Démonstrations R - Atelier 01

Objectif

Cette page rassemble des exemples pour débloquer un geste précis après une première tentative. La mission fixe les productions à réaliser. Il n’est pas nécessaire de reproduire toutes les démonstrations dans le rapport.

Le parcours principal reste le guide complet de l’atelier. Cette page sert d’appui pendant ou après la séance, surtout lorsqu’il faut revoir une démonstration précise.

Comment utiliser cette page

Repérez la démonstration qui répond à votre difficulté, puis adaptez son code dans votre fichier Quarto. Vérifiez la sortie et expliquez le résultat avec vos propres mots. Les choix d’analyse et la réponse à la direction vous appartiennent.

Vue d’ensemble

Démonstration	Question traitée	Résultat attendu
1	Les données sont-elles importées correctement?	Tableau lisible dans R
2	Que représente chaque variable importante?	Dictionnaire rapide
3	Quelles variables sont incomplètes?	Diagnostic des valeurs manquantes
4	Pourquoi `na.rm = TRUE` peut-il changer certains calculs?	Comparaison avec et sans valeurs manquantes
5	Comment comparer les succursales?	Tableau synthèse
6	Comment visualiser les ventes?	Graphique de comparaison
7	Comment explorer une relation descriptive?	Nuage de points interprétable
8	Quelle priorité recommander pour la suite?	Résultat descriptif appuyant une priorité

Préparation

Avant de commencer, chargez les packages nécessaires et définissez deux objets qui seront réutilisés dans les démonstrations.

library(tidyverse)
library(janitor)
library(scales)

data_path <- if (file.exists("data/ventes_pme_quebec.csv")) {
  "data/ventes_pme_quebec.csv"
} else {
  "modules/atelier-01-r/data/ventes_pme_quebec.csv"
}

currency_ca <- scales::label_dollar(
  prefix = "",
  suffix = " $",
  big.mark = " ",
  decimal.mark = ","
)

À retenir :

data_path permet de retrouver le fichier selon l’endroit où le document est rendu;
currency_ca servira à afficher les montants dans un format lisible;
les packages sont chargés explicitement pour que le document soit reproductible.

Démonstration 1 - Importer et inspecter

Afficher la démonstration après une tentative

Objectif : lire le fichier CSV, nettoyer les noms de colonnes et vérifier que les variables importantes ont un type utile pour l’analyse.

ventes <- readr::read_csv(data_path, show_col_types = FALSE) |>
  clean_names() |>
  mutate(
    mois = as.Date(mois),
    campagne_locale = factor(
      campagne_locale,
      levels = c(0, 1),
      labels = c("non", "oui")
    )
  )

glimpse(ventes)

Rows: 60
Columns: 15
$ mois                  <date> 2025-01-01, 2025-01-01, 2025-01-01, 2025-01-01,…
$ mois_label            <chr> "janvier", "janvier", "janvier", "janvier", "jan…
$ saison                <chr> "moyenne", "moyenne", "moyenne", "moyenne", "moy…
$ succursale            <chr> "Gatineau", "Montréal", "Québec", "Sherbrooke", …
$ region                <chr> "Outaouais", "Montréal", "Capitale-Nationale", "…
$ surface_m2            <dbl> 410, 520, 460, 390, 360, 410, 520, 460, 390, 360…
$ campagne_locale       <fct> oui, oui, non, non, oui, non, non, oui, non, non…
$ depenses_marketing    <dbl> 4799, 5755, 5646, 2367, 7671, 4771, 3070, 5029, …
$ clients               <dbl> 2188, 2568, 2280, 2013, 1967, 2100, 2468, 2417, …
$ panier_moyen          <dbl> 59.35, 65.66, 62.41, 59.69, 54.91, 55.02, 64.23,…
$ ventes                <dbl> 129858, 168615, 142295, 120156, 108008, 115542, …
$ delai_livraison_jours <dbl> 3.0, 2.5, 2.4, 2.3, 2.1, 3.5, 1.7, 2.4, 2.2, 2.2…
$ ruptures_stock        <dbl> 6, 3, 1, 3, 1, 1, 0, 2, 1, 1, 1, 0, 1, 2, 0, 1, …
$ satisfaction          <dbl> 7.6, 7.9, 8.7, 8.5, 7.1, 7.0, 8.5, NA, 7.4, 8.0,…
$ taux_retour           <dbl> 0.076, 0.043, 0.044, 0.035, 0.037, 0.025, 0.042,…

À observer :

chaque ligne représente une succursale pour un mois;
mois est une date, ce qui permettra des analyses temporelles plus tard;
campagne_locale est rendue lisible avec les valeurs non et oui;
les variables de ventes, clients, satisfaction et opérations sont numériques.

À reprendre dans la trace finale :

Le tableau contient des observations mensuelles par succursale. Il permet de comparer des indicateurs commerciaux, opérationnels et de satisfaction.

Erreur fréquente

Si R indique que le fichier est introuvable, le problème vient presque toujours du dossier de travail ou du chemin vers le fichier CSV. Vérifiez que le fichier est bien dans le dossier data de l’atelier ou utilisez le chemin proposé dans le guide.

Démonstration 2 - Construire un dictionnaire rapide

Afficher la démonstration après une tentative

Objectif : produire un petit tableau qui décrit les variables. Ce dictionnaire aide à comprendre les données avant de calculer des indicateurs.

dictionnaire_variables <- tibble(
  variable = names(ventes),
  type = map_chr(ventes, \(x) class(x)[1]),
  valeurs_manquantes = map_int(ventes, \(x) sum(is.na(x))),
  exemple = map_chr(ventes, \(x) {
    valeurs_observees <- x[!is.na(x)]

    if (length(valeurs_observees) == 0) {
      NA_character_
    } else {
      as.character(valeurs_observees[[1]])
    }
  })
)

dictionnaire_variables |>
  knitr::kable()

variable	type	valeurs_manquantes	exemple
mois	Date	0	2025-01-01
mois_label	character	0	janvier
saison	character	0	moyenne
succursale	character	0	Gatineau
region	character	0	Outaouais
surface_m2	numeric	0	410
campagne_locale	factor	0	oui
depenses_marketing	numeric	0	4799
clients	numeric	0	2188
panier_moyen	numeric	0	59.35
ventes	numeric	0	129858
delai_livraison_jours	numeric	2	3
ruptures_stock	numeric	0	6
satisfaction	numeric	3	7.6
taux_retour	numeric	0	0.076

À observer :

le dictionnaire donne une vue rapide des variables disponibles;
la colonne type indique comment R interprète chaque variable;
la colonne valeurs_manquantes signale les variables à traiter avec prudence;
la colonne exemple aide à comprendre le contenu sans ouvrir tout le tableau.

À reprendre dans la trace finale :

Choisissez cinq variables utiles pour la direction, puis nommez leur rôle : performance commerciale, clientèle, marketing, opérations ou satisfaction.

Démonstration 3 - Repérer les valeurs manquantes

Afficher la démonstration après une tentative

Objectif : identifier les variables incomplètes avant de calculer des moyennes ou des tableaux synthèses.

diagnostic_manquants <- ventes |>
  summarise(across(everything(), \(x) sum(is.na(x)))) |>
  pivot_longer(
    cols = everything(),
    names_to = "variable",
    values_to = "valeurs_manquantes"
  ) |>
  filter(valeurs_manquantes > 0) |>
  arrange(desc(valeurs_manquantes))

diagnostic_manquants |>
  knitr::kable()

variable	valeurs_manquantes
satisfaction	3
delai_livraison_jours	2

À observer :

seules les variables ayant au moins une valeur manquante apparaissent;
une variable incomplète peut rendre certains résumés impossibles à calculer si on ne précise pas comment traiter les valeurs manquantes;
ce diagnostic doit être mentionné dans le rapport, même si le problème semble petit.

Phrase possible :

Certaines variables contiennent des valeurs manquantes. Les indicateurs qui utilisent ces variables doivent donc être calculés et interprétés avec prudence.

Démonstration 4 - Voir l’effet de `na.rm = TRUE`

Afficher la démonstration après une tentative

Objectif : comprendre pourquoi certaines moyennes deviennent manquantes lorsque les données contiennent des valeurs NA.

comparaison_na_rm <- ventes |>
  summarise(
    satisfaction_sans_na_rm = mean(satisfaction),
    satisfaction_avec_na_rm = mean(satisfaction, na.rm = TRUE),
    delai_sans_na_rm = mean(delai_livraison_jours),
    delai_avec_na_rm = mean(delai_livraison_jours, na.rm = TRUE)
  )

comparaison_na_rm |>
  knitr::kable(digits = 2)

satisfaction_sans_na_rm	satisfaction_avec_na_rm	delai_sans_na_rm	delai_avec_na_rm
NA	7.65	NA	2.68

À observer :

sans na.rm = TRUE, une moyenne peut devenir NA;
avec na.rm = TRUE, R calcule la moyenne à partir des valeurs observées;
ce choix n’efface pas le problème de données manquantes, il permet seulement de calculer un résumé sur les observations disponibles.

Point d’interprétation

Utiliser na.rm = TRUE est acceptable ici, mais il faut le signaler. Un résumé calculé sur les valeurs observées n’est pas exactement la même chose qu’un résumé calculé sur toutes les observations prévues.

Démonstration 5 - Résumer par succursale

Afficher la démonstration après une tentative

Objectif : passer du tableau mensuel à une comparaison lisible des succursales.

synthese_succursales <- ventes |>
  group_by(succursale, region) |>
  summarise(
    mois_observes = n(),
    ventes_totales = sum(ventes),
    clients_totaux = sum(clients),
    panier_moyen = ventes_totales / clients_totaux,
    mois_satisfaction = sum(!is.na(satisfaction)),
    satisfaction_moyenne = mean(satisfaction, na.rm = TRUE),
    mois_delai = sum(!is.na(delai_livraison_jours)),
    delai_moyen = mean(delai_livraison_jours, na.rm = TRUE),
    ruptures_stock = sum(ruptures_stock, na.rm = TRUE),
    .groups = "drop"
  ) |>
  arrange(desc(ventes_totales))

synthese_succursales |>
  transmute(
    Succursale = succursale,
    Mois = mois_observes,
    `Ventes totales ($ CA)` = currency_ca(ventes_totales),
    `Clients cumulés` = clients_totaux,
    `Ventes par client ($ CA)` = currency_ca(panier_moyen)
  ) |>
  knitr::kable()

Succursale	Mois	Ventes totales ($ CA)	Clients cumulés	Ventes par client ($ CA)
Montréal	12	1 923 795 $	31351	61,36 $
Québec	12	1 740 846 $	27586	63,11 $
Sherbrooke	12	1 453 016 $	23858	60,90 $
Gatineau	12	1 442 128 $	24166	59,68 $
Trois-Rivières	12	1 403 919 $	22334	62,86 $

# Présenter séparément les indicateurs de service pour garder des tableaux lisibles.
synthese_succursales |>
  transmute(
    Succursale = succursale,
    `Mois avec satisfaction` = mois_satisfaction,
    `Satisfaction sur 10` = satisfaction_moyenne,
    `Mois avec délai` = mois_delai,
    `Délai (jours)` = delai_moyen,
    `Ruptures totales` = ruptures_stock
  ) |>
  knitr::kable(digits = 2, format.args = list(decimal.mark = ","))

Succursale	Mois avec satisfaction	Satisfaction sur 10	Mois avec délai	Délai (jours)	Ruptures totales
Montréal	11	7,75	12	2,53	25
Québec	10	7,83	12	2,75	23
Sherbrooke	12	7,57	11	2,71	28
Gatineau	12	7,74	11	2,75	28
Trois-Rivières	12	7,39	12	2,64	29

À observer :

les ventes totales comparent le volume d’affaires;
le ratio ventes/clients compare les ventes par client sur la période;
la satisfaction et les ruptures de stock ajoutent une dimension opérationnelle;
la succursale avec les ventes les plus élevées n’est pas nécessairement la plus favorable selon tous les indicateurs.

Les ventes et les clients sont complets dans ce fichier. Pour la satisfaction et le délai, les effectifs indiquent les mois disponibles. Les moyennes portent sur les résumés mensuels, avec un poids égal pour chaque mois disponible. La mission demande un seul indicateur de service : choisissez celui qui vous est utile parmi les exemples présentés ici.

À reprendre dans la trace finale :

Choisissez deux ou trois résultats qui ressortent du tableau. Il n’est pas utile de commenter toutes les colonnes.

Démonstration 6 - Visualiser les ventes

Afficher la démonstration après une tentative

Objectif : produire un graphique simple qui compare les ventes annuelles par succursale.

synthese_succursales |>
  mutate(succursale = fct_reorder(succursale, ventes_totales)) |>
  ggplot(aes(ventes_totales, succursale)) +
  geom_col(fill = "#2A9D8F") +
  scale_x_continuous(labels = currency_ca) +
  labs(
    title = "Ventes annuelles par succursale",
    x = "Ventes",
    y = NULL
  ) +
  theme_minimal(base_size = 12)

À observer :

les succursales sont ordonnées selon les ventes totales;
l’axe horizontal est formaté en dollars;
le graphique répond à une question précise : quelles succursales contribuent le plus aux ventes annuelles?

Phrase possible :

Le graphique montre que les ventes annuelles varient entre les succursales. Cette comparaison décrit le volume d’affaires, mais ne suffit pas à expliquer les causes des écarts.

Démonstration 7 - Explorer une relation descriptive

Afficher la démonstration après une tentative

Objectif : examiner si deux variables semblent évoluer ensemble, sans conclure à une relation causale.

observations_graphique <- ventes |>
  filter(!is.na(ruptures_stock), !is.na(satisfaction))

observations_graphique |>
  ggplot(aes(ruptures_stock, satisfaction, color = succursale)) +
  geom_point(size = 2.4, alpha = 0.8) +
  labs(
    title = "Satisfaction client et ruptures de stock",
    x = "Nombre de ruptures de stock",
    y = "Satisfaction moyenne sur 10",
    color = "Succursale"
  ) +
  theme_minimal(base_size = 12)

À observer :

chaque point représente une observation mensuelle pour une succursale;
le nuage permet de repérer des associations et de la dispersion;
les couleurs permettent de repérer les succursales, mais elles ne remplacent pas une analyse plus formelle.

Le graphique utilise 57 observations sur 60. Il exclut les lignes dont une des deux variables est manquante.

Limite importante

Ce graphique ne prouve pas que les ruptures de stock causent une baisse de satisfaction. Il suggère seulement une relation descriptive à examiner plus rigoureusement.

Démonstration 8 - Choisir une priorité de prochaine analyse

Afficher la démonstration après une tentative

Objectif : transformer l’exploration en recommandation prudente. La direction hésite entre trois priorités : marketing, opérations ou saisonnalité. On produit un petit résultat descriptif pour éclairer ce choix.

Option A - Marketing

priorite_marketing <- ventes |>
  group_by(campagne_locale) |>
  summarise(
    observations = n(),
    ventes_moyennes = mean(ventes, na.rm = TRUE),
    depenses_marketing_moyennes = mean(depenses_marketing, na.rm = TRUE),
    panier_moyen = sum(ventes, na.rm = TRUE) / sum(clients, na.rm = TRUE),
    .groups = "drop"
  ) |>
  mutate(
    ventes_moyennes = currency_ca(ventes_moyennes),
    depenses_marketing_moyennes = currency_ca(depenses_marketing_moyennes),
    panier_moyen = currency_ca(panier_moyen)
  )

priorite_marketing |>
  knitr::kable()

campagne_locale	observations	ventes_moyennes	depenses_marketing_moyennes	panier_moyen
non	36	129 813 $	3 706,06 $	61,84 $
oui	24	137 102 $	5 230,50 $	61,24 $

Ce résultat aide à formuler une question pour la suite sur les campagnes locales. Il ne démontre pas l’effet du marketing, parce que les mois avec campagne peuvent différer des autres mois pour plusieurs raisons.

Option B - Opérations

priorite_operations <- ventes |>
  group_by(succursale) |>
  summarise(
    ruptures_stock = sum(ruptures_stock, na.rm = TRUE),
    delai_moyen = mean(delai_livraison_jours, na.rm = TRUE),
    satisfaction_moyenne = mean(satisfaction, na.rm = TRUE),
    .groups = "drop"
  ) |>
  arrange(desc(ruptures_stock)) |>
  mutate(
    delai_moyen = round(delai_moyen, 1),
    satisfaction_moyenne = round(satisfaction_moyenne, 1)
  )

priorite_operations |>
  knitr::kable()

succursale	ruptures_stock	delai_moyen	satisfaction_moyenne
Trois-Rivières	29	2.6	7.4
Gatineau	28	2.8	7.7
Sherbrooke	28	2.7	7.6
Montréal	25	2.5	7.7
Québec	23	2.8	7.8

Ce résultat aide à repérer les succursales où les enjeux opérationnels semblent plus présents. Il ne dit pas encore si ces enjeux expliquent les ventes ou la satisfaction.

Option C - Saisons

priorite_saison <- ventes |>
  group_by(saison) |>
  summarise(
    ventes_totales = sum(ventes, na.rm = TRUE),
    satisfaction_moyenne = mean(satisfaction, na.rm = TRUE),
    ruptures_stock = sum(ruptures_stock, na.rm = TRUE),
    .groups = "drop"
  ) |>
  mutate(
    ventes_totales = currency_ca(ventes_totales),
    satisfaction_moyenne = round(satisfaction_moyenne, 1)
  )

priorite_saison |>
  knitr::kable()

saison	ventes_totales	satisfaction_moyenne	ruptures_stock
haute	1 541 747 $	7.6	27
moyenne	1 965 806 $	7.8	29
reguliere	4 456 151 $	7.6	77

Ce résultat aide à décider si les prochaines analyses devraient distinguer les périodes de l’année. Il reste descriptif : il ne sépare pas encore les effets de succursale, de saison, de marketing ou d’opérations.

Synthèse pour la trace finale

À la fin de ces démonstrations, votre propre trace finale devrait contenir :

une phrase sur l’unité d’observation;
un dictionnaire rapide des variables clés;
un diagnostic des valeurs manquantes;
un tableau synthèse par succursale;
un graphique des ventes;
un deuxième graphique descriptif;
trois constats prudents;
une recommandation de prochaine analyse;
une limite d’interprétation.

Phrase de recommandation à adapter

La prochaine analyse devrait prioriser [marketing, opérations ou saisonnalité], car le diagnostic descriptif suggère que [résultat observé]. Cette conclusion reste préliminaire, car [limite à nommer].

Objectif

Vue d’ensemble

Préparation

Démonstration 1 - Importer et inspecter

Démonstration 2 - Construire un dictionnaire rapide

Démonstration 3 - Repérer les valeurs manquantes

Démonstration 4 - Voir l’effet de na.rm = TRUE

Démonstration 5 - Résumer par succursale

Démonstration 6 - Visualiser les ventes

Démonstration 7 - Explorer une relation descriptive

Démonstration 8 - Choisir une priorité de prochaine analyse

Option A - Marketing

Option B - Opérations

Option C - Saisons

Synthèse pour la trace finale

Démonstration 4 - Voir l’effet de `na.rm = TRUE`