Exporter une analyse de similarité produit vers Google Sheets

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.

Note

Ce use case concerne une requête NexusQL complexe qu’il n’est pas possible de générer depuis l’interface Biron. Si votre besoin se limite à exporter les données d’un chart existant vers Sheets, le plugin Biron pour Google Sheets le fait nativement sans passer par Zapier.

---

Ce qu’on construit

Un Zap qui se déclenche chaque trimestre, exécute une analyse de similarité produit sur le trimestre écoulé et alimente automatiquement un Google Sheet avec les résultats.

L’objectif : identifier les paires de produits achetées ensemble plus souvent que le hasard — pour améliorer les recommandations produit ou construire des offres bundle.

---

Architecture du Zap

Schedule → Calcul des dates → Requête similarité produits → Google Sheets

---

Étapes

Trigger — Schedule by Zapier

Configurez un bloc Schedule by Zapier :

• Frequency : Custom Frequency
• Frequency Type : Monthly
• Interval : 3

---

Calcul des dates

Les requêtes Biron nécessitent des dates explicites. Ce bloc génère dynamiquement les bornes du trimestre précédent à chaque exécution.

Ajoutez un bloc Code by Zapier (Python). Utilisez le prompt suivant pour générer le code, puis collez le résultat dans le bloc :

Rôle : Expert Python pour Zapier.
Objectif : Créer un script de calcul de dates relatives.

Calculer les dates suivantes en gérant les spécificités du calendrier
(années bissextiles, fins de mois) :
- Hier
- Début du trimestre précédent

Sortie : retourner un dictionnaire "output" avec toutes les dates au format YYYY-MM-DD.

---

Requête similarité produits

Cette étape exécute une analyse de similarité produit en NexusQL. Elle identifie les paires de SKUs les plus fréquemment achetées ensemble sur le trimestre écoulé et calcule leur Lift.

Note

Le Lift mesure à quel point deux produits sont achetés ensemble plus souvent qu’on ne le prédirait si leurs achats étaient indépendants. Un Lift supérieur à 1 indique une association significative.

Contrairement aux autres use cases, la requête NexusQL ici n’est pas générée depuis un chart Biron — elle est construite manuellement avec vos connaissances SQL, assistées d’un LLM. Une fois la requête prête, collez-la dans le bloc Biron Query de Zapier et remplacez les dates statiques par les variables produites à l’étape précédente.

Requeête Similarité

-- ============================================================
-- ANALYSE DE CO-ACHAT PRODUITS — Market Basket Analysis
-- Période : 2024-01-01 → 2025-03-17
--
-- Objectif : identifier les paires de produits fréquemment
-- achetées ensemble et mesurer la force de leur association
-- via le lift.
--
-- Lift = (P(A∩B)) / (P(A) × P(B))
--      = co_achats(A,B) × total_commandes / (commandes(A) × commandes(B))
-- Lift > 1 → association positive (au-delà du hasard)
-- Lift = 1 → indépendance
-- Lift < 1 → association négative
-- ============================================================

SELECT
  t1.product_1,
  t1.product_2,
  t1.co_achats                                            AS n_orders_A_B, -- Nb commandes contenant A et B
  t2.transaction                                          AS n_orders_A, -- Nb commandes contenant A
  t3.transaction                                          AS n_orders_B, -- Nb commandes contenant B
  t4.transaction                                          AS n_orders_total, -- Nb total de commandes
  n_orders_A_B / n_orders_A / n_orders_B * n_orders_total AS lift, -- Force de l'association (> 1 = affinité réelle),
  n_orders_A_B / n_orders_total                           AS support_A_B,
  n_orders_A / n_orders_total                             AS support_A,
  n_orders_B / n_orders_total                             AS support_B

FROM

  -- --------------------------------------------------------
  -- BLOC 1 : Paires de produits co-achetés (self-join)
  -- Chaque commande est jointe avec elle-même pour générer
  -- toutes les combinaisons de produits possibles.
  -- La condition t1.product < t2.product garantit que chaque
  -- paire (A, B) n'apparaît qu'une fois (évite (A,B) et (B,A))
  -- --------------------------------------------------------
  ( SELECT
      t1.product AS product_1,
      t2.product AS product_2,
      COUNT( )   AS co_achats
    FROM
      ( SELECT
          DIMENSION( 'order_id' )                                       AS order_id,
          DIMENSION( 'product_name' )                                   AS product,
          METRIC( 'transactions_order_date.billing_n_orders' ) AS trasaction
        FROM
          datamodel
        WHERE
            refDate BETWEEN '2024-01-01' AND '2025-03-17'
          AND product != 'na' -- exclut les lignes sans produit identifié
        GROUP BY
          order_id,
          product ) AS t1

      LEFT JOIN ( SELECT
                    DIMENSION( 'order_id' )                                       AS order_id,
                    DIMENSION( 'product_name' )                                   AS product,
                    METRIC( 'transactions_order_date.billing_n_orders' ) AS trasaction
                  FROM
                    datamodel
                  WHERE
                      refDate BETWEEN '2024-01-01' AND '2025-03-17'
                    AND product != 'na'
                  GROUP BY
                    order_id,
                    product ) AS t2
                ON t1.order_id = t2.order_id

    WHERE
      t1.product < t2.product -- déduplique les paires (A,B) sans DISTINCT
    GROUP BY
      t1.product,
      t2.product ) AS t1
  -- --------------------------------------------------------
  -- BLOC 2 : Fréquence individuelle de product_1
  -- Utilisé pour calculer P(A) dans la formule du lift
  -- --------------------------------------------------------
  LEFT JOIN  ( SELECT
                 DIMENSION( 'product_name' )                                   AS product,
                 METRIC( 'transactions_order_date.billing_n_orders' ) AS transaction
               FROM
                 datamodel
               WHERE
                   refDate BETWEEN '2024-01-01' AND '2025-03-17'
                 AND product != 'na'
               GROUP BY
                 product ) AS t2
             ON t1.product_1 = t2.product
    -- --------------------------------------------------------
    -- BLOC 3 : Fréquence individuelle de product_2
    -- Utilisé pour calculer P(B) dans la formule du lift
    -- Identique au bloc 2, jointure sur product_2
    -- --------------------------------------------------------
  LEFT JOIN  ( SELECT
                 DIMENSION( 'product_name' )                                   AS product,
                 METRIC( 'transactions_order_date.billing_n_orders' ) AS transaction
               FROM
                 datamodel
               WHERE
                   refDate BETWEEN '2024-01-01' AND '2025-03-17'
                 AND product != 'na'
               GROUP BY
                 product ) AS t3
             ON t1.product_2 = t3.product
    -- --------------------------------------------------------
    -- BLOC 4 : Volume total de commandes (scalaire)
    -- CROSS JOIN car c'est une valeur unique à propager
    -- sur toutes les lignes — dénominateur commun du lift
    -- --------------------------------------------------------
  CROSS JOIN ( SELECT
                 METRIC( 'transactions_order_date.billing_n_orders' ) AS transaction
               FROM
                 datamodel
               WHERE
                   refDate BETWEEN '2024-01-01' AND '2025-03-17'
                 AND DIMENSION( 'product_name' ) != 'na' ) AS t4

-- --------------------------------------------------------
-- FILTRE : seuil de support minimum à 10%
-- Élimine les associations anecdotiques qui feraient
-- exploser le lift sur des produits très peu achetés.
-- Ajuster selon le besoin (0.01 = 1%, 0.001 = 0.1%)
-- ---------------------------------------------------------
WHERE
    support_A_B > 0.01
  AND support_A > 0.01
  AND support_B > 0.01

ORDER BY
  n_orders_A_B DESC

Les données retournées couvrent :

Colonne	Description
Produit A	Premier SKU de la paire
Produit B	Second SKU de la paire
Lift	Score d’association entre les deux produits
Commandes communes	Nombre de commandes contenant les deux produits

Attention

Dans le champ “If multiple search results are found”, sélectionnez “Return all results as line items” — la requête retourne une ligne par paire de produits.

---

Alimentation — Google Sheets

Avant de configurer le bloc Zapier, préparez votre fichier :

1. Créez un nouveau Google Sheet dans votre Drive
2. Sur la première ligne, renseignez les en-têtes de colonnes : Produit A, Produit B, Lift, Commandes Communes

Ajoutez ensuite un bloc Create Multiple Spreadsheet Rows dans Zapier et configurez :

• Spreadsheet : sélectionnez le fichier créé ci-dessus
• Worksheet : la feuille cible
• Colonnes : liez chaque colonne aux champs correspondants issus de la requête Biron

---

Résultat attendu

Chaque trimestre, votre Google Sheet est automatiquement alimenté avec les paires de produits les plus associées sur la période écoulée. Vous disposez d’une base prête à l’emploi pour alimenter vos décisions de merchandising, vos recommandations produit ou la construction de bundles.