Coffee Shop Performance — Retail & Operational Dashboard

Contexte & objectif

Ce projet reprend un dashboard construit sous Tableau pour analyser la performance opérationnelle d'une chaîne de coffee shops. L'objectif : fournir un outil simple et visuel pour piloter les magasins, évaluer l'efficacité du personnel, comprendre le comportement des clients et limiter le gaspillage produit.

Données & méthode

• Source : jeu de données opérationnel (ventes par point de vente, transactions clients, fiches personnel, dates/horaires, quantités vendues, indicateur de waste/gaspillage).
• Période : données concentrés autour d'avril 2019.
• Pré-traitement : nettoyage des identifiants magasins, géocodage pour cartographie, agrégation par jour/heure, calcul des KPIs (CA par point de vente, quantité vendue, taux de gaspillage, dépenses par client, fréquence d'achat).
• Outils : préparation SQL, Python (Pandas), restitution Tableau.

Dashboard — aperçu

Le dashboard se compose de 4 onglets thématiques visibles en haut : Les points de vente, Le personnel, Les clients, Les produits.

Les éléments clés visibles :

• Une carte avec bulles proportionnelles au chiffre d'affaires / quantité vendue par magasin (ex. bulles signalant New York, Long Island City, etc.), accompagnée d'une échelle de CA (ex. 1,913 → 2,423) et d'une légende "Total quantité vendue" (approx. 847 → 1,077 selon magasins).
• Un onglet Personnel montrant : des histogrammes empilés par employé (quantité vendue par groupe produit), et un scatter plot « ancienneté vs performance » indiquant corrélations et cas particuliers (ex. Britannii très performant, Ainsley arrivant en 2003 parmi les moins performants).
• Un onglet Clients proposant : un treemap des années de naissance (les clients nés dans les années 90 dépensent le plus), scatter des membres fidélité (nombre d'achats vs montant total dépensé) et répartition par genre/année d'arrivée.
• Un onglet Produits avec : scatter taux de gaspillage vs quantité vendue (identification des produits à fort volume et fort gâchis), et séries temporelles des quantités vendues par date (pics autour de mi‑avril visibles sur l'extrait).

Dashboard public Tableau : Voir le dashboard complet

Résultats clés

Les observations extraites du dashboard sont les suivantes :

1. Concentration géographique

• Quelques points de vente concentrent l'essentiel du CA et du volume vendu (bulles nettement plus grandes sur la carte). Ces magasins sont prioritaires pour les actions commerciales et l'optimisation des assortiments.

2. Performance du personnel

• Les différences de performance entre employés sont visibles : certains employés présentent des ventes cumulées nettement supérieures (stacked bars) — cela peut venir d'un mix produit favorable, ancienneté ou compétences de vente.
• Aucune corrélation forte et homogène entre ancienneté et performance : des employés récents peuvent être parmi les meilleurs et inversement.

3. Comportement clients

• Les clients nés dans les années 90 semblent dépenser davantage en moyenne (treemap bleu foncé), suggérant un segment à fort potentiel.
• Les membres du programme de fidélité montrent une dispersion : certains gros dépensiers effectuent peu d'achats mais dépensent beaucoup (haute valeur moyenne / faible fréquence) ; d'autres combinent fréquence et montant élevé.

4. Produits & gaspillage

• Certains produits à forte quantité vendue présentent aussi un taux de gaspillage élevé — opportunité d'optimiser les portions, stock et promotions ciblées.
• Les séries temporelles montrent des pics sur certaines dates (mi‑avril) — à corréler avec événements / promotions pour comprendre les déclencheurs.

Recommandations

Priorisation des actions opérationnelles et analytiques :

P0 — Actions immédiates

• Review assortiment et stock pour les magasins à fort volume afin de réduire le gaspillage (ajuster les portions, les inventaires journaliers).
• Focus RH : identifier les employés top-performers et standardiser leurs pratiques (formation, bonnes pratiques à partager).
• Patrouille merchandising les jours de pics (mi‑avril) pour assurer la disponibilité produit et réduire les ruptures.

P1 — Actions tactiques (1–3 mois)

• Segmentation client marketing : cibler les clients nés dans les années 90 avec des offres premium / upsell et campagnes de fidélisation.
• Promotions produits sur items à fort gaspillage pour réduire les pertes ou introduire des formats alternatifs.
• Structuration des incentives pour le personnel (KPIs par jour/shift) afin d'aligner volume et qualité de vente.

P2 — Actions analytiques

• Modèle de forecasting des ventes par produit/jour pour ajuster les commandes fournisseurs et préparer les promotions.
• Modèle d'optimisation du stock (min/max) couplé à un scoring de waste risk par produit.
• A/B tests de portions/prix sur produits à fort gaspillage pour identifier le bon trade-off marge/volume.

Conclusion

Le dashboard Coffee Shop offre une vision globale et actionnable de la performance retail. En exploitant la cartographie des magasins, l’analyse fine du personnel et le comportement des clients, il permet d’identifier rapidement les leviers d’optimisation : réduction du gaspillage, ciblage marketing, et amélioration des pratiques RH. L’intégration progressive de modèles prédictifs et d’analyses avancées ouvre la voie à une gestion plus agile et rentable, tout en renforçant l’expérience client et la compétitivité de la chaîne.

Prendre contact

Projet mené de façon autonome à partir de données publiques issues de Kaggle