Analyse des performances commerciales d'un réseau de distribution / Retail Distribution Performance Analysis
Projet Data Analyst de bout en bout : cadrage métier → qualité → analyses descriptives → KPI → visualisations → parité R/Python → couche SQL/PostgreSQL validée.
Deux implémentations indépendantes (R et Python) suivent le même protocole. Une couche SQL/PostgreSQL complémentaire reproduit le sous-ensemble analytique utile et a été confrontée à Python (456/456 PASS). Les CSV sources restent en lecture seule. Les anomalies observées ne sont pas corrigées.
Analyse des performances commerciales d'un réseau de distribution
Comment les données transactionnelles peuvent-elles servir à comprendre l’activité des commandes, le comportement des clients, la répartition géographique des magasins, l’activité opérationnelle et la cohérence des données d’un réseau de distribution ?
Formulation de référence :
How can transactional data be used to understand order activity, customer behavior, store and geographic distribution, operational activity, and data consistency across a retail distribution network?
La question porte sur ce que les tables rendent observable, pas sur les causes de ces motifs.
| Question | Analyse | |
|---|---|---|
| Q1 | Comment le volume des commandes évolue-t-il dans le temps ? | Étape 3.1 ; synthèse 3.10 ; SQL période / annuel / mois / jour de semaine |
| Q2 | Comment les commandes et les clients se répartissent-ils entre les magasins et les villes ? | Étape 3.2 ; ville magasin et ville client distinctes |
| Q3 | Quels comportements d’achat peut-on observer chez les clients ? | Étape 3.3 (fréquence, y compris 0 commande) |
| Q4 | Quels montants et statuts opérationnels peut-on observer ? | Étapes 3.6–3.8 ; quatre familles de montants séparées ; pas de délai |
| Q5 | Quelles incohérences inter-tables peuvent affecter l’interprétation ? | Étapes 1–2 et 3.9 ; indicateurs qualité 3.10 ; SQL14 |
Les produits, catégories et fournisseurs (3.4) et l’usage observable des promotions (3.5) complètent le périmètre. Ce n’est pas une sixième question décisionnelle : toutes les commandes ont une promotion_id.
Détail : docs/business_question.md. Findings : docs/findings_analysis.md. Récit : docs/storytelling.md.
Ce projet décrit l’activité transactionnelle d’un réseau de distribution à partir de 12 tables CSV relationnelles (commandes, clients, magasins, produits, paiements, expéditions, retours, etc.).
L’analyse est descriptive. Elle mesure des volumes, des répartitions, des montants observés et des incohérences entre tables. Elle ne calcule pas un chiffre d’affaires unique et n’établit pas de relation causale.
Le travail validé repose sur :
- une implémentation R ;
- une implémentation Python ;
- une couche SQL/PostgreSQL complémentaire et validée ;
- un contrôle de parité R/Python à chaque étape ;
- une validation SQL ↔ Python (456 contrôles).
Tableau et Power BI ne font pas partie du livrable final (Tableau a été abandonné volontairement). scipy et statsmodels ne sont pas utilisés.
Douze fichiers CSV dans data/ (lecture seule). Ils ne sont pas versionnés (licence Kaggle Other). Voir data/README.md.
| Table | Rôle | Effectif validé |
|---|---|---|
orders.csv |
Commandes | 300 000 |
order_items.csv |
Lignes de commande | 600 000 |
customers.csv |
Clients | 50 000 |
stores.csv |
Magasins | 100 |
products.csv |
Produits | 10 000 |
categories.csv |
Catégories | 30 |
suppliers.csv |
Fournisseurs | 200 |
promotions.csv |
Promotions | 50 |
payments.csv |
Paiements | 300 000 |
shipments.csv |
Expéditions | 300 000 |
returns.csv |
Retours | 30 000 |
employees.csv |
Employés | chargé et profilé ; pas de KPI RH hors énoncé |
Structure principale : customers / stores / promotions → orders → order_items / payments / shipments ; products → order_items ; categories / suppliers → products ; order_items → returns. Paiements et expéditions sont observés en 1:1 avec les commandes. 0 orphelin de clé étrangère sur les relations contrôlées.
- Volumes de commandes (jour, mois, année, jour de semaine ; lundi = 1).
- Géographie magasin vs géographie client (deux grains distincts).
- Fréquence client, y compris les 114 clients sans commande.
- Quatre familles monétaires jamais fusionnées, jamais nommées chiffre d’affaires / revenue :
payment_amount—payments.amountline_amount—qty × order_items.pricecatalog_amount—qty × products.pricerefund_amount—returns.refund
- Statuts d’expédition source uniquement :
shipped,delivered,late(late= libellé, pas un délai en jours). - Qualité inter-tables : compter et nommer les anomalies, sans les corriger, sans score global.
Unité monétaire non documentée. Aucun montant net (paiement moins remboursement).
Tous les chiffres viennent des exports validés (étapes 3.1–3.10). Ils décrivent des volumes observés, pas un classement de performance.
- Activité des commandes. 300 000 commandes entre le 2020-01-01 et le 2024-01-01 (
K01,K04,K05). Moyenne journalière : 205,1983584131 commandes sur 1 462 jours civils (K06). Les années 2020–2023 sont proches (~74 300 à 75 300 commandes). 2024 n’est pas une année complète : 195 commandes le 1er janvier seulement. - Clients. 50 000 clients ; 49 886 ont au moins une commande (
K08, 99,7720000000 %) ; 114 n’en ont aucune. Moyenne et médiane : 6 commandes par client, zéros inclus (K11,K12). - Magasins et géographie. 100 magasins dans quatre villes. Parts de commandes (ville magasin) : Mumbai 30,9903333333 % (92 971) ; Pune 27,0390000000 % (81 117) ; Delhi 21,0523333333 % (63 157) ; Bangalore 20,9183333333 % (62 755). Les parts de clients par leur propre ville restent proches (~24,8–25,3 %). Pas de « meilleur magasin ».
- Montants (quatre familles distinctes).
payment_amount= 3 018 080 810 ;line_amount= 3 827 746 136 ;catalog_amount= 3 806 825 721 ;refund_amount= 75 962 300. Ces totaux ne sont ni additionnés ni convertis en un montant unique. - Expéditions et retours. 300 000 expéditions :
shipped100 283 (33,4276666667 %),delivered99 862 (33,2873333333 %),late99 855 (33,2850000000 %). 30 000 retours (K37). - Qualité. Les écarts ci-dessous encadrent toute lecture des indicateurs.
Incohérences observées, non corrigées, sans score global et sans cause attribuée.
| Constat | Effectif | Part |
|---|---|---|
Commandes avec order_date antérieure à signup_date |
120 020 | 40,0066666667 % |
Commandes sans ligne dans order_items |
40 767 | 13,5890000000 % |
Lignes avec order_items.price ≠ products.price |
599 863 | 99,9771666667 % |
Commandes avec payment_amount ≠ line_amount |
299 990 | 99,9966666667 % |
Retours avec refund > montant de ligne |
7 544 | 25,1466666667 % |
| Commandes dont la ville client ≠ ville magasin | 224 662 | 74,8873333333 % |
Autres observations validées : 114 clients sans commande ; 0 commande sans expédition ; 10 commandes seulement avec égalité stricte paiement / lignes.
- Chargement des 12 CSV (types figés).
- Profiling structurel (dimensions, clés, NA, doublons, dates).
- Contrôles qualité (couverture, FK, dates, montants) sans suppression.
- Transformations en mémoire uniquement (flags, renommages anti-collision, dates).
- Analyses descriptives par grain (
order_id, client, magasin, ligne, retour). - Calcul des KPI selon
docs/methodology/kpi_definitions.md. - Visualisations (mêmes agrégats en R et en Python).
- Cohérence inter-tables (étape 3.9).
- Comparaison R/Python à chaque étape (tolérance flottante
1e-8). - Couche SQL/PostgreSQL : schéma
retail, 12 tables, requêtes SQL01–SQL14, pré-agrégation avant JOIN 1:N, parité SQL ↔ Python.
Les CSV bruts ne sont ni filtrés, ni corrigés, ni écrasés.
Définitions : docs/methodology/client_brief.md, docs/methodology/analytical_protocol.md, docs/methodology/kpi_definitions.md.
Environnement dans lequel les analyses ont été validées.
| Couche | Rôle | Environnement observé |
|---|---|---|
| R | Implémentation analytique principale | R 4.6.1 ; readr 2.2.0, dplyr 1.2.1, ggplot2 4.0.3, lubridate 1.9.5 (lubridate : étape 3.1 uniquement). Détail : r/README.md. |
| Python | Implémentation miroir, même protocole | Python 3.14.7 ; pandas 3.0.6, numpy 2.5.3, matplotlib 3.11.2. Fichier : requirements.txt. |
| SQL / PostgreSQL | Couche complémentaire (schéma retail, 12 tables) |
PostgreSQL 18.6. Requêtes sql/02_analysis/ et sql/03_quality/. Détail : sql/README.md. |
Référence analytique : R et Python. SQL s’aligne sur les exports Python déjà en parité avec R. Les numéros de fichiers SQL01–SQL14 sont les noms physiques ; la correspondance avec les IDs du design 7.1 est dans sql/README.md. L’idée de design d’un LAG annuel n’a pas été retenue.
Les runners existants restent le mécanisme principal. Il n’existe pas de commande unique, ni de Docker, ni de renv.
- Python :
python -m pip install -r requirements.txt(Python 3.14.7 ;pandas,numpy,matplotlibuniquement). - R : voir
r/README.md(install.packagespourreadr,dplyr,ggplot2,lubridate). - SQL (optionnel) : PostgreSQL 18, base dédiée
retail_data_analysis, identifiants hors dépôt. Voirsql/README.md.
Rscript n’est pas forcément sur le PATH. Sous PowerShell, l’alias R est Invoke-History : ne pas s’en servir pour lancer R.
Exemple fiable (adapter le chemin d’installation) :
& "C:\Program Files\R\R-4.6.1\bin\Rscript.exe" r\run_step01.RDepuis la racine retail-data-analysis/, les 12 CSV sources étant présents dans data/. Chaque étape relit ces CSV. L’ordre suit le protocole (parité de N avant N+1) :
- R :
r\run_step01.R,run_step02.R,run_step03_01.R…run_step03_10.R. - Python :
python python\run_step01.py…python python\run_step03_10.py. - Parité, après les deux implémentations de la même étape :
python comparison\compare_step01.py…python comparison\compare_step03_10.py.
Chaque comparateur écrit comparison/parity_step*_summary.txt. Résultat attendu : PARITY CHECK: PASS — X/X. Tolérance flottante : 1e-8.
Audit : docs/technical/reproducibility_audit.md.
Douze visualisations finales, produites à l’étape 3.10 en R et en Python (mêmes agrégats). Catalogue : comparison/python/03_10_final_visualization_selection.csv.
| ID | Fichier | Sujet |
|---|---|---|
| VIZ01 | 03_10_viz_01_orders_monthly.png |
Volume mensuel des commandes |
| VIZ02 | 03_10_viz_02_orders_city.png |
Commandes par ville de magasin |
| VIZ03 | 03_10_viz_03_orders_store.png |
Commandes par magasin (ordre store_id) |
| VIZ04 | 03_10_viz_04_customer_frequency.png |
Fréquence de commande des clients |
| VIZ05 | 03_10_viz_05_category_quantity.png |
Quantité commandée par catégorie |
| VIZ06 | 03_10_viz_06_payment_distribution.png |
Distribution de payment_amount |
| VIZ07 | 03_10_viz_07_payment_vs_line.png |
payment_amount vs line_amount |
| VIZ08 | 03_10_viz_08_shipment_status.png |
Statuts d’expédition |
| VIZ09 | 03_10_viz_09_refund_distribution.png |
Distribution de refund_amount |
| VIZ10 | 03_10_viz_10_returns_category.png |
Retours par catégorie |
| VIZ11 | 03_10_viz_11_quality_anomalies.png |
Contrôles WARNING, sans score global |
| VIZ12 | 03_10_viz_12_customer_store_city.png |
Ville client vs ville magasin |
Chemins : outputs/figures/r/03_10/ et outputs/figures/python/03_10/. Aucun dashboard Tableau n’est livré.
Les 12 CSV correspondent au dataset Kaggle Retail Data Warehouse – 12 Table 1M+ Rows Dataset, publié par Datarspectrum Technology Training Center :
https://www.kaggle.com/datasets/datarspectrum/retail-data-warehouse-12-table-1m-rows-dataset
Le champ licence Kaggle est Other (specified in description). La description de la page ne nomme aucune licence standard (CC BY, MIT, CC0, etc.). La présence publique sur Kaggle n’est pas traitée comme une réutilisation sans restriction. Une obligation d’attribution n’est pas établie (aucune licence nommée avec clause d’attribution) ; l’auteur, le titre et l’URL sont cités ici par bonne pratique, non comme exigence juridique vérifiée.
Sur Kaggle, les tables sont présentées comme un environnement retail simulé, pour la pratique d’analyse. Le dataset n’est pas présenté ici comme celui d’une entreprise réelle nommée. La date de téléchargement local et toute transformation antérieure au dépôt ne sont pas documentées. Les fichiers sont utilisés tels que livrés.
L’énoncé (Énoncé client — version française.pdf) cadre la mission d’analyse. Détail de l’audit : docs/technical/provenance_audit.md.
Licence du code de ce dépôt : aucun fichier LICENSE n’a été ajouté. Aucune licence de code n’a été choisie. La mention Kaggle Other concerne le dataset, pas les scripts.
- Analyse descriptive : pas d’inférence causale.
- Toutes les commandes ont une
promotion_id; pas de groupe témoin. Unité dediscountnon documentée. Pas d’effet promotionnel démontrable. - Pas de date d’expédition ni de livraison : aucun délai calculable.
laten’est pas un OTIF temporel. - Pas de date de retour.
- Noms de produits absents ; catégories génériques (
Cat_*). - Incohérence
order_date/signup_dateconservée. - Les quatre familles de montants ne sont pas interchangeables.
- Géographie limitée à quatre villes.
- 2024 est une période partielle.
- Pas de runner unique, pas de Docker, pas de
renv.lock.
retail-data-analysis/
├── README.md
├── requirements.txt
├── .gitignore
├── data/ # 12 CSV sources (non versionnés ; voir data/README.md)
├── docs/
│ ├── business_question.md
│ ├── findings_analysis.md
│ ├── storytelling.md
│ ├── methodology/ # protocole, KPI, brief, énoncé PDF
│ └── technical/ # SQL design, reproductibilité, provenance
├── r/
├── python/
├── comparison/ # exports R/Python + parité (référence)
├── outputs/
│ ├── figures/ # PNG R et Python (dont VIZ01–VIZ12)
│ └── kpis/ # copies des tables KPI 3.10 (Python)
├── sql/
└── templates/
└── utbmciad-report/ # modèle LaTeX (pas le livrable analytique)
templates/utbmciad-report/ est un modèle LaTeX, pas le livrable analytique. Tableau n’est pas un livrable ; le dossier de travail dashboard/ n’est pas publié.
Aucune divergence analytique connue selon les comparaisons effectuées.
| Étape | Parité R/Python |
|---|---|
| 1 Chargement / profiling | PASS 996/996 |
| 2 Qualité | PASS 1116/1116 |
| 3.1 Temporalité | PASS 3204/3204 |
| 3.2 Magasins / géographie | PASS 585/585 |
| 3.3 Clients | PASS 181/181 |
| 3.4 Produits | PASS 3614/3614 |
| 3.5 Promotions | PASS 608/608 |
| 3.6 Paiements / montants | PASS 841/841 |
| 3.7 Expéditions | PASS 1355/1355 |
| 3.8 Retours | PASS 417/417 |
| 3.9 Relations / anomalies | PASS 1030/1030 |
| 3.10 Indicateurs / visualisations | PASS 4964/4964 |
Tolérance flottante : 1e-8. Fichiers : comparison/parity_step*_summary.txt.
| Contrôle | Résultat |
|---|---|
| Checks | 456 |
| PASS | 456 |
| FAIL | 0 |
| Tolérance | 1e-8 |
| Référence | comparison/python/ |
| Preuve | sql/05_validation/07_05_sql_python_parity.csv |
La couche SQL (schéma retail, 12 tables, SQL01–SQL14) est validée. R/Python restent la référence analytique.
Cadrage métier, findings et storytelling sont documentés. Audit de clôture portfolio : docs/technical/final_portfolio_audit.md.
Retail Distribution Performance Analysis
How can transactional data be used to understand order activity, customer behavior, store and geographic distribution, operational activity, and data consistency across a retail distribution network?
The question is about what the tables make observable, not about what caused those patterns.
| Question | Analysis | |
|---|---|---|
| Q1 | How does order volume evolve over time? | Step 3.1; 3.10 summary; SQL period / yearly / monthly / weekday |
| Q2 | How are orders and customers distributed across stores and cities? | Step 3.2; store city and customer city kept distinct |
| Q3 | What purchasing behaviors can be observed among customers? | Step 3.3 (frequency, including zero-order customers) |
| Q4 | What payment, line, catalog, and refund amounts and operational statuses can be observed? | Steps 3.6–3.8; four separate amount families; no delay |
| Q5 | What cross-table inconsistencies may affect interpretation? | Steps 1–2 and 3.9; 3.10 quality indicators; SQL14 |
Products, categories and suppliers (3.4) and observable promotion use (3.5) complete the scope. They are not a sixth decision question: every order has a promotion_id.
Detail: docs/business_question.md. Findings: docs/findings_analysis.md. Narrative: docs/storytelling.md.
This project describes transactional activity in a retail distribution network using 12 related CSV tables (orders, customers, stores, products, payments, shipments, returns, and related dimensions).
The analysis is descriptive. It measures volumes, distributions, observed amounts, and cross-table inconsistencies. It does not compute a single revenue figure and does not establish causal relationships.
The validated work includes:
- an R implementation;
- a Python implementation;
- a complementary, validated SQL/PostgreSQL layer;
- R/Python parity at every step;
- SQL ↔ Python validation (456 checks).
Tableau and Power BI are not final deliverables (Tableau was dropped on purpose). scipy and statsmodels are not used.
Twelve CSV files in data/ (read-only). They are not versioned (Kaggle license Other). See data/README.md.
| Table | Role | Validated row count |
|---|---|---|
orders.csv |
Orders | 300,000 |
order_items.csv |
Order lines | 600,000 |
customers.csv |
Customers | 50,000 |
stores.csv |
Stores | 100 |
products.csv |
Products | 10,000 |
categories.csv |
Categories | 30 |
suppliers.csv |
Suppliers | 200 |
promotions.csv |
Promotions | 50 |
payments.csv |
Payments | 300,000 |
shipments.csv |
Shipments | 300,000 |
returns.csv |
Returns | 30,000 |
employees.csv |
Employees | loaded and profiled; no HR KPI outside the assignment |
Main structure: customers / stores / promotions → orders → order_items / payments / shipments; products → order_items; categories / suppliers → products; order_items → returns. Payments and shipments are observed 1:1 with orders. Zero foreign-key orphans on the checked relations.
- Order volumes (day, month, year, weekday; Monday = 1).
- Store geography vs customer geography (two distinct grains).
- Customer frequency, including 114 customers with no order.
- Four monetary families, never merged, never labelled revenue / sales revenue / chiffre d’affaires:
payment_amount—payments.amountline_amount—qty × order_items.pricecatalog_amount—qty × products.pricerefund_amount—returns.refund
- Source shipment statuses only:
shipped,delivered,late(lateis a label, not a delay in days). - Cross-table quality: count and name anomalies, do not correct them, no global quality score.
The monetary unit is undocumented. There is no net amount (payment minus refund).
All figures below come from validated exports (steps 3.1–3.10). They describe observed volumes, not a performance ranking.
- Order activity. 300,000 orders from 2020-01-01 to 2024-01-01 (
K01,K04,K05). Daily average: 205.1983584131 orders over 1,462 calendar days (K06). Years 2020–2023 are close (~74,300 to 75,300 orders). 2024 is not a full year: 195 orders on 1 January only. - Customers. 50,000 customers; 49,886 have at least one order (
K08, 99.7720000000%); 114 have none. Mean and median: 6 orders per customer, zeros included (K11,K12). - Stores and geography. 100 stores in four cities. Order shares (store city): Mumbai 30.9903333333% (92,971); Pune 27.0390000000% (81,117); Delhi 21.0523333333% (63,157); Bangalore 20.9183333333% (62,755). Customer shares by their own city remain close (~24.8–25.3%). There is no “best store”.
- Amounts (four distinct families).
payment_amount= 3,018,080,810;line_amount= 3,827,746,136;catalog_amount= 3,806,825,721;refund_amount= 75,962,300. These totals are not added or converted into a single amount. - Shipments and returns. 300,000 shipments:
shipped100,283 (33.4276666667%),delivered99,862 (33.2873333333%),late99,855 (33.2850000000%). 30,000 returns (K37). - Quality. The gaps below bound any reading of the indicators.
These are observed inconsistencies. They were not corrected. There is no global quality score and no attributed cause.
| Finding | Count | Share |
|---|---|---|
Orders with order_date earlier than signup_date |
120,020 | 40.0066666667% |
Orders with no row in order_items |
40,767 | 13.5890000000% |
Lines with order_items.price ≠ products.price |
599,863 | 99.9771666667% |
Orders with payment_amount ≠ line_amount |
299,990 | 99.9966666667% |
Returns with refund > line amount |
7,544 | 25.1466666667% |
| Orders where customer city ≠ store city | 224,662 | 74.8873333333% |
Other validated observations: 114 customers without orders; 0 orders without a shipment; only 10 orders with exact payment / line equality.
- Load the 12 CSVs (fixed types).
- Structural profiling (shape, keys, missing values, duplicates, dates).
- Quality checks (coverage, FK, dates, amounts) without deletion.
- In-memory transformations only (flags, anti-collision renames, dates).
- Descriptive analysis at defined grains (
order_id, customer, store, line, return). - KPI computation per
docs/methodology/kpi_definitions.md. - Visualisation (same aggregates in R and Python).
- Cross-table consistency (step 3.9).
- R/Python comparison at every step (float tolerance
1e-8). - SQL/PostgreSQL layer: schema
retail, 12 tables, SQL01–SQL14, pre-aggregation before 1:N joins, SQL ↔ Python parity.
Raw CSVs are not filtered, corrected, or overwritten.
Definitions: docs/methodology/client_brief.md, docs/methodology/analytical_protocol.md, docs/methodology/kpi_definitions.md.
Environment in which the analyses were validated.
| Layer | Role | Observed environment |
|---|---|---|
| R | Primary analytical implementation | R 4.6.1; readr 2.2.0, dplyr 1.2.1, ggplot2 4.0.3, lubridate 1.9.5 (lubridate: step 3.1 only). Details: r/README.md. |
| Python | Mirror implementation, same protocol | Python 3.14.7; pandas 3.0.6, numpy 2.5.3, matplotlib 3.11.2. File: requirements.txt. |
| SQL / PostgreSQL | Complementary layer (schema retail, 12 tables) |
PostgreSQL 18.6. Queries in sql/02_analysis/ and sql/03_quality/. Details: sql/README.md. |
Analytical reference: R and Python. SQL is aligned with the Python exports already in parity with R. Physical file names SQL01–SQL14 differ from some design-7.1 IDs; the mapping is in sql/README.md. The design idea of a yearly LAG was not retained.
Existing runners remain the main execution mechanism. There is no single command, no Docker, and no renv.
- Python:
python -m pip install -r requirements.txt(Python 3.14.7;pandas,numpy,matplotlibonly). - R: see
r/README.md(install.packagesforreadr,dplyr,ggplot2,lubridate). - SQL (optional): PostgreSQL 18, dedicated database
retail_data_analysis, credentials outside the repo. Seesql/README.md.
Rscript may be missing from PATH. In PowerShell, R is the Invoke-History alias: do not use it to start R.
Reliable example (adjust the install path):
& "C:\Program Files\R\R-4.6.1\bin\Rscript.exe" r\run_step01.RFrom the retail-data-analysis/ root, with the 12 source CSVs present in data/. Each step reloads those CSVs. Protocol order (parity of N before N+1):
- R:
r\run_step01.R,run_step02.R,run_step03_01.R…run_step03_10.R. - Python:
python python\run_step01.py…python python\run_step03_10.py. - Parity, after both implementations of the same step:
python comparison\compare_step01.py…python comparison\compare_step03_10.py.
Each comparator writes comparison/parity_step*_summary.txt. Expected result: PARITY CHECK: PASS — X/X. Float tolerance: 1e-8.
Audit: docs/technical/reproducibility_audit.md.
Twelve final visualisations, produced at step 3.10 in R and Python (same aggregates). Catalogue: comparison/python/03_10_final_visualization_selection.csv.
| ID | File | Topic |
|---|---|---|
| VIZ01 | 03_10_viz_01_orders_monthly.png |
Monthly order volume |
| VIZ02 | 03_10_viz_02_orders_city.png |
Orders by store city |
| VIZ03 | 03_10_viz_03_orders_store.png |
Orders by store (store_id order) |
| VIZ04 | 03_10_viz_04_customer_frequency.png |
Customer order frequency |
| VIZ05 | 03_10_viz_05_category_quantity.png |
Quantity by category |
| VIZ06 | 03_10_viz_06_payment_distribution.png |
payment_amount distribution |
| VIZ07 | 03_10_viz_07_payment_vs_line.png |
payment_amount vs line_amount |
| VIZ08 | 03_10_viz_08_shipment_status.png |
Shipment statuses |
| VIZ09 | 03_10_viz_09_refund_distribution.png |
refund_amount distribution |
| VIZ10 | 03_10_viz_10_returns_category.png |
Returns by category |
| VIZ11 | 03_10_viz_11_quality_anomalies.png |
WARNING checks, no global score |
| VIZ12 | 03_10_viz_12_customer_store_city.png |
Customer city vs store city |
Paths: outputs/figures/r/03_10/ and outputs/figures/python/03_10/. No Tableau dashboard is shipped.
The 12 CSV files match the Kaggle dataset Retail Data Warehouse – 12 Table 1M+ Rows Dataset, published by Datarspectrum Technology Training Center:
https://www.kaggle.com/datasets/datarspectrum/retail-data-warehouse-12-table-1m-rows-dataset
The Kaggle license field is Other (specified in description). The dataset page description does not name a standard license (for example CC BY, MIT, or CC0). Public availability on Kaggle is not treated as unrestricted reuse. An attribution requirement is not established (no named license with an attribution clause); author, title, and URL are cited here as good practice, not as a verified legal obligation.
On Kaggle the tables are presented as a simulated retail environment for analysis practice. The dataset is not presented here as a named live company. The local copy’s download date and any pre-project transformation are not documented in this repository. Files are used as delivered.
The assignment statement (Énoncé client — version française.pdf) frames the analysis brief. Audit detail: docs/technical/provenance_audit.md.
Code license for this repository: no LICENSE file was added. No code license has been chosen. The Kaggle Other field applies to the dataset, not to the scripts.
- Descriptive analysis only: no causal inference.
- Every order has a
promotion_id; no control group. The unit ofdiscountis undocumented. Promotion impact cannot be demonstrated. - No shipment or delivery date: no lead time can be calculated.
lateis not a time-based OTIF metric. - No return date.
- Product names are absent; categories are generic (
Cat_*). - The
order_date/signup_dateinconsistency is retained. - The four amount families are not interchangeable.
- Geography is limited to four cities.
- 2024 is a partial period.
- No single runner, no Docker, no
renv.lock.
retail-data-analysis/
├── README.md
├── requirements.txt
├── .gitignore
├── data/ # 12 source CSVs (not versioned; see data/README.md)
├── docs/
│ ├── business_question.md
│ ├── findings_analysis.md
│ ├── storytelling.md
│ ├── methodology/ # protocol, KPIs, brief, assignment PDF
│ └── technical/ # SQL design, reproducibility, provenance
├── r/
├── python/
├── comparison/ # R/Python exports + parity (canonical)
├── outputs/
│ ├── figures/ # R and Python PNGs (including VIZ01–VIZ12)
│ └── kpis/ # copies of step 3.10 Python KPI tables
├── sql/
└── templates/
└── utbmciad-report/ # LaTeX template (not the analytical deliverable)
templates/utbmciad-report/ is a LaTeX template, not the analytical deliverable. Tableau is not a deliverable; the working dashboard/ folder is not published.
No known analytical divergence according to the comparisons that were run.
| Step | R/Python parity |
|---|---|
| 1 Load / profiling | PASS 996/996 |
| 2 Quality | PASS 1116/1116 |
| 3.1 Temporality | PASS 3204/3204 |
| 3.2 Stores / geography | PASS 585/585 |
| 3.3 Customers | PASS 181/181 |
| 3.4 Products | PASS 3614/3614 |
| 3.5 Promotions | PASS 608/608 |
| 3.6 Payments / amounts | PASS 841/841 |
| 3.7 Shipments | PASS 1355/1355 |
| 3.8 Returns | PASS 417/417 |
| 3.9 Relations / anomalies | PASS 1030/1030 |
| 3.10 Indicators / visualisations | PASS 4964/4964 |
Float tolerance: 1e-8. Files: comparison/parity_step*_summary.txt.
| Check | Result |
|---|---|
| Checks | 456 |
| PASS | 456 |
| FAIL | 0 |
| Tolerance | 1e-8 |
| Reference | comparison/python/ |
| Evidence | sql/05_validation/07_05_sql_python_parity.csv |
The SQL layer (schema retail, 12 tables, SQL01–SQL14) is validated. R/Python remain the analytical reference.
Business framing, findings, and storytelling are documented. Portfolio closure audit: docs/technical/final_portfolio_audit.md.