Conception d'un système qui analyse des données de ventes, les stocke dans une base de données SQL, les affiche sous forme de rapports et graphiques interactifs, et utilise des algorithmes de machine learning pour prédire les tendances futures.
-
Gestion des données avec Excel/VBA :
- Importation et exportation des données entre Excel et une base SQL.
- Modification et consultation rapide des données.
-
Interface Web en PHP :
- Consultation des données stockées dans la base SQL sous forme de tableau.
- Visualisation des tendances à l’aide de graphiques interactifs (Chart.js).
-
Prédiction avec TensorFlow :
- Analyse des ventes passées et prédictions des ventes futures grâce à un modèle de machine learning.
- Génération de graphiques des données historiques et des prédictions.
- Bases de données : MySQL ou SQLite.
- Automatisation Excel : VBA.
- Développement web : PHP, HTML, CSS, JavaScript.
- Data Science : Python, pandas, NumPy, TensorFlow, matplotlib.
- Graphiques interactifs : Chart.js.
Outils nécessaires :
- MySQL (ou SQLite) pour la base de données.
- Microsoft Excel (avec support VBA).
- Serveur local comme XAMPP ou WAMP.
- Python 3.0 avec les bibliothèques suivantes :
- pandas
- numpy
- tensorflow
- matplotlib
- Navigateur web pour l’interface utilisateur.
data/ : Contient toutes les données utilisées dans le projet. raw/ pour les données initiales non modifiées processed/ pour les données nettoyées, prêtes à être analysées.
database/ : Contient les scripts SQL pour créer la base de données schema.sql Création des tables SQL seed.sql Données simulées pour tests config.py pour centraliser les paramètres d’accès (e.g., mot de passe, host).
excel_vba/ : Contient les fichiers Excel et les macros VBA pour gérer les données. data_management.xlsm Fichier Excel avec macros macros/ : Scripts VBA organisés par fonction connect.vba Script de connexion SQL export.vba Exportation des données vers SQL import.vba Importation des données depuis SQL
web_app/ : Organisation claire entre backend (app.php), frontend (templates et static), et API. templates/ : Fichiers HTML index.html Page principale charts.html Graphiques interactifs static/ : Fichiers statiques (CSS, JS) styles.css Feuille de styles script.js Logique frontend app.php Fichier principal pour le backend PHP api/ : Points d'API pour les données get_daya.php Récupérer les données depuis SQL post_data.php Ajouter des données à la base SQL
machine_learning/ : Scripts pour entraîner et déployer le modèle TensorFlow models/: Modèles d'IA sauvegardés sales_models.h5 Modèle TensorFlow entraîné scripts/ : Scripts Python pour l'entraînement et l'inférence train_model.py Script d'entraînement du modèle predict.py Prédictions des ventes futures notebooks/ : Jupyter notebooks pour la documentation et la traçabilité des analyses exploratoires data_analysis.ipynb ml_training.ipynb
tests/ : Contient les scripts de tests unitaires et d’intégration. database_tests.py Tests pour les opérations SQL web_app_tests.py Tests pour les routes PHP ml_tests.py Tests pour le modèle TensorFlow
.gitignore : Fichiers à ignorer par Git
main.py : Point d’entrée pour la partie Python. Par exemple, il pourrait coordonner l’analyse des données et appeler les prédictions.
README.md : Documentation du projet
requirements.txt : Liste des dépendances Python à installer via le terminal
Installation des dépendances Python : '''pip install -r requirements.txt'''
Lancer les tests unitaires '''python -m unittest discover tests/'''
Démarrer le serveur local pour PHP '''php -S localhost:8000 -t web_app/'''