Le tableau de bord du directeur commercial¶
Introduction¶
Chaque lundi matin, Marc redoute le même rituel. En tant que directeur commercial chez TechVentes SARL, un distributeur de matériel informatique, il doit présenter un rapport de performance à la direction. Avec une équipe de 8 commerciaux répartis sur 4 régions et vendant 3 gammes de produits, jongler avec tous ces chiffres est devenu un véritable cauchemar hebdomadaire.
Jusqu'à présent, Marc passait des heures à copier des données d'un tableur à l'autre, à rédiger des formules complexes et à vérifier ses calculs. Une seule erreur de cellule et c'est tout le rapport qui était faussé. Mais cette semaine, Marc a décidé de dire stop. Il va automatiser ses rapports grâce à DictDB et ses puissantes fonctions d'agrégation.
Suivons Marc dans la création de son nouveau tableau de bord analytique.
Préparation des données¶
Marc commence par initialiser sa base de données avec les ventes du mois.
from dictdb import DictDB, Condition, Count, Sum, Avg, Min, Max
# Créer la base de données
db = DictDB()
# Table des commerciaux
db.create_table("reps", primary_key="id")
reps = db.get_table("reps")
reps.insert({"id": 1, "name": "Alice Dupont", "region": "Nord", "team": "A"})
reps.insert({"id": 2, "name": "Bernard Martin", "region": "Sud", "team": "A"})
reps.insert({"id": 3, "name": "Claire Chen", "region": "Est", "team": "B"})
reps.insert({"id": 4, "name": "David Park", "region": "Ouest", "team": "B"})
reps.insert({"id": 5, "name": "Emma Leroy", "region": "Nord", "team": "A"})
reps.insert({"id": 6, "name": "François Brun", "region": "Sud", "team": "B"})
reps.insert({"id": 7, "name": "Grace Lee", "region": "Est", "team": "A"})
reps.insert({"id": 8, "name": "Henri Moreau", "region": "Ouest", "team": "B"})
# Table des ventes
db.create_table("sales", primary_key="id")
sales = db.get_table("sales")
# Données des ventes de janvier
sales_data = [
# Alice - Région Nord, Équipe A
{"rep_id": 1, "client": "Alpha Corp", "amount": 15000, "product": "Serveurs", "date": "2024-01-05"},
{"rep_id": 1, "client": "Beta Startup", "amount": 8500, "product": "Portables", "date": "2024-01-12"},
{"rep_id": 1, "client": "Gamma PME", "amount": 12000, "product": "Réseau", "date": "2024-01-20"},
# Bernard - Région Sud, Équipe A
{"rep_id": 2, "client": "Delta Hôtel", "amount": 22000, "product": "Serveurs", "date": "2024-01-08"},
{"rep_id": 2, "client": "Epsilon Café", "amount": 4500, "product": "Portables", "date": "2024-01-15"},
# Claire - Région Est, Équipe B
{"rep_id": 3, "client": "Zeta Usine", "amount": 45000, "product": "Serveurs", "date": "2024-01-10"},
{"rep_id": 3, "client": "Eta Logistique", "amount": 18000, "product": "Réseau", "date": "2024-01-18"},
{"rep_id": 3, "client": "Theta Transport", "amount": 9500, "product": "Portables", "date": "2024-01-25"},
# David - Région Ouest, Équipe B
{"rep_id": 4, "client": "Iota Banque", "amount": 35000, "product": "Serveurs", "date": "2024-01-03"},
{"rep_id": 4, "client": "Kappa Assurance", "amount": 28000, "product": "Réseau", "date": "2024-01-22"},
# Emma - Région Nord, Équipe A
{"rep_id": 5, "client": "Lambda École", "amount": 7500, "product": "Portables", "date": "2024-01-07"},
{"rep_id": 5, "client": "Mu Mairie", "amount": 19000, "product": "Serveurs", "date": "2024-01-14"},
{"rep_id": 5, "client": "Nu Hôpital", "amount": 32000, "product": "Réseau", "date": "2024-01-28"},
# François - Région Sud, Équipe B
{"rep_id": 6, "client": "Xi Domaine", "amount": 5500, "product": "Portables", "date": "2024-01-11"},
{"rep_id": 6, "client": "Omicron Coop", "amount": 11000, "product": "Réseau", "date": "2024-01-19"},
# Grace - Région Est, Équipe A
{"rep_id": 7, "client": "Pi Pharmacie", "amount": 8000, "product": "Portables", "date": "2024-01-06"},
{"rep_id": 7, "client": "Rho Clinique", "amount": 24000, "product": "Serveurs", "date": "2024-01-16"},
{"rep_id": 7, "client": "Sigma Labs", "amount": 16500, "product": "Réseau", "date": "2024-01-24"},
# Henri - Région Ouest, Équipe B
{"rep_id": 8, "client": "Tau Port", "amount": 38000, "product": "Serveurs", "date": "2024-01-09"},
{"rep_id": 8, "client": "Upsilon Aéroport", "amount": 52000, "product": "Réseau", "date": "2024-01-21"},
]
for sale in sales_data:
sales.insert(sale)
print(f"Données chargées : {reps.count()} commerciaux, {sales.count()} ventes")
# Données chargées : 8 commerciaux, 20 ventes
Agrégations de base : Count, Sum, Avg, Min, Max¶
Marc commence par calculer les statistiques globales du mois.
Compter les ventes avec Count¶
# Nombre total de ventes
stats = sales.aggregate(
total_sales=Count()
)
print(f"Nombre de ventes : {stats['total_sales']}")
# Nombre de ventes : 20
Calculer le chiffre d'affaires avec Sum¶
# Chiffre d'affaires total
stats = sales.aggregate(
revenue=Sum("amount")
)
print(f"CA total : {stats['revenue']:,} €")
# CA total : 421,000 €
Calculer les moyennes avec Avg¶
# Montant moyen par vente
stats = sales.aggregate(
avg_amount=Avg("amount")
)
print(f"Panier moyen : {stats['avg_amount']:,.2f} €")
# Panier moyen : 21,050.00 €
Trouver les extrêmes avec Min et Max¶
# Plus petite et plus grande vente
stats = sales.aggregate(
smallest=Min("amount"),
largest=Max("amount")
)
print(f"Plus petite vente : {stats['smallest']:,} €")
print(f"Plus grande vente : {stats['largest']:,} €")
# Plus petite vente : 4,500 €
# Plus grande vente : 52,000 €
Combiner plusieurs agrégations¶
Marc peut calculer toutes ces statistiques en une seule passe :
# Tableau de bord global
global_stats = sales.aggregate(
total_sales=Count(),
revenue=Sum("amount"),
avg_amount=Avg("amount"),
min_sale=Min("amount"),
max_sale=Max("amount")
)
print("=== TABLEAU DE BORD - JANVIER 2024 ===")
print(f"Nombre de ventes : {global_stats['total_sales']}")
print(f"Chiffre d'affaires : {global_stats['revenue']:,} €")
print(f"Panier moyen : {global_stats['avg_amount']:,.2f} €")
print(f"Vente min : {global_stats['min_sale']:,} €")
print(f"Vente max : {global_stats['max_sale']:,} €")
# === TABLEAU DE BORD - JANVIER 2024 ===
# Nombre de ventes : 20
# Chiffre d'affaires : 421,000 €
# Panier moyen : 21,050.00 €
# Vente min : 4,500 €
# Vente max : 52,000 €
GROUP BY sur un seul champ¶
Marc veut maintenant analyser la performance par commercial, par produit et par région.
Performance par commercial¶
# Ventes par commercial
by_rep = sales.aggregate(
group_by="rep_id",
num_sales=Count(),
total=Sum("amount"),
average=Avg("amount")
)
print("=== PERFORMANCE PAR COMMERCIAL ===")
for stat in by_rep:
# Récupérer le nom du commercial
rep = reps.select(
where=Condition(reps.id == stat["rep_id"])
)[0]
print(f"{rep['name']:20} : {stat['num_sales']} ventes, "
f"{stat['total']:,} € (moy : {stat['average']:,.0f} €)")
# === PERFORMANCE PAR COMMERCIAL ===
# Alice Dupont : 3 ventes, 35,500 € (moy : 11,833 €)
# Bernard Martin : 2 ventes, 26,500 € (moy : 13,250 €)
# Claire Chen : 3 ventes, 72,500 € (moy : 24,167 €)
# David Park : 2 ventes, 63,000 € (moy : 31,500 €)
# Emma Leroy : 3 ventes, 58,500 € (moy : 19,500 €)
# François Brun : 2 ventes, 16,500 € (moy : 8,250 €)
# Grace Lee : 3 ventes, 48,500 € (moy : 16,167 €)
# Henri Moreau : 2 ventes, 90,000 € (moy : 45,000 €)
Ventes par type de produit¶
# Analyse par produit
by_product = sales.aggregate(
group_by="product",
sales_count=Count(),
total=Sum("amount"),
average=Avg("amount"),
min_val=Min("amount"),
max_val=Max("amount")
)
print("\n=== ANALYSE PAR PRODUIT ===")
for stat in by_product:
print(f"\n{stat['product']} :")
print(f" Nombre de ventes : {stat['sales_count']}")
print(f" Total : {stat['total']:,} €")
print(f" Moyenne : {stat['average']:,.0f} €")
print(f" Min/Max : {stat['min_val']:,} - {stat['max_val']:,} €")
# === ANALYSE PAR PRODUIT ===
#
# Serveurs :
# Nombre de ventes : 6
# Total : 178,000 €
# Moyenne : 29,667 €
# Min/Max : 15,000 - 45,000 €
#
# Portables :
# Nombre de ventes : 6
# Total : 43,500 €
# Moyenne : 7,250 €
# Min/Max : 4,500 - 9,500 €
#
# Réseau :
# Nombre de ventes : 8
# Total : 199,500 €
# Moyenne : 24,938 €
# Min/Max : 11,000 - 52,000 €
GROUP BY sur plusieurs champs¶
Marc souhaite une analyse plus fine : la performance par région ET par produit.
# Créer une vue enrichie avec les informations de région
enriched_sales = []
for sale in sales.select():
rep = reps.select(
where=Condition(reps.id == sale["rep_id"])
)[0]
enriched_sale = {**sale, "region": rep["region"], "team": rep["team"]}
enriched_sales.append(enriched_sale)
# Créer une nouvelle table avec les données enrichies
db.create_table("enriched_sales", primary_key="id")
es = db.get_table("enriched_sales")
for s in enriched_sales:
es.insert(s)
# GROUP BY sur plusieurs champs : région et produit
by_region_product = es.aggregate(
group_by=["region", "product"],
sales_count=Count(),
total=Sum("amount")
)
print("=== VENTES PAR RÉGION ET PRODUIT ===")
print(f"{ 'Région':<10} { 'Produit':<12} { 'Ventes':>8} { 'Total':>12}")
print("---------------------------------------------")
for stat in sorted(by_region_product, key=lambda x: (x["region"], x["product"])):
print(f"{stat['region']:<10} {stat['product']:<12} {stat['sales_count']:>8} {stat['total']:>10,} €")
# === VENTES PAR RÉGION ET PRODUIT ===
# Région Produit Ventes Total
# ---------------------------------------------
# Est Portables 2 17,500 €
# Est Réseau 2 34,500 €
# Est Serveurs 2 69,000 €
# Nord Portables 2 16,000 €
# Nord Réseau 2 44,000 €
# Nord Serveurs 2 34,000 €
# Ouest Réseau 2 80,000 €
# Ouest Serveurs 2 73,000 €
# Sud Portables 2 10,000 €
# Sud Réseau 1 11,000 €
# Sud Serveurs 1 22,000 €
Performance par équipe et région¶
# GROUP BY équipe et région
by_team_region = es.aggregate(
group_by=["team", "region"],
sales_count=Count(),
revenue=Sum("amount"),
average=Avg("amount")
)
print("\n=== PERFORMANCE PAR ÉQUIPE ET RÉGION ===")
for stat in sorted(by_team_region, key=lambda x: (x["team"], x["region"])):
print(f"Équipe {stat['team']} - {stat['region']:6} : "
f"{stat['revenue']:>7,} € ({stat['sales_count']} ventes, "
f"moy : {stat['average']:,.0f} €)")
# === PERFORMANCE PAR ÉQUIPE ET RÉGION ===
# Équipe A - Est : 48,500 € (3 ventes, moy : 16,167 €)
# Équipe A - Nord : 94,000 € (6 ventes, moy : 15,667 €)
# Équipe A - Sud : 26,500 € (2 ventes, moy : 13,250 €)
# Équipe B - Est : 72,500 € (3 ventes, moy : 24,167 €)
# Équipe B - Ouest : 153,000 € (4 ventes, moy : 38,250 €)
# Équipe B - Sud : 16,500 € (2 ventes, moy : 8,250 €)
Combiner WHERE avec les agrégations¶
Marc veut analyser uniquement certaines ventes. Il combine where avec aggregate.
Ventes de serveurs uniquement¶
# Statistiques pour les ventes de serveurs
server_stats = es.aggregate(
where=Condition(es.product == "Serveurs"),
sales_count=Count(),
total=Sum("amount"),
average=Avg("amount")
)
print("=== VENTES DE SERVEURS ===")
print(f"Nombre de ventes : {server_stats['sales_count']}")
print(f"CA total : {server_stats['total']:,} €")
print(f"Contrat moyen : {server_stats['average']:,.0f} €")
# === VENTES DE SERVEURS ===
# Nombre de ventes : 6
# CA total : 178,000 €
# Contrat moyen : 29,667 €
Gros contrats par région¶
from dictdb import And
# Ventes de plus de 20 000 € par région
large_deals = es.aggregate(
where=Condition(es.amount >= 20000),
group_by="region",
deals=Count(),
total=Sum("amount")
)
print("\n=== GROS CONTRATS (>= 20 000 €) PAR RÉGION ===")
for stat in large_deals:
print(f"{stat['region']:10} : {stat['deals']} contrats pour un total de {stat['total']:,} €")
# === GROS CONTRATS (>= 20 000 €) PAR RÉGION ===
# Sud : 1 contrats pour un total de 22,000 €
# Est : 2 contrats pour un total de 69,000 €
# Ouest : 3 contrats pour un total de 125,000 €
# Nord : 2 contrats pour un total de 51,000 €
Performance premium de l\'équipe A¶
# Équipe A, ventes > 10 000 €, par produit
team_a_premium = es.aggregate(
where=And(
es.team == "A",
es.amount > 10000
),
group_by="product",
deals=Count(),
total=Sum("amount"),
average=Avg("amount")
)
print("\n=== ÉQUIPE A - VENTES PREMIUM (> 10 000 €) ===")
for stat in team_a_premium:
print(f"{stat['product']:12} : {stat['deals']} contrats, "
f"{stat['total']:,} € (moy : {stat['average']:,.0f} €)")
# === ÉQUIPE A - VENTES PREMIUM (> 10 000 €) ===
# Serveurs : 4 contrats, 80,000 € (moy : 20,000 €)
# Réseau : 3 contrats, 60,500 € (moy : 20,167 €)
# Portables : 1 contrats, 12,000 € (moy : 12,000 €)
Projection de colonnes et alias¶
Marc souhaite créer des rapports avec des noms de colonnes plus explicites.
Projection simple¶
# Sélectionner uniquement certaines colonnes
report = es.select(
columns=["region", "product", "amount"],
where=Condition(es.amount >= 30000),
order_by="-amount"
)
print("=== TOP VENTES (>= 30 000 €) ===")
for sale in report:
print(f"{sale['region']:8} | {sale['product']:12} | {sale['amount']:,} €")
# === TOP VENTES (>= 30 000 €) ===
# Ouest | Réseau | 52,000 €
# Est | Serveurs | 45,000 €
# Ouest | Serveurs | 38,000 €
# Ouest | Serveurs | 35,000 €
# Nord | Réseau | 32,000 €
Utiliser des alias¶
# Renommer les colonnes avec un dictionnaire
aliased_report = es.select(
columns={
"Zone": "region",
"Catégorie": "product",
"CA": "amount"
},
where=Condition(es.amount >= 30000),
order_by="-amount"
)
print("\n=== RAPPORT AVEC ALIAS ===")
for sale in aliased_report:
print(f"{sale['Zone']:8} | {sale['Catégorie']:12} | {sale['CA']:,} €")
# === RAPPORT AVEC ALIAS ===
# Ouest | Réseau | 52,000 €
# Est | Serveurs | 45,000 €
# Ouest | Serveurs | 38,000 €
# Ouest | Serveurs | 35,000 €
# Nord | Réseau | 32,000 €
Alias avec une liste de tuples¶
# Syntaxe alternative avec des tuples (alias, champ)
tuple_report = es.select(
columns=[
("ID Rep", "rep_id"),
("Produit", "product"),
("Valeur", "amount")
],
limit=5,
order_by="-amount"
)
print("\n=== TOP 5 VENTES (AVEC TUPLES) ===")
for sale in tuple_report:
print(f"Rep ID {sale['ID Rep']} | {sale['Produit']:12} | {sale['Valeur']:,} €")
# === TOP 5 VENTES (AVEC TUPLES) ===
# Rep ID 8 | Réseau | 52,000 €
# Rep ID 3 | Serveurs | 45,000 €
# Rep ID 8 | Serveurs | 38,000 €
# Rep ID 4 | Serveurs | 35,000 €
# Rep ID 5 | Réseau | 32,000 €
Le rapport final de Marc¶
Marc compile enfin son rapport complet pour la direction :
print("=" * 60)
print(" RAPPORT MENSUEL - JANVIER 2024")
print("=" * 60)
# 1. Vue d'ensemble
stats = es.aggregate(
sales_count=Count(),
total_revenue=Sum("amount"),
avg_deal=Avg("amount")
)
print(f"\n1. VUE D\'ENSEMBLE")
print(f" Ventes réalisées : {stats['sales_count']}")
print(f" CA Total : {stats['total_revenue']:,} €")
print(f" Contrat moyen : {stats['avg_deal']:,.0f} €")
# 2. Par équipe
print(f"\n2. PERFORMANCE PAR ÉQUIPE")
by_team = es.aggregate(
group_by="team",
sales_count=Count(),
revenue=Sum("amount"),
average=Avg("amount")
)
for t in sorted(by_team, key=lambda x: x["team"]):
print(f" Équipe {t['team']} : {t['revenue']:>7,} € "
f"({t['sales_count']} ventes, moy : {t['average']:,.0f} €)")
# 3. Par région
print(f"\n3. PERFORMANCE PAR RÉGION")
by_region = es.aggregate(
group_by="region",
sales_count=Count(),
revenue=Sum("amount")
)
for r in sorted(by_region, key=lambda x: -x["revenue"]):
print(f" {r['region']:8} : {r['revenue']:>7,} € ({r['sales_count']} ventes)")
# 4. Par produit
print(f"\n4. PERFORMANCE PAR PRODUIT")
by_product = es.aggregate(
group_by="product",
sales_count=Count(),
revenue=Sum("amount")
)
for p in sorted(by_product, key=lambda x: -x["revenue"]):
print(f" {p['product']:12} : {p['revenue']:>7,} € ({p['sales_count']} ventes)")
# 5. Top 3 commerciaux
print(f"\n5. TOP 3 COMMERCIAUX")
by_rep = es.aggregate(
group_by="rep_id",
sales_count=Count(),
revenue=Sum("amount")
)
top_3 = sorted(by_rep, key=lambda x: -x["revenue"])[:3]
for i, stat in enumerate(top_3, 1):
rep = reps.select(
where=Condition(reps.id == stat["rep_id"])
)[0]
print(f" {i}. {rep['name']:20} : {stat['revenue']:,} €")
print("\n" + "=" * 60)
Sortie du rapport :
============================================================
RAPPORT MENSUEL - JANVIER 2024
============================================================
1. VUE D\'ENSEMBLE
Ventes réalisées : 20
CA Total : 411,000 €
Contrat moyen : 20,550 €
2. PERFORMANCE PAR ÉQUIPE
Équipe A : 169,000 € (11 ventes, moy : 15,364 €)
Équipe B : 242,000 € (9 ventes, moy : 26,889 €)
3. PERFORMANCE PAR RÉGION
Ouest : 153,000 € (4 ventes)
Est : 121,000 € (6 ventes)
Nord : 94,000 € (6 ventes)
Sud : 43,000 € (4 ventes)
4. PERFORMANCE PAR PRODUIT
Réseau : 199,500 € (8 ventes)
Serveurs : 178,000 € (6 ventes)
Portables : 43,500 € (6 ventes)
5. TOP 3 COMMERCIAUX
1. Henri Moreau : 90,000 €
2. Claire Chen : 72,500 €
3. David Park : 63,000 €
============================================================
Résumé¶
Dans cet exemple, Marc a appris à :
- Utiliser les agrégations de base :
Count(),Sum(),Avg(),Min(),Max()pour calculer des statistiques - Combiner plusieurs agrégations : Calculer tous les indicateurs en une seule requête
- Grouper par un seul champ : Utiliser
group_bypour analyser par dimension (commercial, produit, région) - Grouper par plusieurs champs : Utiliser
group_by=["champ1", "champ2"]pour une analyse croisée - Filtrer avant d'agréger : Combiner
whereavecaggregatepour cibler des données précises - Projeter et renommer les colonnes : Utiliser
columnspour générer des rapports lisibles
Marc peut désormais générer ses rapports en quelques lignes de code, au lieu de passer des heures à se battre avec ses tableurs ! ```