Ce projet a pour objectif d’analyser un jeu de données de tickets support IT afin de mieux comprendre la charge de travail, le respect des SLA, les escalades, les temps de réponse et de résolution, ainsi que les segments, produits et catégories générant le plus de demandes.
Le projet suit une démarche complète de Data Analysis :
- Exploration et préparation des données avec Python
- Analyse structurée avec SQL
- Création d’un dashboard interactif avec Power BI
L’objectif final est de produire un rapport décisionnel clair permettant à une équipe support ou service desk de suivre ses indicateurs clés de performance et d’identifier les axes d’amélioration opérationnelle.
Le dashboard permet de répondre à plusieurs questions métier :
- Combien de tickets support ont été créés ?
- Quel est le taux de non-respect des SLA ?
- Quelle part des tickets est escaladée ?
- Quels sont les temps moyens de première réponse et de résolution ?
- Les performances évoluent-elles dans le temps ?
- Quels segments clients génèrent le plus de tickets ?
- Quels produits et catégories concentrent le plus de demandes ?
- Les priorités influencent-elles les délais de réponse et de résolution ?
- Python
- Pandas
- SQL
- Power BI Desktop
- DAX
- Modélisation de données
- Field Parameters Power BI
- Data visualization
- Data storytelling
it-support-tickets-analysis-python-sql-powerbi/
│
├── data/
│ ├── raw/ # données brutes locales non versionnées
│ └── final/ # données nettoyées locales non versionnées
│
├── docs/
│
├── notebooks/
│ ├── 01_data_cleaning_python.ipynb
│ └── 02_exploratory_analysis_python.ipynb
│
├── powerbi/
│ ├── it_support_tickets_analysis_dashboard.pbix
│ └── it_support_tickets_analysis_dashboard.pdf
│
├── screenshots/
│ ├── 01_overview.png
│ ├── 02_sla_escalations.png
│ ├── 03_operational_analysis.png
│ ├── 04_segments_products.png
│ └── 05_data_quality_methodology.png
│
├── sql/
│ ├── 01_data_exploration.sql
│ ├── 02_schema_adjustments.sql
│ ├── 03_analysis_preparation.sql
│ ├── 04_kpi_analysis.sql
│ └── 05_business_insights.sql
│
├── .gitignore
├── README.md
└── requirements.txt
Les fichiers de données CSV ne sont pas versionnés dans le dépôt GitHub afin d’éviter d’envoyer des fichiers volumineux. La structure des dossiers data/ est conservée avec des fichiers .gitkeep.
La première étape du projet a consisté à explorer le dataset avec Python afin de comprendre sa structure, ses colonnes principales et la qualité globale des données.
Les analyses réalisées avec Python ont permis de :
- charger le dataset ;
- inspecter les premières lignes ;
- vérifier les types de données ;
- identifier les colonnes utiles à l’analyse ;
- contrôler les valeurs manquantes ;
- comprendre la distribution des tickets ;
- préparer les champs nécessaires à l’analyse Power BI.
Cette étape a permis de mieux comprendre le contenu du dataset avant de passer à l’analyse SQL et à la visualisation.
La partie SQL a été utilisée pour analyser les tickets de manière structurée et répondre aux premières questions métier.
Les analyses SQL ont notamment porté sur :
- le volume total de tickets ;
- le nombre de tickets respectant ou dépassant les SLA ;
- le taux de tickets escaladés ;
- les temps moyens de première réponse ;
- les temps moyens de résolution ;
- la satisfaction client moyenne ;
- la répartition des tickets par priorité ;
- la répartition par segment client ;
- la répartition par produit ;
- la répartition par catégorie.
Cette étape a permis de valider les principaux indicateurs avant leur intégration dans Power BI.
La dernière étape a consisté à construire un dashboard interactif dans Power BI.
Le dashboard contient 5 pages :
- Overview
- SLA & Escalations
- Operational Analysis
- Segments & Products
- Data Quality & Methodology
Le rapport utilise des cartes KPI, des graphiques temporels, des analyses par priorité, des classements Top 5, ainsi qu’un sélecteur dynamique de KPI basé sur les Field Parameters Power BI.
Le modèle Power BI repose principalement sur :
- une table de faits :
Fact_SupportTickets - une table de dates :
Dim_Date - une table de mesures :
_Measures - une table de paramètre :
KPI Selector
La relation principale utilisée est :
Dim_Date[Date] → Fact_SupportTickets[ticket_created_date]
La table Dim_Date permet de réaliser des analyses temporelles fiables sur les volumes mensuels et l’évolution des KPI.
La page Overview fournit une vue globale des performances du support IT.
Elle contient :
- Total Tickets
- SLA Breach Rate
- Escalation Rate
- Average First Response Time
- Average Resolution Time
- Average Customer Satisfaction
- Monthly Ticket Volume
- un graphique dynamique piloté par un KPI Selector
Le graphique dynamique permet de sélectionner différents KPI et d’observer leur évolution dans le temps.
KPI disponibles dans le sélecteur :
- SLA Breach Rate
- Escalation Rate
- Average First Response Time
- Average Resolution Time
- Average Customer Satisfaction
Cette page est consacrée au suivi du respect des SLA et des escalades.
Elle contient :
- SLA Breached Tickets
- SLA Respected Tickets
- SLA Breach Rate
- SLA Respected Rate
- SLA Performance Trend
- Escalation Rate Trend
Elle permet de suivre la stabilité des SLA dans le temps et d’identifier les variations du taux d’escalade.
Cette page analyse la performance opérationnelle par priorité de ticket.
Elle contient :
- Total Tickets
- Average First Response Time
- Average Resolution Time
- Escalated Tickets
- Tickets by Priority
- Resolution Time by Priority
- First Response Time by Priority
Elle permet de comparer la charge, les délais de réponse et les délais de résolution selon les niveaux de priorité.
Cette page identifie les segments, produits et catégories générant le plus de tickets.
Elle contient :
- Top Customer Segment
- Top Product
- Top Category
- Tickets by Customer Segment
- Top 5 Products by Tickets
- Top 5 Categories by Tickets
Elle permet de comprendre où se concentre la demande support.
Cette page documente la construction du rapport.
Elle contient 4 blocs :
- Dataset Overview
- Data Model
- Key Measures
- Reporting Assumptions
Cette page permet d’expliquer la structure des données, le modèle Power BI, les mesures DAX principales et les hypothèses utilisées dans le rapport.
Les principales mesures créées dans Power BI sont :
- Total Tickets
- SLA Breached Tickets
- SLA Breach Rate
- SLA Respected Tickets
- SLA Respected Rate
- Escalated Tickets
- Escalation Rate
- Average First Response Time
- Average Resolution Time
- Average Customer Satisfaction
- Top Customer Segment
- Top Product
- Top Category
- Selected KPI Trend Title
Exemples de mesures DAX :
Total Tickets =
COUNTROWS(Fact_SupportTickets)
SLA Breach Rate =
DIVIDE(
[SLA Breached Tickets],
[Total Tickets]
)
Escalation Rate =
DIVIDE(
[Escalated Tickets],
[Total Tickets]
)
Top Product =
VAR TopProduct =
TOPN(
1,
VALUES(Fact_SupportTickets[product]),
[Total Tickets],
DESC
)
RETURN
MAXX(
TopProduct,
Fact_SupportTickets[product]
)
Une mesure de titre dynamique a également été créée pour adapter automatiquement le titre du graphique de l’Overview selon le KPI sélectionné.
Le dashboard utilise un KPI Selector basé sur les Field Parameters de Power BI.
Ce sélecteur permet de changer dynamiquement le KPI affiché dans le graphique de tendance de la page Overview.
Cela évite de multiplier les graphiques et améliore l’interactivité du rapport.
KPI disponibles :
- SLA Breach Rate
- Escalation Rate
- Average First Response Time
- Average Resolution Time
- Average Customer Satisfaction
L’analyse met en évidence plusieurs éléments :
- Le dataset contient environ 200 000 tickets support.
- Le taux de non-respect des SLA est proche de 50 %.
- Le taux d’escalade est également proche de 50 %.
- Le temps moyen de première réponse est d’environ 36 heures.
- Le temps moyen de résolution est d’environ 120 heures.
- La satisfaction client moyenne est d’environ 3,00 / 5.
- Les tickets sont relativement équilibrés entre les différents segments clients.
- Le produit générant le plus de tickets est
Billing System. - La catégorie la plus fréquente est
Feature Request.
Ce projet démontre les compétences suivantes :
- Exploration de données avec Python
- Analyse de données avec SQL
- Création d’un dashboard Power BI multi-pages
- Modélisation de données avec table de faits et table de dates
- Création de mesures DAX
- Calcul de taux avec
DIVIDE() - Analyse temporelle
- Analyse Top N
- Création d’un KPI Selector dynamique
- Création d’un titre dynamique avec DAX
- Design de dashboard
- Data storytelling
- Documentation d’un projet data complet
Les fichiers Power BI sont disponibles dans le dossier powerbi.
powerbi/
├── it_support_tickets_analysis_dashboard.pbix
├── it_support_tickets_analysis_dashboard.pdf
└── .gitkeep
Le fichier .pbix contient le dashboard Power BI interactif.
Le fichier .pdf fournit une version statique du rapport pour consultation rapide.
Certaines limites doivent être prises en compte :
- Le projet repose sur un dataset statique.
- Les données ne sont pas connectées à une source temps réel.
- Les résultats dépendent de la qualité du dataset initial.
- Les analyses sont réalisées à des fins de démonstration portfolio.
- Certaines métriques métier pourraient être enrichies avec des données supplémentaires, comme les équipes support, les agents assignés ou les coûts opérationnels.
Projet terminé.
Le projet comprend :
- une phase d’exploration Python ;
- une phase d’analyse SQL ;
- un dashboard Power BI complet ;
- un export PDF ;
- une documentation projet.