Dev_backend_python

À propos du Projet

Notre projet est porté sur une analyse de données e-commerce notre but ici sera de analyser et de visualiser les performances commerciales à travers différents KPIs.Pour ce projet nous utilisons MongoDB pour le stockage des données mais aussi la gestion de données , FastAPI pour le developpement de notre application et interagir avec la base de données , et Streamlit pour la visualisation des données.

Les KPI'S

• Métrique des Ventes

  • Ventes totales
  • Bénéfices totaux
  • Nombre total de commandes
  • Quantité totale
  • Nombre total de clients
  • Moyenne des commandes par client

• Métrique Produits

  • Chiffre d'affaires par catégorie
  • Total des commandes par catégorie
  • Quantité par catégorie

• Métrique Clients (Segment)

  • Chiffre d'affaires par client
  • Total des commandes par client
  • Quantité par client
  • Rétention par client
  • Chiffre d'affaires par segment
  • Total des commandes par segment
  • Catégorie par segment

Construit avec

• - MongoDB - Base de données NoSQL
• - FastAPI - Framework API REST
• - Streamlit - Framework de visualisation de données
• - Python - Langage de programmation
• - Pandas - Manipulation de données
• - Plotly - Création de graphiques
• - Uvicorn - Serveur ASGI performant

Comparaison des Architectures Web pour l'Analytics E-commerce

Architecture Actuelle du Projet

Backend

Composant	Technologie	Rôle	Avantages
Base de données	MongoDB	Stockage NoSQL	• Flexibilité du schéma • Bonnes performances en lecture • Facilité des requêtes complexes
API Framework	FastAPI	Serveur API REST	• Performance élevée • Documentation automatique • Support async natif
Serveur ASGI	Uvicorn	Serveur d'application	• Très performant • Support async • Rechargement automatique
ORM/Driver	PyMongo	Connexion DB	• Interface native MongoDB • Support async • Simple d'utilisation

Frontend

Composant	Technologie	Rôle	Avantages
Framework UI	Streamlit	Interface utilisateur	• Développement rapide • Widgets prêts à l'emploi • Intégration Python native
Visualisation	Plotly	Graphiques	• Interactivité • Nombreux types de graphiques • Personnalisation poussée
HTTP Client	Requests	Appels API	• Simple d'utilisation • Standard de facto • Bonne documentation

Architecture Alternative

Backend

Composant	Technologie	Rôle	Avantages
Base de données	PostgreSQL	SGBD relationnel	• ACID compliant • Mature et stable • Support JSON natif
API Framework	Django REST	Framework complet	• Écosystème riche • Admin interface • Sécurité robuste
Serveur WSGI	Gunicorn	Serveur production	• Stable • Facile à configurer • Performant
ORM	Django ORM	Couche d'abstraction DB	• Intégration native • Migrations automatiques • Requêtes puissantes

Frontend

Composant	Technologie	Rôle	Avantages
Framework UI	Dash	Application web	• Composants professionnels • Hautement personnalisable • Basé sur React
Visualisation	Bokeh	Graphiques avancés	• Visualisations complexes • Grande interactivité • Support grands volumes
HTTP Client	Axios	Appels API	• Promesses • Intercepteurs • Gestion erreurs avancée

Descrption du projet

Pré-requis‼️

⚠️ Utilisation avancée (Git - Gestion des branches) Travailler avec des branches Git

Ces commandes permettent de créer, basculer sur une branche, ajouter des modifications, les valider et les pousser vers un dépôt distant.

1. Créer une nouvelle branche ou basculer sur une branche existante**

   git branch <nom-de-la-branche>
   git checkout <nom-de-la-branche>
   

2. Ajouter les nouveaux fichiers ou fichiers modifiés

   git add 
   

3. Valider les changements avec un message de commit

   git commit -m "Message de commit pour indiquer l'ajout ou la modification »
   

4. Pousser les modifications vers le dépôt distant

   git push origin <nom-de-la-branche>

Installation⚙️

pip install pymongo
pip install  pandas
pip install  fastapi
pip install  uvicorn
pip install  streamlit
pip install matplotlib.pyplot

Flux de données📥

1. Collecte des données

Importation de bibliothèques et modules

from fastapi import FastAPI
from pymongo import MongoClient
import uvicorn
import requests
import plotly.express
import pandas 

2. Traitement Backend

# Exemple de pipeline MongoDB avec une requête d'agrégation pour relier deux collections ; Orders & Customers
@app.get("/orders-with-details")
def get_orders_with_details():
    pipeline = [
        {
            '$lookup': {
                'from': 'Customers',
                'localField': 'Customer ID',
                'foreignField': 'Customer ID',
                'as': 'CustomerDetails'
            }

3. Affichage Frontend

if __name__ == "__main__":
    uvicorn.run(app, host="0.0.0.0", port=8000)

Déploiement🪄

streamlit run app.py

puis éxécuter le main