Calcul du chiffre d’affaires et création de variables

Le calcul le plus fondamental dans un jeu de données de ventes est le chiffre d’affaires par ligne : le produit de la quantité par le prix unitaire pour chaque ligne. Créez cette colonne au moyen d’une multiplication vectorisée afin que NumPy traite toutes les lignes simultanément, sans boucle Python. Cette colonne sert de base à tous les regroupements de l’analyse.

Le regroupement par période calendaire est essentiel pour analyser les tendances. Utilisez l’accesseur .dt sur une colonne de dates et heures pour extraire l’année, le mois et le trimestre. Le stockage de ces valeurs dans des colonnes entières distinctes accélère les opérations groupby et permet de filtrer facilement par période sans analyser à nouveau les chaînes de caractères.

Les règles métier définissent souvent un indicateur de remise : les commandes dont le total dépasse un seuil bénéficient d’une remise. Utilisez np.where ou une comparaison booléenne pour créer efficacement cette colonne binaire. Un indicateur de remise permet aux analystes de comparer les distributions de chiffre d’affaires entre les commandes remisées et celles au prix plein en un seul appel à groupby.

Si le jeu de données comprend une colonne cost_price, vous pouvez calculer la marge bénéficiaire avec (unit_price - cost_price) / unit_price. Utilisez clip(lower=0) pour limiter à zéro les marges négatives dues à des erreurs dans les données avant de poursuivre l’analyse. Les colonnes de marge permettent d’effectuer des regroupements axés sur le bénéfice, en complément de ceux portant sur le chiffre d’affaires.

Le nombre de jours entre la première commande d’un client et sa commande actuelle constitue une caractéristique utile d’ancienneté client. Calculez-le en regroupant les données par customer_id, en prenant la date minimale comme date de référence de la cohorte, puis en la soustrayant de la date de chaque ligne. L’arithmétique sur les durées renvoie une colonne de valeurs timedelta64 que vous convertissez en nombre entier de jours avec .dt.days.

Répartissez la colonne revenue dans des catégories de taille libellées à l’aide de pd.cut() afin de créer une caractéristique ordinale pour la segmentation. Fournissez des bins et des labels explicites correspondant à vos définitions métier des petites, moyennes et grandes commandes. La colonne obtenue est une colonne catégorielle Pandas, qui se regroupe efficacement.

Triez le DataFrame par order_date et utilisez cumsum() sur la colonne du chiffre d’affaires pour suivre l’accumulation du chiffre d’affaires total au cours de l’année. Cette série cumulée permet de repérer facilement si le chiffre d’affaires augmente de manière linéaire, s’accélère ou plafonne, et sert de base à un graphique en cascade ou en courbe cumulée.

La propriété dt.day_of_week renvoie une valeur de 0 (lundi) à 6 (dimanche). Marquez le samedi (5) et le dimanche (6) comme des commandes du week-end afin de vérifier si le comportement d’achat le week-end diffère de celui des jours ouvrés. Il s’agit d’une caractéristique courante dans l’EDA de la vente au détail et l’analyse des tests A/B.

Identifiez vos meilleurs clients en calculant le chiffre d’affaires total par customer_id avec groupby().sum(), puis en les classant avec .rank(ascending=False, method='dense'). L’ajout du classement au DataFrame principal avec map() vous permet de filtrer les N meilleurs clients au moyen d’une seule condition booléenne.

Normalisez la colonne du chiffre d’affaires sous forme de score Z afin de pouvoir comparer les tailles de commande entre différentes catégories de produits dont les fourchettes de prix sont très différentes. Utilisez (df['revenue'] - df['revenue'].mean()) / df['revenue'].std(). Les scores Z supérieurs à 3 ou inférieurs à -3 sont des valeurs atypiques statistiques qu’il convient d’examiner avant la modélisation.

Après avoir ajouté les colonnes calculées, enregistrez le DataFrame enrichi afin que chaque bloc-notes utilisé par les étapes suivantes commence dans le même état cohérent. Utilisez to_parquet() pour préserver les types de données, notamment la colonne catégorielle order_size et la colonne de dates et heures order_date. Documentez les nouvelles colonnes dans un court bloc de commentaires au début du script.

Dans cette leçon, vous avez appris à calculer les colonnes de chiffre d’affaires et de marge bénéficiaire, à extraire des caractéristiques temporelles avec l’accesseur .dt et à créer des caractéristiques telles que les indicateurs de remise, les catégories de taille de commande et les classements des clients. Nous allons maintenant étudier l’analyse avec groupby par région et par catégorie.