[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-seo-292473-114":3,"detail-sidebar-cat-0-fr-114":80,"doc-detail-292473-fr":122},{"code":4,"msg":5,"data":6},0,"ok",{"site_id":7,"language":8,"slug":9,"title":10,"keywords":11,"description":12,"schema_data":13,"social_meta":73,"head_meta":75,"extra_data":77,"updated_unix":79},114,"fr","basket-analysis-datamart-for-cash-receipt-ticket-analysis","Analyse de panier - datamart pour l'analyse de tickets de caisse","","Support de cours et d’exercices centré sur la construction d’un datamart dédié à l’analyse de tickets de caisse. Le document explique l’analyse de panier (market basket analysis), la logique des données sources et les raisons pour lesquelles un data warehouse standard est mal adapté. Il détaille l’analyse de structure de panier via des indices (produit, auteur, éditeur, genre), puis l’analyse de ventes conjointes avec tables pré-agrégées et faits par couples de produits. Un exercice guidé permet d’implémenter puis d’exploiter le datamart pour étudier des comportements d’achats multiples et l’influence du rayonnage.",{"@graph":14,"@context":72},[15,34,55],{"@type":16,"itemListElement":17},"BreadcrumbList",[18,23,27,31],{"item":19,"name":20,"@type":21,"position":22},"https://docshare.wps.com","Home","ListItem",1,{"item":24,"name":25,"@type":21,"position":26},"https://docshare.wps.com/fr/document/","Document",2,{"item":28,"name":29,"@type":21,"position":30},"https://docshare.wps.com/fr/document/recherche-rapport/","Recherche & Rapport",3,{"item":32,"name":10,"@type":21,"position":33},"https://docshare.wps.com/fr/document/basket-analysis-datamart-for-cash-receipt-ticket-analysis/292473/",4,{"url":32,"name":10,"@type":35,"image":36,"author":41,"headline":10,"publisher":44,"fileFormat":47,"inLanguage":8,"description":12,"dateModified":48,"datePublished":49,"encodingFormat":47,"isAccessibleForFree":50,"interactionStatistic":51},"DigitalDocument",{"url":37,"@type":38,"width":39,"height":40},"https://docshare.wps.com/thumbnails/basket-analysis-datamart-for-cash-receipt-ticket-analysis/292473.png","ImageObject",300,407,{"name":42,"@type":43},"Angel","Person",{"url":19,"name":45,"@type":46},"DocShare","Organization","application/pdf","2026-10-01","2026-09-17",true,{"@type":52,"interactionType":53,"userInteractionCount":26},"InteractionCounter",{"@type":54},"ViewAction",{"@type":56,"mainEntity":57},"FAQPage",[58,64,68],{"name":59,"@type":60,"acceptedAnswer":61},"Pourquoi faut-il construire un datamart spécifique pour l’analyse de panier ?","Question",{"text":62,"@type":63},"Le document indique que le data warehouse utilisé “en l’état” est souvent mal adapté à ces analyses. Ces problématiques nécessitent une construction orientée spécifiquement vers l’analyse du panier.","Answer",{"name":65,"@type":60,"acceptedAnswer":66},"En quoi consiste l’analyse de structure de panier et quels sont les indices utilisés ?",{"text":67,"@type":63},"Elle étudie l’organisation et la structure des achats dans le ticket. Le document propose des indicateurs tels que indiceProduit et indiceAuteur (avec une signification en proportion des livres différents et de la part achetée chez le même auteur).",{"name":69,"@type":60,"acceptedAnswer":70},"Comment l’analyse de ventes conjointes modélise-t-elle les données ?",{"text":71,"@type":63},"Elle construit une nouvelle table de faits comprenant un fait pour chaque couple de produits existants (ou vendus ensemble), avec une approche adaptée au volume potentiel de combinaisons, souvent via une sélection préalable ou une analyse progressive par produit.","https://schema.org",{"og:url":32,"og:type":74,"og:title":10,"og:site_name":45,"og:description":12},"article",{"robots":76,"canonical":32},"index,follow",{"doc_id":78,"site_id":7},292473,1790831574,{"code":4,"msg":81,"data":82},"success",[83,88,93,96,99,103,106,110,114,118],{"id":84,"doc_module":4,"doc_module_name":25,"category_name":85,"show_sort_weight":86,"slug":87},67,"Général",61,"general",{"id":89,"doc_module":4,"doc_module_name":25,"category_name":90,"show_sort_weight":91,"slug":92},66,"Art de vivre",60,"lifestyle",{"id":86,"doc_module":4,"doc_module_name":25,"category_name":94,"show_sort_weight":91,"slug":95},"Bande dessinée","comic",{"id":91,"doc_module":4,"doc_module_name":25,"category_name":97,"show_sort_weight":91,"slug":98},"Examen","exam",{"id":100,"doc_module":4,"doc_module_name":25,"category_name":101,"show_sort_weight":91,"slug":102},59,"Littérature","literature",{"id":104,"doc_module":4,"doc_module_name":25,"category_name":29,"show_sort_weight":91,"slug":105},64,"research-report",{"id":107,"doc_module":4,"doc_module_name":25,"category_name":108,"show_sort_weight":91,"slug":109},58,"Récits & Romans","story-novel",{"id":111,"doc_module":4,"doc_module_name":25,"category_name":112,"show_sort_weight":91,"slug":113},65,"Religion & Spiritualité","religion-spirituality",{"id":115,"doc_module":4,"doc_module_name":25,"category_name":116,"show_sort_weight":91,"slug":117},63,"Santé & Soins","healthcare",{"id":119,"doc_module":4,"doc_module_name":25,"category_name":120,"show_sort_weight":91,"slug":121},62,"Technologie","technology",{"code":4,"msg":81,"data":123},{"doc_id":78,"user_id":124,"nickname":42,"user_avatar":125,"doc_module":4,"category_id":104,"category_name":29,"doc_title":10,"doc_description":12,"doc_content":126,"file_id":127,"file_url":128,"file_type":129,"file_size":130,"view_count":26,"is_deleted":4,"is_public":22,"is_downloadable":22,"audit_status":22,"page_count":131,"language":132,"language_code":8,"site_id":7,"html_lang":8,"table_of_contents":133,"faqs":134,"seo_title":135,"seo_description":12,"update_tm":136,"read_time":137},687207412472,"https://ap-avatar.wpscdn.com/davatar_155a257f0dc6eb9ab79c44ca47cae57d","Datamarts orientés analyse de panier  \nData warehouse [http://dwh. crzt.fr](http://dwh. crzt.fr)  \nStéphane Crozat  \nTable des matières  \nObjectifs 3  \nIntroduction 4  \nI-Projet Fantastic : Rappel 5  \nII-Analyse de panier 6  \n1. Définition de l'analyse de panier ............................................................................................. 6  \n2. Analyse de structure de panier ................................................................................................ 6  \n3. Analyse de ventes conjointes .................................................................................................... 8  \nIII-Exercice : Data mart pour l'analyse de ticket de caisse 10  \nSolutions des exercices 11  \nBibliographie 14  \nObjectifs  \nSavoir implémenter un datamart pour l'analyse de tickets de caisse  \n3  \nStéphane Crozat  \nIntroduction  \n- Volume de cours : 1h  \n- Volume d'exercice : 3h  \n4  \nStéphane Crozat  \nProjet Fantastic : Rappel  \nProjet Fantastic : Rappel  \n Conseil : Pré-requis  \nI  \n[http://dwh. crzt.fr/mod](http://dwh. crzt.fr/mod)  \n[http://dwh. crzt.fr/etl](http://dwh. crzt.fr/etl)  \n Rappel : Problème  \nProjet Fantastique : Problème posé (cf. p.)  \n Rappel : Données sources  \nProjet Fantastic : Données disponibles (cf. p.)  \n5  \nAnalyse de panier  \nAnalyse de panier  \n1. Définition de l'analyse de panier  \n Définition  \nII  \nL'analyse de panier (market basket analysis) consiste à étudier des ventes en fonction de la structure du panier de l'acheteur.  \nUn cas typique est l'étude des produits qui sont vendus ensemble.  \nSynonyme : Analyse de ticket de caisse.  \n Méthode  \nL'utilisation du data warehouse en l'état est souvent mal adapté à ces analyse, il faut doncconstruire des data marts spécifiquement orientés vers ces questions.  \n2. Analyse de structure de panier  \n Exemple  \nSoit le DW :  \nVue intégrée  \nSoit la question suivante :  \n« Quelle est l'influence de l'organisation des magasins (rayonnage et rayon best-seller) sur la structure des tickets de caisse, en fonction des dates ? Par exemple les clients achètent-ils plusieurs livres du même auteur, du même éditeur, du même genre ? »  \n1 IndiceProduit, IndiceAuteur, IndiceEditeur, IndiceGenre  \n2 / magasin (rayonnage, bestseller) 3 / date  \n6  \nAnalyse de structure de panier  \nL'indice est un indicateur à calculer rendant compte du nombre de livres achetés ensemble du même auteur, éditeur ou genre :  \n- indiceProduit=0 .5 signifie que 50% des livres achetés au sein du ticket sont diférents.  \n- indiceAuteur=0 .5 signifie que 50% des livres différents achetés au sein du ticket sont dumême auteur.  \n-  \n...  \n Méthode  \nCette requête interroge la structure du ticket de caisse et non le volume des ventes, elle sera traitée par un data mart particulier. En effet elle serait trop complexe à résoudre avec le data warehouse commun, elle nécessite une pré-agrégation.  \n Exemple  \nModèle dimensionnel du data mart  \nDescription de la table des faits du data mart  \n Attention  \nLes faits ne sont pas additifs et seront analysés en moyenne.  \n Méthode : Pré-agrégation des faits  \n\n| Date | NumTicket | RefProduit | ... |\n| --- | --- | --- | --- |\n| 1 | 1 | 1 |  |\n| 1 | 1 | 1 |  |\n| 1 | 1 | 2 |  |\n| 1 | 2 | 1 |  |\n| 1 | 3 | 5 |  |\n| 1 | 3 | 10 |  |\n| ... | ... | ... |  |\n\n7  \nAnalyse de ventes conjointes  \nTable de faits du data warehouse (une ligne par article vendu)  \n\n| Date | NumTicket | ... | NbArticles | IndiceProduit | IndiceAuteur | ... |\n| --- | --- | --- | --- | --- | --- | --- |\n| 1 | 1 |  | 3 | 0.67 | 0.5 |  |\n| 1 | 2 |  | 1 | 1 | 1 |  |\n| 1 | 3 |  | 2 | 1 | 1 |  |\n| ... | ... |  |  |  |  |  |\n\nTable de faits pré-agrégée du data mart (une ligne par ticket)  \n Attention  \nOn extrait les informations supplémentaires (indices) de la dimension produit, qui disparaît.  \n3. Analyse de ventes conjointes  \n Méthode  \nPour savoir quel produit est vendu avec quel produit, on construit une nouvelle table des faits avec un fait pour chaque couple de produits","cbCaiuEzhDAOm7LG","https://ap.wps.com/l/cbCaiuEzhDAOm7LG","pdf",414200,14,"French","# Objectifs\n# Introduction\n# I-Projet Fantastic : Rappel\n## Analyse de panier\n### Définition de l'analyse de panier\n### Analyse de structure de panier\n### Analyse de ventes conjointes\n# II-Exercice : Data mart pour l'analyse de ticket de caisse\n# Solutions des exercices\n# Bibliographie","[{\"question\":\"Pourquoi faut-il construire un datamart spécifique pour l’analyse de panier ?\",\"answer\":\"Le document indique que le data warehouse utilisé “en l’état” est souvent mal adapté à ces analyses. Ces problématiques nécessitent une construction orientée spécifiquement vers l’analyse du panier.\"},{\"question\":\"En quoi consiste l’analyse de structure de panier et quels sont les indices utilisés ?\",\"answer\":\"Elle étudie l’organisation et la structure des achats dans le ticket. Le document propose des indicateurs tels que indiceProduit et indiceAuteur (avec une signification en proportion des livres différents et de la part achetée chez le même auteur).\"},{\"question\":\"Comment l’analyse de ventes conjointes modélise-t-elle les données ?\",\"answer\":\"Elle construit une nouvelle table de faits comprenant un fait pour chaque couple de produits existants (ou vendus ensemble), avec une approche adaptée au volume potentiel de combinaisons, souvent via une sélection préalable ou une analyse progressive par produit.\"}]","Analyse de panier - datamart pour l'analyse de tickets de caisse | PDF",1789651789,22]