En cours2025 — présentConcepteur & développeur (prototype SaaS)
EcomOS AI
Aide à la décision e-commerce : scoring, recommandations explicables, rapports PDF.
Résumé du projet
Prototype SaaS analysant les performances d'une boutique e-commerce et produisant des recommandations actionnables (produits à pousser/stopper) basées sur un moteur de règles explicables et des indicateurs clés calculés automatiquement.
État actuel
- Prototype démonstrateur fonctionnel avancé.
- Pipeline complet : import, scoring, recommandations et génération de rapports PDF.
- Moteur de règles YAML opérationnel avec niveaux de priorité.
- Transition en cours vers un MVP SaaS connecté à des données réelles.
Stack technique
PythonPandasStreamlitReportLabYAMLJupyter
Tags & Code
SaaSDataPython
Code privé (startup en développement)
Vision
- Rendre la décision quotidienne plus simple : quoi faire aujourd'hui, et pourquoi.
- Passer d'un prototype CSV à des données connectées (ex: Shopify) pour un MVP.
Architecture
- Pipeline : import CSV → validation de schéma → nettoyage → calcul KPIs (ROAS, marge, CTR) → scoring → recommandations → rapport PDF.
- Moteur de scoring multi-critères pondéré (marge, volume, rentabilité publicitaire, risque).
- Moteur de règles décisionnelles YAML : conditions imbriquées AND/OR, niveaux de priorité (SURVIE, CROISSANCE).
- Génération automatique de recommandations contextualisées et de rapports PDF (ReportLab).
- Interface interactive Streamlit pour l'exploration des données et la visualisation des décisions.
Roadmap
- Stabiliser le moteur de scoring et la qualité des rapports.
- Connexion à une source de données réelle comme Shopify (MVP).
- Automatisation et personnalisation par boutique (vision long terme).
Décisions techniques
- Moteur de règles YAML pour des recommandations compréhensibles et configurables.
- Prototype rapide pour valider la logique métier avant industrialisation.
- ReportLab pour la génération de rapports PDF professionnels sans dépendance externe.
Améliorations possibles
- Connexion à Shopify ou d'autres sources de données réelles.
- Amélioration de la qualité et personnalisation des rapports.
- Couche plus intelligente et automatisée (ML).
Lessons learned
- La qualité des données influence directement la pertinence des recommandations.
- L'explicabilité est essentielle pour l'adoption d'un outil d'aide à la décision.
- Un prototype rapide permet de valider une logique métier complexe.
Captures d'écran
Aperçu EcomOS AI