Dans cet atelier pratique, nous passons de la simple visualisation passive à l'investigation diagnostique et prédictive. En utilisant notre modèle de données étoilé Global Superstore, nous allons résoudre une problématique concrète soumise par la direction :

« Malgré un chiffre d'affaires mondial en progression constante, notre marge nette stagne et plonge régulièrement dans le rouge sur certains marchés. Quelles sont les causes racines de ces pertes et quelles sont nos prévisions de ventes à 6 mois ? »

---

Architecture de l'atelier analytique

flowchart TD
    subgraph Lab["Atelier Analytique Avancé"]
        M1["<b>Mission 1 : Prévisions & Repères</b><br>Graphique mensuel + Holt-Winters (6 mois) + Moyenne"]
        M2["<b>Mission 2 : Arbre de décomposition</b><br>Root Cause Analysis sur [Total Profit] guidé par IA"]
        M3["<b>Mission 3 : Indicateurs clés</b><br>Régression et clustering sur la rentabilité des ventes"]
        M4["<b>Mission 4 : Détection d'anomalies</b><br>Isolement des pics inhabituels et explications causales"]
    end
    M1 --> M2 --> M3 --> M4
    style M1 fill:#e0f2fe,stroke:#0284c7,stroke-width:2px,color:#0f172a
    style M2 fill:#fef3c7,stroke:#d97706,stroke-width:2px,color:#0f172a
    style M3 fill:#fce7f3,stroke:#db2777,stroke-width:2px,color:#0f172a
    style M4 fill:#dcfce7,stroke:#16a34a,stroke-width:2px,color:#0f172a

---

Mission 1 : Prévision des ventes et seuils statistiques

Notre première tâche consiste à évaluer la trajectoire des ventes globales et à projeter l'activité du prochain semestre.

Étape 1 : Créer la courbe d'évolution temporelle

1. Insérez un visuel Graphique en courbes (Line chart) sur une nouvelle page nommée Analytique & Prévisions.
2. Configurez les axes :
3. Axe des X : Déposez la colonne 'dim_date'[Date] (sélectionnez le champ date continu, non la hiérarchie).
4. Axe des Y : Déposez la mesure [Total Ventes].
5. Ajustez le filtre de rapport pour conserver les données de 2023 à 2025.

Étape 2 : Ajouter la ligne de moyenne globale

1. Ouvrez le volet Visualisations > icône Analyse (loupe avec courbe).
2. Dépliez la section Ligne moyenne (Average Line) et cliquez sur + Ajouter une ligne.
3. Paramètres de style :
4. Couleur : Gris ardoise (#64748b).
5. Style : Tirets (Dashed).
6. Transparence : 20 %.
7. Étiquette de données : Activez l'option, positionnez à droite avec le texte Nom et valeur.

Étape 3 : Configurer la projection prévisionnelle (Forecasting)

1. Toujours dans le volet Analyse, descendez jusqu'à la section Prévision (Forecast) et activez-la.
2. Définissez les paramètres algorithmiques :
3. Longueur de la prévision : 6 avec l'unité Mois.
4. Ignorer les derniers : 3 Mois (cette option de backtesting permet d'évaluer visuellement la précision de la prédiction en comparant la courbe projetée avec les 3 derniers mois réels).
5. Points saisonniers : Saisissez 12 (pour refléter la saisonnalité annuelle de nos données mensuelles).
6. Intervalle de confiance : 95 %.
7. Cliquez sur Appliquer.

// Mesure de contrôle pour valider l'écart entre la réalité et la projection
Ecart Previsionnel % = 
VAR _VentesReelles = [Total Ventes]
VAR _MoyenneMensuelle = CALCULATE(AVERAGEX(VALUES('dim_date'[MoisAnnee]), [Total Ventes]), ALLSELECTED('dim_date'))
RETURN
DIVIDE(_VentesReelles - _MoyenneMensuelle, _MoyenneMensuelle)

[!TIP] Si la bande grise d'intervalle de confiance est très étroite, le modèle présente une forte certitude mathématique liée à une saisonnalité stable. Si elle s'évase brutalement en entonnoir, cela traduit une forte volatilité historique des ventes.

---

Mission 2 : Root Cause Analysis avec l'Arbre de décomposition

Pourquoi certaines transactions génèrent-elles des pertes colossales ? Nous allons laisser l'utilisateur (ou l'algorithme) décomposer notre marge nette.

graph LR
    P["Total Profit<br><b>286 397 $</b>"] --> C1["Technology<br><b>+145 454 $</b>"]
    P --> C2["Office Supplies<br><b>+122 490 $</b>"]
    P --> C3["Furniture<br><b>+18 453 $</b>"]
    C3 --> S1["Chairs<br><b>+26 590 $</b>"]
    C3 --> S2["Tables<br><b>-17 725 $ (Alerte)</b>"]
    S2 --> R1["Region: Central<br><b>-8 540 $</b>"]
    S2 --> R2["Region: East<br><b>-6 220 $</b>"]
    style P fill:#f8fafc,stroke:#334155,stroke-width:2px
    style C1 fill:#dcfce7,stroke:#16a34a
    style C2 fill:#dcfce7,stroke:#16a34a
    style C3 fill:#fee2e2,stroke:#ef4444
    style S2 fill:#b91c1c,stroke:#7f1d1d,color:#ffffff
    style R1 fill:#ef4444,stroke:#991b1b,color:#ffffff

Étape 1 : Insérer l'Arbre de décomposition

1. Dans la palette des visuels, cliquez sur l'icône Arbre de décomposition (Decomposition Tree).
2. Positionnez le visuel sur une zone large (au moins 800px de largeur).

Étape 2 : Configurer les champs

• Analyser (Analyze) : Déposez la mesure [Total Profit].
• Expliquer par (Explain by) : Glissez successivement les champs dimensionnels suivants :
• 'dim_produit'[Category]
• 'dim_produit'[Sub-Category]
• 'dim_geographie'[Region]
• 'dim_client'[Segment]
• 'fact_ventes'[Ship Mode]

Étape 3 : Exploration assistée par Intelligence Artificielle

1. Cliquez sur le signe + à côté de la racine Total Profit.
2. Deux options précédées d'une ampoule d'IA apparaissent :
3. Valeur élevée (High value) : Power BI recherche parmi toutes les dimensions du champ Expliquer par celle qui produit la marge la plus forte.
4. Faible valeur (Low value) : L'IA identifie le facteur qui plombe le plus la rentabilité.
5. Sélectionnez Faible valeur :
6. Power BI isole immédiatement la catégorie Furniture.
7. Cliquez sur le + de Furniture et choisissez à nouveau Faible valeur :
8. L'arbre ouvre la sous-catégorie Tables avec un profit négatif criant de -17 725 $.
9. Continuez en ouvrant par Faible valeur :
10. Vous découvrez que les pertes se concentrent dans la région Central, chez les clients du segment Consumer.

[!NOTE] L'Arbre de décomposition n'est pas seulement un outil pour le développeur de rapport : c'est un formidable outil de Self-Service BI pour le Directeur Général, qui peut librement explorer les branches sans écrire de requête SQL ni de formule DAX.

---

Mission 3 : Identifier les facteurs causaux (Key Influencers)

La sous-catégorie Tables est en perte. Mais quel est le mécanisme opérationnel qui engendre ces pertes ? Est-ce le mode de transport, le profil du client ou la politique de remise ?

Le visuel Indicateurs clés (Key Influencers) exécute une régression statistique multivariée pour répondre avec précision.

flowchart LR
    A["Métrique Cible<br><b>Taux de Marge Négatif</b>"] --- B{"Moteur de Régression<br><i>Key Influencers</i>"}
    B --> C["Facteur 1 : Remise > 30 %<br><b>Multiplie par 4.8x</b> la probabilité de perte"]
    B --> D["Facteur 2 : Ship Mode = Same Day<br><b>Multiplie par 1.6x</b> le coût logistique"]
    B --> E["Facteur 3 : Région = Central<br><b>Multiplie par 2.1x</b> l'impact négatif"]
    style A fill:#fee2e2,stroke:#ef4444,stroke-width:2px
    style B fill:#f1f5f9,stroke:#475569
    style C fill:#b91c1c,stroke:#7f1d1d,color:#ffffff
    style D fill:#fed7aa,stroke:#ea580c
    style E fill:#fecaca,stroke:#dc2626

Étape 1 : Créer une mesure ou colonne de rentabilité binaire

Pour que le visuel puisse classifier un comportement, nous pouvons créer une colonne calculée dans 'fact_ventes' :

Rentabilite_Statut = 
IF(
    'fact_ventes'[Profit] < 0,
    "Commande Déficitaire",
    "Commande Rentable"
)

Étape 2 : Configurer le visuel

1. Sélectionnez le visuel Indicateurs clés (Key Influencers).
2. Remplissez les compartiments :
3. Analyser : Déposez 'fact_ventes'[Rentabilite_Statut].
4. Sélectionnez dans la liste déroulante : Ce qui pousse Rentabilite_Statut à être : Commande Déficitaire.
5. Expliquer par :
   • 'fact_ventes'[Discount]
   • 'dim_produit'[Category]
   • 'dim_produit'[Sub-Category]
   • 'dim_geographie'[Region]
   • 'fact_ventes'[Ship Mode]
   • 'dim_client'[Segment]

Étape 3 : Interpréter les résultats

1. Onglet Indicateurs clés :
2. L'influence majeure n°1 s'affiche : Lorsque le taux de remise (Discount) dépasse 0.3 (30 %), la probabilité que la commande soit déficitaire est multipliée par 4.8x.
3. Le visuel trace à droite un diagramme à barres comparant la fréquence de survenue de la perte pour chaque tranche de remise.
4. Onglet Principaux segments (Top Segments) :
5. Power BI regroupe automatiquement les commandes en clusters homogènes à haut risque.
6. Le Segment 1 montre que les commandes combinant Discount > 20 % et Region = Central affichent un taux d'échec de marge de 68.4 % (contre 18 % pour la moyenne globale du magasin).

Le diagnostic est sans appel : les directeurs régionaux accordent des remises excessives pour gonfler leur chiffre d'affaires, au détriment direct de la marge de l'entreprise.

---

Mission 4 : Détection automatique des anomalies temporelles

Pour automatiser la surveillance quotidienne sans contraindre un analyste à scruter chaque point d'une courbe, nous activons le détecteur d'anomalies.

1. Sélectionnez un Graphique en courbes affichant le [Total Ventes] par 'dim_date'[Date] (niveau jour).
2. Dans le volet Analyse, activez la section Détecter les anomalies (Find anomalies).
3. Paramètres de détection :
4. Sensibilité (Sensitivity) : Réglez sur 75 %. Une sensibilité plus élevée détectera des écarts plus fins, tandis qu'une sensibilité plus faible n'isolera que les ruptures majeures.
5. Forme du point d'anomalie : Choisissez une goutte ou un diamant de couleur orange vive (#ea580c).
6. Dans le champ Expliquer par (Explain by) de la détection d'anomalies :
7. Ajoutez 'dim_produit'[Category], 'dim_geographie'[Region] et 'dim_client'[Segment].
8. Cliquez sur l'un des points d'anomalie identifiés sur la courbe :
9. Un panneau latéral s'ouvre avec l'analyse automatique : « Le 18 mars 2024, les ventes étaient de 45 200 $, ce qui est au-dessus de la plage attendue [12 000 $ - 22 500 $]. Les ventes de Technology dans la région East expliquent 78 % de cette hausse. »

---

Checklist de validation

Avant de clore ce module, assurez-vous d'avoir validé l'ensemble des points d'évaluation :

• La ligne de moyenne et la prévision à 6 mois sont configurées sur le graphique temporel avec un intervalle de confiance à 95 %.
• Le modèle de prévision a été testé avec l'option Ignorer les derniers (backtesting sur 3 mois).
• L'Arbre de décomposition permet de naviguer à la fois manuellement et via les suggestions IA (Faible valeur).
• Les facteurs explicatifs de la perte ont été isolés avec le visuel Key Influencers (impact prépondérant des remises).
• La détection d'anomalies journalière est fonctionnelle et fournit des explications dimensionnelles pertinentes.

---

Auto-évaluation (Quiz)

1. Pourquoi l'option de prévision (Forecast) n'apparaît-elle pas dans le volet Analyse de mon visuel ?

Pour activer la prévision, le visuel doit obligatoirement être un Graphique en courbes simple avec un axe X temporel continu, une seule mesure sur l'axe Y, et aucun champ placé dans le compartiment Légende. Si une légende est présente, Power BI ne peut pas calculer la projection conjointe des séries.

2. Quelle est la différence fondamentale entre les deux options d'IA de l'Arbre de décomposition ?

L'option Valeur élevée (High Value) analyse toutes les dimensions disponibles dans le volet "Expliquer par" et ouvre automatiquement la dimension dont la catégorie maximise la métrique. À l'inverse, Faible valeur (Low Value) recherche la dimension et l'élément qui minimisent la valeur (idéal pour traquer les pertes de marge, les retards ou les réclamations).

3. Dans le visuel Key Influencers, à quoi sert l'onglet « Principaux segments » ?

Cet onglet utilise un algorithme de partitionnement (clustering / arbres de décision) pour trouver des combinaisons de critères (ex. : Remise > 20 % ET Catégorie Meubles ET Région Centre) qui surreprésentent massivement le comportement cible analysé, révélant des poches de risque cachées que l'analyse univariée ne suffit pas à déceler.

---

Félicitations ! Vous maîtrisez les outils d'analytique augmentée et d'intelligence artificielle de Power BI. Dans le prochain et dernier module, nous aborderons le déploiement professionnel des livrables : gouvernance, design avancé, sécurité RLS et publication sur Power BI Service et Power BI Report Server !

Partagez sur les réseaux sociaux

Commentaires