EcomOS AI

En cours — avancé2026 — présent

Aide à la décision e-commerce : scoring, recommandations explicables, rapports.

Résumé

Prototype SaaS visant à analyser les performances d’une boutique e-commerce et produire des recommandations actionnables (ex: produits à pousser/stopper), basées sur des règles explicables et des indicateurs clés.

État actuel

Prototype démonstrateur fonctionnel déjà avancé.
Import CSV, scoring, recommandations et génération de rapports déjà explorés.
Transition en cours vers un MVP SaaS connecté à des données réelles.

Rôle

Concepteur & développeur (prototype SaaS)

Stack

PythonPandasSQLStreamlitAnalyticsScoring engine

Captures d’écran

Aperçu EcomOS AI

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 → transformation → calcul KPIs → scoring → recommandations → rapport.
Moteur de règles explicables + priorisation des actions.
Interface de visualisation et reporting (prototype Streamlit).

Roadmap

Stabiliser le moteur de scoring et la qualité des rapports.
Connexion à une source de données réelle (MVP).
Automatisation et personnalisation par boutique (vision long terme).

Engineering decisions

Utilisation d’un moteur de règles explicables pour rendre les recommandations compréhensibles.
Choix d’un prototype rapide pour valider la logique métier avant industrialisation.
Organisation en pipeline analytique : import, transformation, scoring, recommandations.

Améliorations possibles

Connexion à des sources de données réelles comme Shopify.
Amélioration de la qualité des rapports et de la personnalisation.
Évolution vers une couche plus intelligente et automatisée.

Lessons learned

La qualité des données influence directement la pertinence des recommandations.
Un prototype rapide permet de valider une logique métier complexe.
L’explicabilité est essentielle pour l’adoption d’un outil d’aide à la décision.