Projet de portfolio Google BigQuery au Maroc : créez une analyse de bout en bout

Choisir un projet adapté à son niveau

Pour un projet Google BigQuery débutant, mieux vaut une analyse courte, clairement délimitée et compréhensible qu’un vaste entrepôt de données inachevé. BigQuery permet d’interroger des données avec SQL dans un environnement cloud ; votre projet peut donc se concentrer sur la préparation, l’analyse et la restitution, sans chercher à construire toute une infrastructure.

Un projet de ventes constitue un bon exercice pratique Google BigQuery : les indicateurs sont faciles à expliquer et les résultats peuvent intéresser de nombreux secteurs, du commerce à la distribution. Pour l’ancrer au Maroc, vous pouvez étudier des ventes fictives réparties entre des villes ou des régions, sans prétendre représenter le marché réel.

• Limitez le sujet à une question principale et à quelques indicateurs : chiffre d’affaires simulé, nombre de commandes, panier moyen ou évolution mensuelle.
• Choisissez des données que vous pouvez comprendre et expliquer. Un fichier CSV synthétique suffit pour un premier projet.
• Prévoyez un résultat que quelqu’un d’autre peut contrôler : requêtes lisibles, définitions des indicateurs et étapes reproductibles.
• Ajoutez une difficulté à la fois : nettoyage des dates, jointure de tables, fonctions analytiques ou tableau de bord.

Partir d’un besoin concret

Imaginez qu’une petite enseigne souhaite comprendre quelles catégories de produits progressent, à quelles périodes les commandes augmentent et quelles zones affichent les ventes les plus fortes. Le projet consiste à transformer ces questions en analyses dans BigQuery, puis à présenter les résultats sous une forme accessible à une personne non spécialiste.

Le scénario peut être fictif, mais il doit rester cohérent. Indiquez clairement qu’il s’agit d’un cas d’étude simulé si les données ne viennent pas d’une organisation réelle. Évitez de présenter des constats sur des entreprises ou des consommateurs marocains si votre jeu de données ne permet pas de les établir.

• Question métier : comment les ventes simulées évoluent-elles par mois, catégorie et zone ?
• Public visé : responsable de magasin, équipe commerciale ou client qui veut repérer des tendances.
• Décision que l’analyse pourrait éclairer : choisir les périodes et catégories à examiner plus en détail.
• Hors périmètre : expliquer les causes réelles d’une variation si les données ne contiennent pas les éléments nécessaires.

Préparer les données, fichiers ou ressources

Avant d’ouvrir BigQuery, préparez un fichier de transactions fictives ou un jeu de données ouvert dont les conditions d’utilisation autorisent votre usage. Des colonnes simples suffisent : identifiant de commande, date, catégorie, quantité, prix unitaire et zone. Vous pouvez aussi séparer les commandes, les produits et les zones en plusieurs fichiers pour montrer une jointure.

Vérifiez la provenance et les droits d’utilisation avant d’importer ou de republier un jeu de données. Si vous partez de données professionnelles, demandez une autorisation explicite et respectez les règles de votre employeur ou client. Remplacer un nom par un identifiant ne garantit pas qu’un jeu de données soit anonyme : les détails combinés peuvent encore permettre d’identifier une personne.

N’incluez pas dans le portfolio des noms de clients, coordonnées, identifiants personnels, données commerciales internes, captures d’écran de consoles contenant des informations sensibles, ni clés d’accès. Pour une démonstration publique, privilégiez des données synthétiques ou ouvertes et masquez les éléments de configuration qui ne doivent pas être partagés.

• Un fichier CSV de transactions fictives et, si utile, un fichier de référence pour les produits ou les zones.
• Un dictionnaire de données précisant le sens des colonnes, leur format et les valeurs attendues.
• Une définition écrite des indicateurs, notamment la formule du panier moyen et la règle appliquée aux remboursements.
• Un projet BigQuery de test et une organisation de fichiers claire pour séparer données brutes, données préparées et résultats.
• Une note sur la licence ou la provenance des données lorsque vous utilisez un jeu de données ouvert.

Réaliser le projet par étapes

Ce projet concret Google BigQuery doit laisser des traces de votre démarche. Gardez les requêtes dans des fichiers nommés et décrivez brièvement pourquoi chaque étape existe. Les noms ci-dessous sont des exemples : adaptez-les à vos tables et à vos propres règles métier.

• 1. Écrire le brief : formuler la question, le public, les indicateurs, les livrables et les limites du cas d’étude.
• 2. Préparer un jeu de données sûr : vérifier les droits, la structure des colonnes et l’absence d’informations confidentielles.
• 3. Créer le jeu de données BigQuery : choisir un emplacement et des noms explicites, puis charger les fichiers de départ.
• 4. Contrôler le chargement : comparer le nombre de lignes, vérifier les types et examiner quelques enregistrements. Une date importée comme texte, par exemple, doit être détectée avant l’analyse.
• 5. Préparer les données : harmoniser les formats, traiter les valeurs manquantes selon une règle annoncée et repérer les doublons potentiels.
• 6. Construire les requêtes d’analyse : calculer les indicateurs, puis les regrouper par mois, catégorie et zone. Utiliser des jointures seulement quand elles répondent à une question claire.
• 7. Produire une restitution : créer une table ou une vue de synthèse et, si cela sert le lecteur, la relier à un tableau de bord.
• 8. Refaire le parcours depuis les fichiers sources : vérifier que les requêtes et les instructions suffisent à reproduire le résultat.

Tester, corriger et documenter

Une requête qui s’exécute sans erreur n’est pas forcément juste. Le contrôle qualité doit vérifier à la fois les données, les calculs et la cohérence des résultats. Dans votre portfolio, dites ce que vous avez testé et ce que ces tests permettent — et ne permettent pas — de conclure.

• □ Les colonnes attendues sont présentes et leurs types correspondent aux usages prévus.
• □ Les dates sont valides et couvrent bien la période annoncée dans le brief.
• □ Les valeurs obligatoires ne sont pas vides, ou leur traitement est expliqué.
• □ Les doublons et les identifiants répétés ont été examinés ; leur suppression éventuelle suit une règle explicite.
• □ Les montants et quantités respectent les règles choisies, et les valeurs atypiques ont été vérifiées.
• □ Les totaux des résultats peuvent être rapprochés des données préparées.
• □ Une jointure ne multiplie pas les lignes de manière inattendue.
• □ Les indicateurs sont recalculables à partir de formules documentées.
• □ Les filtres et regroupements ne mélangent pas des périodes ou catégories incompatibles.
• □ Les résultats ont été relus pour éviter de formuler une conclusion que les données ne justifient pas.

Présenter son travail dans un portfolio

Présentez le projet comme une démonstration de votre raisonnement, pas comme une affirmation d’expérience professionnelle que vous n’avez pas. Une page de portfolio, un dépôt de fichiers ou une courte présentation peuvent convenir, à condition que le lecteur comprenne rapidement le problème, les données, les choix techniques et le résultat.

Ajoutez une capture d’écran lisible de la synthèse, quelques extraits de requêtes commentés et une courte démonstration du parcours. Ne montrez pas une console BigQuery si elle expose un nom de projet, un identifiant, une table privée ou une information de facturation. Pour des données ouvertes, mentionnez leur origine et leurs conditions d’utilisation ; pour des données synthétiques, dites-le explicitement.

Présentez aussi les limites : données simulées, indicateurs descriptifs, absence de données sur les coûts ou les promotions, par exemple. Une limite bien expliquée rend votre travail plus crédible et montre que vous distinguez observation et interprétation.

• Une présentation d’une page : besoin, public, données, méthode, résultats et limites.
• Un schéma simple des tables et des transformations.
• Des requêtes SQL organisées et accompagnées d’explications courtes.
• Une capture ou un tableau de bord sans information sensible.
• Des instructions pour reproduire le projet et une liste des contrôles effectués.

Le parcours, étape par étape

1. 1Définir le cas d’étude — Choisissez une question métier limitée, un public et des livrables. Indiquez dès le départ si le cas est fictif.
2. 2Sécuriser les données — Utilisez des données synthétiques ou ouvertes dont l’usage est autorisé. Écartez les données personnelles et les informations internes non autorisées.
3. 3Charger et inspecter dans BigQuery — Importez les fichiers, vérifiez les colonnes, les types, le nombre de lignes et quelques valeurs avant d’écrire les analyses.
4. 4Nettoyer et analyser avec SQL — Documentez les règles de préparation, calculez les indicateurs définis dans le brief et créez des synthèses compréhensibles.
5. 5Contrôler les résultats — Appliquez la checklist qualité : dates, valeurs manquantes, doublons, cohérence des totaux et effets des jointures.
6. 6Préparer la démonstration — Rassemblez les requêtes, la documentation, une restitution visuelle et les limites du projet. Retirez toute information confidentielle.

Formations et programmes au Maroc

Compétences clés

Questions fréquentes

Sources

1. Formation intra-entreprise — OFPPT ofppt.ma
2. JobInTech jobintech.academy
3. Google BigQuery — page technologique FormaGroup formagroup.ma