALYTICS
✅ Indexation Snowflake : sur clés primaires et colonnes de jointure
✅ Star Schema : ANALYTICS.VENTES_ENRICHIES comme table de fait centrale

Scalabilité

✅ Architecturable pour volumes croissants (COPY INTO peut gérer TB)
✅ ELT paramétrable avec variables Snowflake
✅ Dashboards utilisent multi-select filters pour requêtes dynamiques

Maintenabilité

✅ Scripts SQL commentés & structurés
✅ Vérifications de qualité incluses dans chaque script
✅ Noms de colonnes explicites et cohérents
✅ Segments de code réutilisables

📚 Ressources & Documentation

Fichiers à consulter en priorité

Sql/Load_data.sql - Comprendre la structure BRONZE
Sql/clean_data.sql - Voir les transformations appliquées
Sql/data_product.sql - Comprendre les jointures & enrichissements
Streamlit/Marketing_roi.py - Template pour nouveaux dashboards

Requêtes de diagnostic utiles

Vérifier les volumes BRONZE vs SILVER :

SELECT 'BRONZE' AS layer, COUNT(*) AS rows FROM BRONZE.CUSTOMER_DEMOGRAPHICS UNION ALL
SELECT 'SILVER' AS layer, COUNT(*) AS rows FROM SILVER.CUSTOMER_DEMOGRAPHICS_CLEAN

Identifier les données manquantes en SILVER :

SELECT COUNT(*) AS missing FROM SILVER.PROMOTIONS_CLEAN WHERE PROMOTION_ID IS NULL

Valider les dates cohérentes :

SELECT COUNT(*) AS invalid FROM SILVER.PROMOTIONS_CLEAN WHERE START_DATE > END_DATE

🎯 Prochaines étapes recommandées

Améliorer : Ajouter Machine Learning (clustering clients, prédiction churn)
Automatiser : Scheduler les scripts SQL avec Snowflake Tasks
Monitorer : Ajouter alertes sur anomalies (ex: CA inexplicablement bas)
Étendre : Intégrer données RH (turnover vs satisfaction) ou Supply Chain (stocks vs ventes)
Paramétrer : Créer dimension temps (calendrier) pour analyses approfondies

🎓 Points Clés à Retenir

Aspect	Avantage
Architecture 3 couches	BRONZE (brutes) → SILVER (nettoyées) → ANALYTICS (enrichies)
11 sources consolidées	Clients, Ventes, Promos, Campagnes, Avis, Service, Logistique, Fournisseurs, RH, Stock, Magasins
3 dashboards clés	Marketing ROI + Promotion Analysis + Sales Dashboard
15+ analyses SQL	Campaign performance + Promotion impact
Segmentation clients	4 tranches d'âge × 4 tranches de revenu = insights démographiques
Satisfaction tracking	KPI service client par région intégré aux segments
Star schema	VENTES_ENRICHIES comme table de fait centrale
Scalabilité	Prêt pour milliers de transactions / millions de lignes

📞 Contact & Support

Ressources utiles

📖 Consulter Sql/clean_data.sql pour voir toutes les transformations
📖 Consulter Sql/data_product.sql pour comprendre les jointures
📊 Tester les dashboards avec les filtres pour découvrir les patterns

Questions fréquentes

Q : Comment ajouter une nouvelle source? → Créer table BRONZE → Ajouter nettoyage en SILVER → Joindre en ANALYTICS

Q : Les dashboards sont lents? → Augmenter le cache TTL ou créer des agrégations additionnelles

Q : Puis-je exporter les données? → Oui, utiliser st.download_button() dans Streamlit

🚀 Prêt à démarrer?

# 1. Exécutez Load_data.sql dans Snowflake
# 2. Exécutez clean_data.sql
# 3. Exécutez data_product.sql
# 4. Lancez les dashboards Streamlit

streamlit run Streamlit/Marketing_roi.py

👥 Équipe

Le projet a été réalisé en binôme avec une répartition transverse des tâches :

Membre	Rôles	Tâches principales
David ATCHORI	Data Engineer & Data Analyst	• Configuration de l'environnement Snowflake et création des stages S3. • Script d'ingestion `Load_data.sql` (Phase 1). • Nettoyage et typage des données dans `clean_data.sql` (Phase 2). • Développement du dashboard `Marketing_roi.py` et intégration Altair.
Cédric BOIMIN	Business Analyst & Analytics Engineer	• Modélisation du Data Product et création des tables `ANALYTICS` (Phase 3). • Rédaction des analyses SQL de performance (`campaign_performance.sql`). • Développement des dashboards `Sales_dashboard.py` et `Promotion_analysis.py`. • Analyse des insights business et documentation du projet.

⬆ Retour en haut

Name		Name	Last commit message	Last commit date
Latest commit History 26 Commits
Images		Images
Sql		Sql
Streamlit		Streamlit
README.md		README.md

Folders and files

Latest commit

History

Repository files navigation

🏪 AnyCompany Food & Beverage - Data Analytics Lab

� Architecture & Flux Données

📋 Vue d'ensemble

🎯 Démarrage rapide

Prérequis

Installation & Setup

🚀 Exécution en 5 étapes

Lancer les dashboards

📊 Les 3 Dashboards en un coup d'œil

📁 Structure du Projet

🔧 Phase 1 : Préparation & Ingestion (Sql/Load_data.sql)

✅ Tâches principales

📊 Tables BRONZE chargées

🧹 Phase 2 : Nettoyage & Typage (Sql/clean_data.sql)

Règles de qualité appliquées

Tables SILVER créées

📊 Phase 3 : Data Product Analytique (Sql/data_product.sql)

Architecture de consolidation

3 Tables ANALYTICS

1️⃣ ANALYTICS.VENTES_ENRICHIES

2️⃣ ANALYTICS.PROMOTIONS_ACTIVES

3️⃣ ANALYTICS.CLIENTS_ENRICHIS

🔍 Phase 4 : Analyses Approfondies

Sql/campaign_performance.sql - ROI Marketing

Sql/promotion_impact.sql - Efficacité Promotions

📈 Phase 5 : Dashboards Interactifs (Streamlit/)

1️⃣ Marketing ROI Dashboard (Marketing_roi.py)

2️⃣ Promotion Analysis Dashboard (Promotion_analysis.py)

3️⃣ Sales Dashboard (Sales_dashboard.py)

🛠️ Stack Technique

Backend

Frontend

Langage

📦 Installation & Dépendances

Configuration Snowflake

💡 Insights clés livrés

Pour le Marketing

Pour Commercial

Pour Direction

⚙️ Qualité des données

Couverture du nettoyage

Comparaison BRONZE → SILVER

🔗 Mapping des données (lineage)

🚀 Optimisations & Best Practices

Performance

Scalabilité

Maintenabilité

📚 Ressources & Documentation

Fichiers à consulter en priorité

Requêtes de diagnostic utiles

🎯 Prochaines étapes recommandées

🎓 Points Clés à Retenir

📞 Contact & Support

Ressources utiles

Questions fréquentes

🚀 Prêt à démarrer?

👥 Équipe

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

🔧 Phase 1 : Préparation & Ingestion (`Sql/Load_data.sql`)

🧹 Phase 2 : Nettoyage & Typage (`Sql/clean_data.sql`)

📊 Phase 3 : Data Product Analytique (`Sql/data_product.sql`)

1️⃣ `ANALYTICS.VENTES_ENRICHIES`

2️⃣ `ANALYTICS.PROMOTIONS_ACTIVES`

3️⃣ `ANALYTICS.CLIENTS_ENRICHIS`

`Sql/campaign_performance.sql` - ROI Marketing

`Sql/promotion_impact.sql` - Efficacité Promotions

📈 Phase 5 : Dashboards Interactifs (`Streamlit/`)

1️⃣ Marketing ROI Dashboard (`Marketing_roi.py`)

2️⃣ Promotion Analysis Dashboard (`Promotion_analysis.py`)

3️⃣ Sales Dashboard (`Sales_dashboard.py`)

Packages