Skip to content

About

No description, website, or topics provided.

Resources

Stars

0 stars

Watchers

0 watching

Forks

Latest commit

 

History

1 Commit

Folders and files

Repository files navigation

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.

Français · English


PARTIE I — Français

Titre

Analyse des performances commerciales d'un réseau de distribution

Question métier

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.

Questions clés

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.

Vue d’ensemble

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 :

  1. une implémentation R ;
  2. une implémentation Python ;
  3. une couche SQL/PostgreSQL complémentaire et validée ;
  4. un contrôle de parité R/Python à chaque étape ;
  5. 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.

Données

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.

Périmètre analytique

  • 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.amount
    • line_amount — qty × order_items.price
    • catalog_amount — qty × products.price
    • refund_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).

Principaux résultats

Tous les chiffres viennent des exports validés (étapes 3.1–3.10). Ils décrivent des volumes observés, pas un classement de performance.

  1. 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.
  2. 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).
  3. 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 ».
  4. 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.
  5. Expéditions et retours. 300 000 expéditions : shipped 100 283 (33,4276666667 %), delivered 99 862 (33,2873333333 %), late 99 855 (33,2850000000 %). 30 000 retours (K37).
  6. Qualité. Les écarts ci-dessous encadrent toute lecture des indicateurs.

Qualité des données

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.

Méthodologie

  1. Chargement des 12 CSV (types figés).
  2. Profiling structurel (dimensions, clés, NA, doublons, dates).
  3. Contrôles qualité (couverture, FK, dates, montants) sans suppression.
  4. Transformations en mémoire uniquement (flags, renommages anti-collision, dates).
  5. Analyses descriptives par grain (order_id, client, magasin, ligne, retour).
  6. Calcul des KPI selon docs/methodology/kpi_definitions.md.
  7. Visualisations (mêmes agrégats en R et en Python).
  8. Cohérence inter-tables (étape 3.9).
  9. Comparaison R/Python à chaque étape (tolérance flottante 1e-8).
  10. 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.

R / Python / SQL

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.

Reproductibilité

Les runners existants restent le mécanisme principal. Il n’existe pas de commande unique, ni de Docker, ni de renv.

Environnement

  1. Python : python -m pip install -r requirements.txt (Python 3.14.7 ; pandas, numpy, matplotlib uniquement).
  2. R : voir r/README.md (install.packages pour readr, dplyr, ggplot2, lubridate).
  3. SQL (optionnel) : PostgreSQL 18, base dédiée retail_data_analysis, identifiants hors dépôt. Voir sql/README.md.

Rscript sous Windows

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.R

Ordre d’exécution (R / Python)

Depuis 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) :

  1. R : r\run_step01.R, run_step02.R, run_step03_01.R … run_step03_10.R.
  2. Python : python python\run_step01.py … python python\run_step03_10.py.
  3. 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.

Visualisations

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.

Provenance

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.

Limites

  • Analyse descriptive : pas d’inférence causale.
  • Toutes les commandes ont une promotion_id ; pas de groupe témoin. Unité de discount non documentée. Pas d’effet promotionnel démontrable.
  • Pas de date d’expédition ni de livraison : aucun délai calculable. late n’est pas un OTIF temporel.
  • Pas de date de retour.
  • Noms de produits absents ; catégories génériques (Cat_*).
  • Incohérence order_date / signup_date conservée.
  • 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.

Structure du projet

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.

Validation / Parity

Aucune divergence analytique connue selon les comparaisons effectuées.

R ↔ Python (étapes 1 à 3.10)

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.

SQL ↔ Python

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.


PART II — English

Title

Retail Distribution Performance Analysis

Business question

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.

Key questions

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.

Project overview

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:

  1. an R implementation;
  2. a Python implementation;
  3. a complementary, validated SQL/PostgreSQL layer;
  4. R/Python parity at every step;
  5. SQL ↔ Python validation (456 checks).

Tableau and Power BI are not final deliverables (Tableau was dropped on purpose). scipy and statsmodels are not used.

Dataset

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.

Analytical scope

  • 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.amount
    • line_amount — qty × order_items.price
    • catalog_amount — qty × products.price
    • refund_amount — returns.refund
  • Source shipment statuses only: shipped, delivered, late (late is 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).

Key findings

All figures below come from validated exports (steps 3.1–3.10). They describe observed volumes, not a performance ranking.

  1. 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.
  2. 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).
  3. 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”.
  4. 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.
  5. Shipments and returns. 300,000 shipments: shipped 100,283 (33.4276666667%), delivered 99,862 (33.2873333333%), late 99,855 (33.2850000000%). 30,000 returns (K37).
  6. Quality. The gaps below bound any reading of the indicators.

Data quality

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.

Methodology

  1. Load the 12 CSVs (fixed types).
  2. Structural profiling (shape, keys, missing values, duplicates, dates).
  3. Quality checks (coverage, FK, dates, amounts) without deletion.
  4. In-memory transformations only (flags, anti-collision renames, dates).
  5. Descriptive analysis at defined grains (order_id, customer, store, line, return).
  6. KPI computation per docs/methodology/kpi_definitions.md.
  7. Visualisation (same aggregates in R and Python).
  8. Cross-table consistency (step 3.9).
  9. R/Python comparison at every step (float tolerance 1e-8).
  10. 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.

R / Python / SQL

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.

Reproducibility

Existing runners remain the main execution mechanism. There is no single command, no Docker, and no renv.

Environment

  1. Python: python -m pip install -r requirements.txt (Python 3.14.7; pandas, numpy, matplotlib only).
  2. R: see r/README.md (install.packages for readr, dplyr, ggplot2, lubridate).
  3. SQL (optional): PostgreSQL 18, dedicated database retail_data_analysis, credentials outside the repo. See sql/README.md.

Rscript on Windows

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.R

Execution order (R / Python)

From 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):

  1. R: r\run_step01.R, run_step02.R, run_step03_01.R … run_step03_10.R.
  2. Python: python python\run_step01.py … python python\run_step03_10.py.
  3. 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.

Visualizations

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.

Provenance

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.

Limitations

  • Descriptive analysis only: no causal inference.
  • Every order has a promotion_id; no control group. The unit of discount is undocumented. Promotion impact cannot be demonstrated.
  • No shipment or delivery date: no lead time can be calculated. late is not a time-based OTIF metric.
  • No return date.
  • Product names are absent; categories are generic (Cat_*).
  • The order_date / signup_date inconsistency 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.

Project structure

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.

Validation / Parity

No known analytical divergence according to the comparisons that were run.

R ↔ Python (steps 1 to 3.10)

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.

SQL ↔ Python

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.

About

No description, website, or topics provided.

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages