Python
Streamlit
Machine Learning
Docker
Scikit-learn
Explorez l’application Watch Analytics Dashboard en ligne :
Note : L’application peut prendre quelques secondes à démarrer si elle est en veille. Si vous avez l’URL réelle de déploiement, remplacez le lien ci-dessus.
1 Contexte général du projet
Le marché des montres d’occasion connaît une croissance rapide, soutenue par la digitalisation et la montée des plateformes comme Chrono24.
Chaque annonce — marque, modèle, prix, caractéristiques techniques ou esthétiques — constitue une source précieuse d’informations pour comprendre les dynamiques du marché horloger.
Afin d’explorer et d’analyser ces données, j’ai développé Watchs Analystics Dashboard, une application interactive construite avec Streamlit, permettant de visualiser, segmenter et modéliser les prix des montres de luxe.
Cette application s’adresse aussi bien aux passionnés d’horlogerie qu’aux analystes de données ou acteurs du marché souhaitant identifier des tendances et des opportunités d’achat.
2 Objectif du projet
L’objectif principal est de fournir une plateforme analytique complète permettant de :
- Analyser les tendances du marché : prix moyens, marques dominantes, matériaux, pays vendeurs
- Segmenter le marché selon des critères techniques ou esthétiques
- Identifier les montres sous-évaluées grâce à des modèles de détection d’anomalies
- Estimer le prix optimal d’une montre selon ses caractéristiques
3 Méthodologie et technologies
L’application repose sur une base de plus de 30 000 montres issues de Chrono24, nettoyée, standardisée et enrichie à l’aide de scripts Python.
Les principales technologies utilisées :
- Python 3.11
- Streamlit pour l’interface interactive
- Plotly pour les visualisations dynamiques
- Pandas / NumPy pour la préparation et l’analyse des données
- Scikit-learn pour la modélisation (régression, clustering, détection d’anomalies)
- Docker pour le déploiement
- streamlit-extras pour l’esthétique et les interactions avancées
4 Fonctionnalités principales
- 💎 Analyse du marché : visualisation interactive des prix par marque, modèle ou matériau
- 🔍 Segmentation : regroupement automatique des montres selon leurs caractéristiques (clustering)
- 🕵️ Détection d’anomalies : identification des montres sous-évaluées via des modèles comme Isolation Forest
- 💰 Estimation du prix : prédiction du prix attendu à partir des variables techniques
- 📊 Exports de données : téléchargement des résultats pour analyses complémentaires
5 Exemples d’onglets
- Accueil : présentation du marché global et des principales tendances
- Analyse des prix : distribution et comparaison entre marques et modèles
- Segmentation : visualisation des clusters selon les caractéristiques
- Anomalies : mise en évidence des montres dont le prix s’écarte des tendances
- Modélisation : estimation du prix prédit pour une montre sélectionnée
- Exports : téléchargement au format CSV ou Excel
6 Résultats attendus
Cette application permet d’obtenir une vision claire et dynamique du marché horloger d’occasion :
- Identifier les tendances de prix selon les marques et matériaux
- Détecter les opportunités d’achat grâce aux anomalies de prix
- Comprendre la structure du marché secondaire
- Offrir une estimation cohérente du prix d’une montre donnée
En combinant analyse statistique et interface interactive,
Montre Analytics Dashboard devient un outil d’aide à la décision pour collectionneurs, revendeurs et analystes.
7 Outil technique
- Développé entièrement en Python
- Interface construite avec Streamlit
- Conteneurisé avec Docker
- Compatible avec Streamlit Cloud pour un déploiement en ligne
Figure 1 : Aperçu du tableau de bord