Analyse de la rentabilité des villes

1. Problématique : "Est-ce que ce sont les plus grandes villes qui sont les plus rentables ?"

1.1. Calcul du revenu total par ville

Nous avons calculé le revenu total généré par chaque ville à partir des données de paiement. Cela a été effectué dans la section "Calcul du revenu total par ville" de notre script. On peut alors analyser que les clients sont assez inégalements répartis dans 3 grandes villes, Sao Paulo, Rio de Janeiro et Belo horizonte. Mais sont-elles les villes les plus rentables ?

1.2. Mise en relation avec la population

Pour analyser la rentabilité en fonction de la taille des villes, nous avons fusionné les données de revenu avec les données de population dans la section "Fusion des Données pour Analyse".

1.3. Visualisation et comparaison du revenu total par ville

Le graphique ci-dessous, généré dans la section "Visualisation du Revenu Total par Ville", montre les villes avec le revenu total le plus élevé. On a donc une deuxième piste pour répondre à notre problématique, on peut observer que Sao Paulo et Rio de Janeiro sortent vraiment du lot.

1.4. Calcul du chiffre d'affaires (CA) par client et par habitant

Pour une comparaison plus équilibrée, nous avons calculé le CA par client et par habitant dans la section "Calcul des Indicateurs Clés" de notre code. Ce graphique est nettement plus intéressant pour répondre à notre problématique, on se rend compte que ce sont de nouvelles villes qui ont le meilleur CA par rapport au nombre d'habitants on y apercoit aucune grande ville. Maintenant dans une analyse plus poussée on pourrait analyser les commandes, si par exemple le nombre d'habitants est faible, mais que plusieurs personnes adorent le site et y commandent beaucoup d'articles alors on pourrait mettre les bouchées doubles dans cette ville, construire un entrepot à coté ? améliorer la livraison ? Corréler toutes ses informations avec la satisfaction client ? En bref ce graph on peut le pousser vraiment loin et analyser beaucoup de choses avec !

Voici le graphique montrant les 20 principales villes selon le CA par habitant, généré dans la section "Visualisation des Villes Principales par CA par Habitant" :

1.5. Distribution des clients par ville

Nous avons analysé la distribution des clients par ville pour identifier les marchés les plus importants. Cela a été visualisé dans la section "Distribution des Clients par Ville" : Ce graphique est un peu annexe mais on peut remarquer qu'il est presque pareil que celui du nombres d'habitants par rapport au vente, les clients se situent majoritairement dans les grandes villes !

1.6. Revenu par client dans les villes

Nous avons comparé le revenu par client dans différentes villes. Voici les graphiques montrant le revenu par client dans les 30 principales villes : Ce graphique permet lui aussi de comprendre dans quelle ville, les clients commandent le plus, proportionnellement au nombre de client ! On peut observer une très belle courbe montrant une certaines stabilité après le top 10. En revanche ce graphique montre très bien qu'elle ville sont les plus rentables!

• Top 30 villes :

2. Analyse de l'analyse en composantes principales (ACP)

L'ACP a été utilisée pour réduire la dimensionnalité des données tout en conservant les principales variations entre les observations. Cette analyse est détaillée dans la section "Analyse en Composantes Principales (ACP)".

2.1. Préparation des données pour l'ACP

Les colonnes numériques pertinentes ont été sélectionnées et standardisées dans la section "Préparation des Données pour l'ACP".

2.2. Application de l'ACP

L'ACP a été appliquée pour réduire les données à deux dimensions principales. Le graphique de la distribution des données selon les deux premières composantes principales est généré dans la section "Application de l'ACP".

2.3. Variance expliquée par les composantes principales

La proportion de la variance totale capturée par chaque composante principale a été calculée et visualisée dans la section "Variance Expliquée par les Composantes Principales".

2.4. Charges des composantes principales

Les charges montrent l'influence de chaque variable d'origine sur les composantes principales. Cela a été visualisé dans la section "Charges des Composantes Principales".

Conclusion de l'ACP

Les résultats de l'ACP montrent que :

• Première Composante Principale (PC1) : Capture environ 50% de la variance totale. Elle est principalement influencée par des mesures globales de taille et d'activité économique (total_revenue, num_clients, et IBGE_RES_POP).
• Deuxième Composante Principale (PC2) : Capture environ 30% de la variance totale. Elle est influencée par la rentabilité relative et la pénétration du marché (CA_per_Client, CA_per_Capita, et Market_Penetration).

Ces résultats montrent que les grandes villes avec une population importante tendent à avoir un revenu total plus élevé. Cependant, la rentabilité par habitant ou par client peut varier, ce qui permet de distinguer les villes selon des dimensions de performance économique et de rentabilité ajustées. Pour conclure et répondre à la problématique, ce ne sont pas forcément les plus grandes villes qui sont les plus rentables par rapport au nombre d'habitants. Maintenant comme j'ai pu le mentionner plus tôt pour une entreprise de vente, évidemment qu'il vaut mieux se focus sur les grandes villes, Sao Paulo et rio de Janeiro sont les villes qui rapportent le plus. Les prochaines analyse quant à la qualité du service ou autre dans les plus petites villes restent intéressantes et méritent une analyse et un développement plus poussé.

Références

• Data Sources: Les données utilisées dans cette analyse proviennent des datasets suivants :
  • olist_order_payments_dataset.csv
  • olist_order_reviews_dataset.csv
  • olist_customers_dataset.csv
  • olist_geolocation_dataset.csv
  • olist_order_items_dataset.csv
  • olist_products_dataset.csv
  • olist_orders_dataset.csv
  • olist_sellers_dataset.csv
  • product_category_name_translation.csv
  • BRAZIL_CITIES.csv