Obj - Générer une analyse d'écart boutique réutilisable

Ce use case illustre une utilisation concrète du plugin Biron dans Zapier. Si vous n’êtes pas encore familier avec son fonctionnement (authentification, structure d’une requête, gestion des variables), consultez d’abord le guide Biron × Zapier avant de continuer.

Ce qu’on construit

Un sous-Zap réutilisable, appelé par d’autres Zaps, qui produit une analyse d’écart pour une boutique sur une période donnée.

À partir d’un ID de boutique, d’une période et d’un thread Slack, il récupère les données de performance, les soumet à un LLM et renvoie l’analyse en réponse au message d’origine.

La décomposition suit un arbre de KPIs :

CA HT = Nombre de commandes ×  Panier Moyen
              └── Nombre de commandes = Taux de conversion × N Visites

Architecture du Zap

Déclencheur sub-Zap → Requête boutique → Formatage → LLM → Slack → Fin sub-Zap

Étapes

Trigger — Start a Sub-Zap

Un sub-Zap ne peut être déclenché que par un autre Zap qui lui transmet les variables nécessaires. Configurez le trigger Start a Sub-Zap en déclarant les quatre variables d’entrée suivantes :

Variable	Description
`start_date`	Date de début de la période à analyser
`end_date`	Date de fin de la période
`shop_id`	Identifiant de la boutique
`slack_ts`	TS du message Slack auquel répondre

Requête boutique

Créez dans Biron un chart pour la boutique et la période transmises, en utilisant les variables start_date, end_date et shop_id issues du trigger.

Copiez le NexusQL et collez-le dans le bloc Biron Query. Les métriques à récupérer couvrent le CA et sa décomposition, chacune avec sa valeur réalisée et son objectif :

Métrique	Réalisé	Objectif	Écart
CA HT	✓	✓	% objectif réalisé
Nombre de commandes	✓	✓	% objectif réalisé
Panier moyen	✓	✓	Delta
Taux de conversion	✓	✓	Delta
N Visites	✓	✓	% objectif réalisé

Formatage pour le LLM

Les données Biron à plat doivent être restructurées en JSON imbriqué avant d’être soumises au LLM. Ajoutez un bloc Code by Zapier (Python) et utilisez ce prompt pour générer le code :

Rôle : Expert Python pour Zapier.
Objectif : Restructurer des données à plat en JSON imbriqué.

Inputs disponibles (via input_data) :
Des clés au format "Type - Métrique" (ex : Réalisé - CA HT, Objectif - CA HT)
et leurs valeurs associées.

Demande :
1. Ne traiter que les clés contenant " - ".
2. Pour chaque clé valide, séparer en deux parties : la Métrique et le Type.
3. Regrouper dans un dictionnaire imbriqué structuré ainsi :
   {
     "CA HT": { "Réalisé": "...", "Objectif": "..." },
     "Nombre de commandes": { "Réalisé": "...", "Objectif": "..." }
   }
4. Convertir en JSON lisible (indenté, caractères spéciaux conservés).
5. Retourner le résultat dans output avec la clé json_neste.

LLM — Gemini

Ajoutez le bloc Gemini et renseignez deux inputs :

System instructions — le cadre de l’analyste, à copier tel quel :

Tu es un Analyste Retail Expert spécialisé dans la performance commerciale
et l'analyse d'écarts (Variance Analysis).
Ton objectif est de lire des données de performance au format JSON et d'expliquer
de manière claire et concise pourquoi une boutique a dépassé ou raté son objectif
de Chiffre d'Affaires (CA HT).

RÈGLES D'ANALYSE OBLIGATOIRES :

1. Sens de l'analyse :
   - Si le % Objectif Réalisé du CA HT est > 100% : concentre-toi exclusivement
     sur les leviers positifs.
   - Si le % Objectif Réalisé du CA HT est < 100% : concentre-toi exclusivement
     sur les points de friction et les leviers négatifs.
   - Si la période est un mois complet : fais un bilan en mettant en avant ce qui
     a bien marché ou non.
   - Si la période est partielle : donne les tendances à date et des pistes pour
     redresser la barre ou consolider l'avance.

2. Gestion du bruit : Ne détaille pas les métriques dont le résultat est entre
   95% et 105% de l'objectif. Mentionne simplement que le contrat est rempli.

3. Décomposition en arbre de KPIs :
   - Niveau 1 : Analyse CA HT = Panier Moyen × Nombre Commandes.
     Identifie le facteur principal de l'écart.
   - Niveau 2 : Si le Nombre Commandes présente un écart significatif,
     décompose : Nombre Commandes = Taux de Conversion × N Visites.

4. Cohérence des objectifs : Si Panier Moyen, Taux de Conversion et N Visites
   sont tous conformes, mais que le CA HT est très éloigné de son objectif,
   conclure que l'objectif de CA HT est mathématiquement incohérent.

Ton ton doit être professionnel, direct et orienté action.
Format : compatible Slack, moins de 10 lignes.
Titre : "Analyse Performance [Boutique] [Période]"
Mise en forme Slack : le gras se déclenche avec * (pas **).

Prompt utilisateur — à construire en liant les variables Zapier :

Voici les résultats de la boutique [shop_id] pour la période
du [start_date] au [end_date], au format JSON :

[json_neste]

À partir de ces données, rédige une analyse d'écart en suivant
strictement ton instruction système et la structure suivante :

1. Bilan global du CA HT à date
   Indique si l'objectif est atteint ou raté, de combien en valeur.

2. Décomposition de la performance (Panier Moyen vs Commandes)
   Applique la règle CA = Panier Moyen × Commandes.
   Mets en avant le ou les responsables de l'écart.

3. Analyse approfondie de l'acquisition (si nécessaire)
   Si le volume de commandes est en écart, applique :
   Commandes = Taux de Conversion × N Visites. Sinon, ignore cette section.

4. Synthèse
   Récapitulatif des causes de la hausse ou de la baisse.
   Mentionne la pertinence de l'objectif initial si les mathématiques
   sous-jacentes sont incohérentes.

Réponse — Slack

Ajoutez un bloc Slack et configurez :

Channel : le canal où envoyer la réponse
Thread : la variable slack_ts transmise au démarrage du sub-Zap
Message Text : la réponse produite par le bloc Gemini

Fin du sub-Zap — Return Output

Ajoutez le bloc Return Output pour signaler au Zap appelant que le sous-Zap s’est exécuté avec succès et lui transmettre les données de retour si nécessaire.

Résultat attendu

Le Zap appelant transmet une boutique, une période et un thread Slack. Le sous-Zap récupère les données, les analyse et répond directement en thread avec une explication structurée de l’écart — en moins de 10 lignes, orientée action.