🏢 Data Warehouse E-commerce - Projet Portfolio

Projet personnel

Ce projet illustre la construction complète d'un Data Warehouse à partir de données fictives d'e-commerce, avec modélisation sous SQL Server et création d'un dashboard Power BI pour l'analyse des ventes, paiements et produits.

📋 Table des matières

• Vue d'ensemble
• Objectifs du projet
• Architecture du Data Warehouse
• Structure du projet
• Technologies utilisées
• Installation et utilisation
• Compétences démontrées
• Auteur

🎯 Vue d'ensemble

Ce projet démontre toutes les étapes d'un pipeline décisionnel complet :

• Extraction : Importation de données CSV
• Transformation : Nettoyage et structuration des données
• Modélisation : Schéma en étoile (Star Schema) sous SQL Server
• Visualisation : Dashboard Power BI avec mesures DAX avancées

🎯 Objectifs du projet

1. Modéliser un Data Warehouse avec un schéma en étoile
2. Gérer les relations entre tables de dimensions et table de faits
3. Créer des vues SQL optimisées pour l'analyse
4. Développer un dashboard Power BI interactif
5. Implémenter des mesures DAX (CA, MTD, YTD, croissance, panier moyen)

🏗️ Architecture du Data Warehouse

Schéma en étoile (Star Schema)

Le Data Warehouse suit une architecture en étoile avec :

Tables de dimensions

• dim_customers : Informations sur les clients (nom, email, région)
• dim_products : Catalogue produits (nom, catégorie, prix)
• dim_regions : Géolocalisation des clients
• dim_payments : Méthodes et statuts de paiement
• dim_date : Dimension temporelle pour analyses temporelles

Table de faits

• fact_orders : Commandes avec quantité, montant, dates et relations aux dimensions

Vues SQL pour Power BI

Le projet inclut plusieurs vues optimisées pour l'analyse :

• vw_sales_overview : Vue globale des ventes avec informations client, produit, région et paiement
• vw_sales_by_product : Agrégation des ventes par produit
• vw_orders_by_region : Analyse des commandes par région
• vw_payment_success_rate : Taux de réussite des paiements

📁 Structure du projet

Projet_data_warehouse_ecommerce/
├── data/                          # Données sources (CSV)
│   ├── customers_100.csv
│   ├── orders_200.csv
│   ├── payments_200.csv
│   ├── products_100.csv
│   └── regions_100.csv
├── requêtes_sql/                  # Scripts SQL pour création du DWH
│   ├── 01_creation_schema_et_tables_dimensions.sql
│   ├── 02_creation_table_tait.sql
│   ├── 03_vérification_chargement_tables.sql
│   ├── 04_creation_vues_pour_pbix.sql
│   └── 05_verifier_la_liaison_des_tables.sql
├── powerbi/                       # Fichiers Power BI
│   └── Dashborad_E_commerce.pbix
├── images/                        # Captures d'écran du processus
├── docs/                          # Documentation
├── reports/                       # Rapports générés
├── doc.py                         # Script Python pour génération PDF
└── README.md                      # Ce fichier

🛠️ Outils utilisées

• Base de données : Microsoft SQL Server
• ETL : Power Query (dans Power BI)
• Visualisation : Power BI Desktop
• Langages : SQL (T-SQL), Python (FPDF pour documentation)
• Modélisation : Schéma en étoile (Star Schema)

🚀 Installation et utilisation

Prérequis

• Microsoft SQL Server (2019 ou supérieur)
• SQL Server Management Studio (SSMS)
• Power BI Desktop
• Python 3.x (optionnel, pour génération PDF)

Étapes d'installation

1. Création du Data Warehouse

   -- Exécuter les scripts dans l'ordre :
   -- 1. 01_creation_schema_et_tables_dimensions.sql
   -- 2. 02_creation_table_fait.sql

   

   

2. Importation des données

   • Importer les fichiers CSV depuis le dossier data/ dans les tables correspondantes
   • Utiliser SQL Server Import/Export Wizard ou BULK INSERT

3. Vérification

   -- Exécuter :
   -- 3. 03_vérification_chargement_tables.sql
   -- 5. 04_verifier_la_liaison_des_tables.sql

   

   

4. Création des vues

   -- Exécuter :
   -- 4. 05_creation_vues_pour_pbix.sql

   

5. Connexion Power BI

   • Ouvrir powerbi/Dashborad_E_commerce.pbix
   • Configurer la connexion à votre instance SQL Server
   • Rafraîchir les données

Génération de la documentation PDF

python doc.py

💡 Compétences démontrées

Modélisation de données

• ✅ Conception d'un schéma en étoile (Star Schema)
• ✅ Gestion des clés primaires et étrangères
• ✅ Normalisation et optimisation des tables

SQL & Base de données

• ✅ Création de schémas et tables sous SQL Server
• ✅ Gestion des contraintes d'intégrité référentielle
• ✅ Création de vues SQL optimisées
• ✅ Requêtes complexes avec JOINs multiples

Power BI & DAX

• ✅ Importation et transformation des données avec Power Query
• ✅ Création de mesures DAX avancées (CA, MTD, YTD, croissance, panier moyen)
• ✅ Visualisation et storytelling de données
• ✅ Design de dashboard interactif et professionnel

Pipeline décisionnel

• ✅ Extraction, Transformation, Chargement (ETL)
• ✅ Architecture Data Warehouse
• ✅ Documentation technique

📊 Fonctionnalités du Dashboard Power BI

Le dashboard inclut des analyses sur :

• Vue globale : Aperçu des ventes et KPIs principaux

  

• Analyse régionale : Performance des ventes par région

  

• Analyse produits : Top produits et catégories

  

• Succès des paiements : Taux de réussite et méthodes de paiement

• Calendrier : Analyses temporelles (MTD, YTD)

👤 Auteur

Cédric BOIMIN

Étudiant en MBA Big Data & IA à MBA ESG Paris

---

Ce projet fait partie de mon portfolio professionnel et démontre mes compétences en Data Engineering, Business Intelligence et Data Analytics.