---
title: "Construire un dashboard des ventes d'une boutique en ligne dans Superset"
description: "Découvrez comment construire un dashboard Superset des ventes d'une boutique en ligne : chiffres clés, chiffre d'affaires, produits et fidélité des clients"
url: https://docs.ovhcloud.com/fr/guides/public-cloud/data-platform/tutorials-ecommerce-sales-superset-dashboard
lang: fr
lastUpdated: 2026-10-05
---
> For AI agents: the complete documentation index is available at https://docs.ovhcloud.com/fr/llms.txt, the full documentation bundle is available at https://docs.ovhcloud.com/fr/llms-full.txt.

# Construire un dashboard des ventes d'une boutique en ligne dans Superset

## Objectif

Ce guide vous montre comment transformer les lignes de commande nettoyées d'une boutique en ligne en dashboard Superset : chiffres clés, chiffre d'affaires dans le temps, produits les plus vendus, ventes par pays et fidélité des clients.

C'est la deuxième partie de « [Préparer les commandes d'une boutique en ligne pour un dashboard des ventes](https://docs.ovhcloud.com/fr/guides/public-cloud/data-platform/tutorials-ecommerce-sales.md) ». Superset interroge le Lakehouse via [Trino](https://docs.ovhcloud.com/fr/guides/public-cloud/data-platform/connectors-consumers-trino.md) : tout le SQL de cette page est donc en **dialecte Trino**.

## Prérequis

Pour suivre ce guide, vous devez :

- Disposer de la table `online_retail_ii_clean` dans le dataset `default_dataset` de votre projet, produite par l'action Custom de nettoyage de l'étape 5 du guide « [Préparer les commandes d'une boutique en ligne pour un dashboard des ventes](https://docs.ovhcloud.com/fr/guides/public-cloud/data-platform/tutorials-ecommerce-sales.md#%C3%A9tape-5-nettoyer-les-commandes) ».
- Disposer d'une application Apache Superset connectée à votre projet. Si vous ne l'avez pas encore déployée, suivez le guide « [Déployer Apache Superset sur la Data Platform OVHcloud](https://docs.ovhcloud.com/fr/guides/public-cloud/data-platform/tutorials-install-apache-superset.md) ».
- Disposer du dataset Superset `online_retail_ii_clean`, créé à l'étape 6 du guide « [Préparer les commandes d'une boutique en ligne pour un dashboard des ventes](https://docs.ovhcloud.com/fr/guides/public-cloud/data-platform/tutorials-ecommerce-sales.md#%C3%A9tape-6-connecter-superset) ».

## Ce que vous allez construire

À la fin de cette partie, votre dashboard ressemble à ceci :

![Le dashboard Online store sales terminé dans Superset, avec la ligne des chiffres clés et l'onglet Customers ouvert](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-dashboard.png)
| Section            | Contenu                                                                               |
| ------------------ | ------------------------------------------------------------------------------------- |
| Chiffres clés      | 4 tuiles : chiffre d'affaires net, commandes, panier moyen, clients                   |
| Onglet _Time_      | Chiffre d'affaires net par mois, saisonnalité par année                               |
| Onglet _Products_  | Top 10 des produits par chiffre d'affaires, top 10 des produits par unités vendues    |
| Onglet _Geography_ | Royaume-Uni face au reste du monde, top 10 des pays hors Royaume-Uni, carte du monde  |
| Onglet _Customers_ | 3 tuiles de fidélité, fréquence d'achat, segments de récence, jours entre deux achats |

Chaque graphique suit le même parcours dans Superset : **Charts** > **+ Chart**, choisissez le dataset et le type de graphique, renseignez les paramètres, cliquez sur **Create chart**, puis sur **Save** avec le nom anglais du graphique, indiqué entre parenthèses dans son titre : c'est ce nom qui s'affiche sur le dashboard. Laissez **Add to dashboard** vide : vous créez le dashboard et y ajoutez les graphiques à l'[étape 8](#étape-8-créer-et-assembler-le-dashboard).

:::info
**Remarque :** les montants sont en livres sterling. Pour chaque montant, dans l'onglet _Customize_, réglez **Currency format** sur `GBP` avec la position `Prefix`, pour que les valeurs s'affichent `£18.9M` et non `18.9M £`.
:::

## En pratique

### Étape 1 : créer les datasets clients dans SQL Lab

Les graphiques clients ont besoin d'une ligne par client ou par retour d'un client, ce qu'un graphique ne peut pas calculer à partir des lignes de commande. Vous préparez ces lignes une seule fois, avec deux requêtes enregistrées comme datasets virtuels.

#### Créer le dataset virtuel customer\_summary

1. Ouvrez **SQL** > **SQL Lab**.
2. Sélectionnez votre base de données et le schéma `default_dataset`.
3. Collez la requête ci-dessous et cliquez sur **Run**.
4. Dans la barre d'outils de la requête, cliquez sur l'icône **Save or Overwrite Dataset** et enregistrez le dataset sous le nom `customer_summary`.

```sql
WITH purchase_days AS (
    SELECT DISTINCT customer_id, CAST(invoicedate AS DATE) AS purchase_day
    FROM default_dataset.online_retail_ii_clean
    WHERE customer_id IS NOT NULL
      AND invoice NOT LIKE 'C%'
),
customers AS (
    SELECT
        customer_id,
        COUNT(*)          AS purchase_days,
        MIN(purchase_day) AS first_purchase,
        MAX(purchase_day) AS last_purchase
    FROM purchase_days
    GROUP BY customer_id
)
SELECT
    customer_id,
    purchase_days,
    LEAST(purchase_days, 10)                                   AS purchase_days_capped,
    CASE WHEN purchase_days >= 2 THEN 1 ELSE 0 END             AS is_repeat,
    first_purchase,
    last_purchase,
    date_diff('day', last_purchase, DATE '2011-12-09')         AS days_since_last_purchase,
    CASE
        WHEN date_diff('day', last_purchase, DATE '2011-12-09') <= 90  THEN '1. Active (90 days)'
        WHEN date_diff('day', last_purchase, DATE '2011-12-09') <= 180 THEN '2. At risk (91 to 180 days)'
        WHEN date_diff('day', last_purchase, DATE '2011-12-09') <= 365 THEN '3. Lapsed (181 to 365 days)'
        ELSE '4. Lost (over a year)'
    END                                                        AS recency_segment
FROM customers
```

Le résultat compte une ligne par client identifié : **5 852 lignes**.

![SQL Lab avec la requête customer_summary, l'icône Save or Overwrite Dataset dans la barre d'outils de la requête et les premières des 5.85k lignes de résultat](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-sql-lab-customer-summary.png)
#### Créer le dataset virtuel purchase\_intervals

Répétez ces étapes avec la requête ci-dessous et enregistrez le dataset sous le nom `purchase_intervals`.

```sql
WITH purchase_days AS (
    SELECT DISTINCT customer_id, CAST(invoicedate AS DATE) AS purchase_day
    FROM default_dataset.online_retail_ii_clean
    WHERE customer_id IS NOT NULL
      AND invoice NOT LIKE 'C%'
),
with_previous AS (
    SELECT
        customer_id,
        purchase_day,
        lag(purchase_day) OVER (PARTITION BY customer_id ORDER BY purchase_day) AS previous_purchase
    FROM purchase_days
)
SELECT
    customer_id,
    purchase_day,
    date_diff('day', previous_purchase, purchase_day) AS days_since_previous_purchase
FROM with_previous
WHERE previous_purchase IS NOT NULL
```

Le résultat compte une ligne par retour d'un client : **27 026 lignes**.

:::info
**Remarque :** dans SQL Lab, sélectionnez d'abord le schéma. Sans lui, Trino renvoie `Schema must be specified when session schema is not set`. Vous pouvez aussi préfixer la table, comme dans les requêtes ci-dessus : `default_dataset.online_retail_ii_clean`.
:::

### Étape 2 : ajouter des colonnes calculées à online\_retail\_ii\_clean

Ouvrez **Datasets**, modifiez `online_retail_ii_clean`, puis allez dans l'onglet _Calculated columns_. Pour chaque colonne ci-dessous, cliquez sur **Add item**, puis renseignez son nom et son expression SQL. Commencez par `revenue`, la plus simple. Cliquez sur **Save** une fois les deux colonnes ajoutées.

![La liste des datasets Superset avec online_retail_ii_clean, les deux datasets virtuels et l'icône Edit sur online_retail_ii_clean](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-datasets-list.png)
#### Ajouter revenue

| Paramètre      | Valeur             |
| -------------- | ------------------ |
| Column name    | `revenue`          |
| SQL expression | `quantity * price` |

`revenue` est le montant de chaque ligne de commande. Une annulation a une quantité négative, donc un montant négatif : une simple somme donne le chiffre d'affaires net. Tous les montants du dashboard reposent sur cette colonne.

![L'onglet Calculated columns de online_retail_ii_clean avec la colonne revenue et son expression SQL quantity * price](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-calculated-column-revenue.png)
#### Ajouter country\_code

| Paramètre      | Valeur                  |
| -------------- | ----------------------- |
| Column name    | `country_code`          |
| SQL expression | l'expression ci-dessous |

`country_code` convertit le nom du pays en code ISO 3166-1 alpha-3, pour la carte du monde :

```sql
CASE country
    WHEN 'United Kingdom'       THEN 'GBR'
    WHEN 'EIRE'                 THEN 'IRL'
    WHEN 'Germany'              THEN 'DEU'
    WHEN 'France'               THEN 'FRA'
    WHEN 'Netherlands'          THEN 'NLD'
    WHEN 'Spain'                THEN 'ESP'
    WHEN 'Switzerland'          THEN 'CHE'
    WHEN 'Belgium'              THEN 'BEL'
    WHEN 'Portugal'             THEN 'PRT'
    WHEN 'Australia'            THEN 'AUS'
    WHEN 'Italy'                THEN 'ITA'
    WHEN 'Norway'               THEN 'NOR'
    WHEN 'Sweden'               THEN 'SWE'
    WHEN 'Cyprus'               THEN 'CYP'
    WHEN 'Finland'              THEN 'FIN'
    WHEN 'Austria'              THEN 'AUT'
    WHEN 'Denmark'              THEN 'DNK'
    WHEN 'Greece'               THEN 'GRC'
    WHEN 'Japan'                THEN 'JPN'
    WHEN 'USA'                  THEN 'USA'
    WHEN 'Poland'               THEN 'POL'
    WHEN 'United Arab Emirates' THEN 'ARE'
    WHEN 'Israel'               THEN 'ISR'
    WHEN 'Hong Kong'            THEN 'HKG'
    WHEN 'Singapore'            THEN 'SGP'
    WHEN 'Malta'                THEN 'MLT'
    WHEN 'Iceland'              THEN 'ISL'
    WHEN 'Canada'               THEN 'CAN'
    WHEN 'Lithuania'            THEN 'LTU'
    WHEN 'RSA'                  THEN 'ZAF'
    WHEN 'Bahrain'              THEN 'BHR'
    WHEN 'Brazil'               THEN 'BRA'
    WHEN 'Thailand'             THEN 'THA'
    WHEN 'Korea'                THEN 'KOR'
    WHEN 'Lebanon'              THEN 'LBN'
    WHEN 'Bermuda'              THEN 'BMU'
    WHEN 'Nigeria'              THEN 'NGA'
    WHEN 'Czech Republic'       THEN 'CZE'
    WHEN 'Saudi Arabia'         THEN 'SAU'
    ELSE NULL
END
```

### Étape 3 : construire les chiffres clés

Les quatre tuiles utilisent le dataset `online_retail_ii_clean` et le type de graphique _Big Number_.

#### Chiffre d'affaires net (`Net revenue`)

| Paramètre       | Valeur                |
| --------------- | --------------------- |
| Metric          | `SUM(revenue)`        |
| Number format   | `SMART_NUMBER`        |
| Currency format | `GBP`, préfixe        |
| Subheader       | `after cancellations` |

Valeur attendue : **£18.9M**.

![Le graphique Big Number du chiffre d'affaires net avec la métrique SUM(revenue), qui affiche £18.9M](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-net-revenue.png)
#### Commandes (`Orders`)

| Paramètre     | Valeur                                                        |
| ------------- | ------------------------------------------------------------- |
| Metric        | onglet _Simple_ : colonne `invoice`, agrégat `COUNT_DISTINCT` |
| Filters       | _Custom SQL_ : `invoice NOT LIKE 'C%'`                        |
| Number format | `SMART_NUMBER`                                                |

Valeur attendue : **39.5k**.

![Le graphique Big Number des commandes avec la métrique COUNT_DISTINCT(invoice) et le filtre invoice NOT LIKE 'C%', qui affiche 39.5k](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-orders.png)
#### Panier moyen (`Average order value`)

| Paramètre       | Valeur                                                  |
| --------------- | ------------------------------------------------------- |
| Metric          | _Custom SQL_ : `SUM(revenue) / COUNT(DISTINCT invoice)` |
| Filters         | _Custom SQL_ : `invoice NOT LIKE 'C%'`                  |
| Number format   | `,.2f`                                                  |
| Currency format | `GBP`, préfixe                                          |
| Subheader       | `sale invoices, before cancellations`                   |

Valeur attendue : **£497.08**.

![Le graphique Big Number du panier moyen avec sa métrique Custom SQL et le filtre sur les factures de vente, qui affiche £497.08](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-average-order-value.png)
:::warning
N'utilisez pas `AVG(revenue)` pour le panier moyen. Cette métrique renvoie le montant moyen d'une ligne de commande, environ 18,53 £, et non celui d'une commande.
:::

#### Clients (`Customers`)

| Paramètre     | Valeur                                                            |
| ------------- | ----------------------------------------------------------------- |
| Metric        | onglet _Simple_ : colonne `customer_id`, agrégat `COUNT_DISTINCT` |
| Number format | `SMART_NUMBER`                                                    |
| Subheader     | `identified customers`                                            |

Valeur attendue : **5.88k**.

![Le graphique Big Number des clients avec la métrique COUNT_DISTINCT(customer_id), qui affiche 5.88k](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-customers.png)
### Étape 4 : construire l'onglet Time

#### Chiffre d'affaires net par mois (`Net revenue by month`)

| Paramètre       | Valeur                        |
| --------------- | ----------------------------- |
| Dataset         | `online_retail_ii_clean`      |
| Chart type      | _Line Chart_, ou _Area Chart_ |
| X-axis          | `invoicedate`                 |
| Time grain      | `Month`                       |
| Metric          | `SUM(revenue)`                |
| Currency format | `GBP`, préfixe                |

![Le graphique en courbe du chiffre d'affaires net par mois, de décembre 2009 à décembre 2011, avec un pic chaque mois de novembre](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-net-revenue-by-month.png)
#### Saisonnalité par année (`Seasonality by year`)

| Paramètre       | Valeur                                                                |
| --------------- | --------------------------------------------------------------------- |
| Dataset         | `online_retail_ii_clean`                                              |
| Chart type      | _Area Chart_                                                          |
| X-axis          | _Custom SQL_ : `date_format(invoicedate, '%m - %M')`, libellé `month` |
| Dimensions      | _Custom SQL_ : `CAST(year(invoicedate) AS VARCHAR)`, libellé `YEAR`   |
| Metric          | `SUM(revenue)`                                                        |
| Currency format | `GBP`, préfixe                                                        |

Vous obtenez une aire par année. Le numéro du mois en tête de chaque libellé classe les mois dans l'ordre, de janvier à décembre.

![Le graphique de saisonnalité par année avec une série par année, de janvier à décembre](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-seasonality-by-year.png)
### Étape 5 : construire l'onglet Products

Les deux graphiques utilisent le dataset `online_retail_ii_clean` et le type de graphique _Table_. L'action de nettoyage attribue une seule description à chaque code produit : un produit n'apparaît donc jamais deux fois.

#### Top 10 des produits par chiffre d'affaires (`Top 10 products by revenue`)

| Paramètre  | Valeur                           |
| ---------- | -------------------------------- |
| Dimensions | `stockcode`, `description`       |
| Metrics    | `SUM(revenue)`, renommée `total` |
| Row limit  | `10`                             |
| Sort by    | `total`, décroissant             |

Dans l'onglet _Customize_, sous **Conditional formatting**, ajoutez une règle :

| Paramètre    | Valeur          |
| ------------ | --------------- |
| Column       | `total`         |
| Color scheme | `success`       |
| Color type   | couleur de fond |
| Use gradient | oui             |

![Le tableau du top 10 des produits par chiffre d'affaires, avec un dégradé vert sur la colonne total](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-top-products-revenue.png)
#### Top 10 des produits par unités vendues (`Top 10 products by units sold`)

| Paramètre  | Valeur                               |
| ---------- | ------------------------------------ |
| Dimensions | `stockcode`, `description`           |
| Metric     | `SUM(quantity)`, renommée `quantity` |
| Row limit  | `10`                                 |
| Sort by    | `quantity`, décroissant              |

Appliquez la même mise en forme conditionnelle que pour le tableau précédent, sur la colonne `quantity`. Placés côte à côte, les deux tableaux montrent que les produits vendus en plus grand volume ne sont pas ceux qui rapportent le plus.

![Le tableau du top 10 des produits par unités vendues, avec un dégradé vert sur la colonne quantity](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-top-products-units.png)
### Étape 6 : construire l'onglet Geography

#### Royaume-Uni face au reste du monde (`United Kingdom vs rest of world`)

| Paramètre  | Valeur                                                                                               |
| ---------- | ---------------------------------------------------------------------------------------------------- |
| Dataset    | `online_retail_ii_clean`                                                                             |
| Chart type | _Pie Chart_, avec **Donut** activé                                                                   |
| Dimensions | _Custom SQL_ : `CASE WHEN country = 'United Kingdom' THEN 'United Kingdom' ELSE 'Rest of world' END` |
| Metric     | `SUM(revenue)`                                                                                       |
| Label type | `Category and Percentage`                                                                            |

![Le graphique en anneau Royaume-Uni face au reste du monde, avec le Royaume-Uni à 85.43% du chiffre d'affaires](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-uk-vs-rest-of-world.png)
#### Top 10 des pays hors Royaume-Uni (`Top 10 countries outside the United Kingdom`)

| Paramètre  | Valeur                                       |
| ---------- | -------------------------------------------- |
| Dataset    | `online_retail_ii_clean`                     |
| Chart type | _Pie Chart_                                  |
| Dimensions | `country`                                    |
| Metric     | `SUM(revenue)`                               |
| Filters    | _Custom SQL_ : `country <> 'United Kingdom'` |
| Row limit  | `10`                                         |
| Label type | `Category and Percentage`                    |

![Le graphique circulaire du top 10 des pays hors Royaume-Uni, mené par EIRE, les Pays-Bas et l'Allemagne](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-top-countries-outside-uk.png)
#### Chiffre d'affaires par pays (`Revenue by country`)

| Paramètre          | Valeur                      |
| ------------------ | --------------------------- |
| Dataset            | `online_retail_ii_clean`    |
| Chart type         | _World Map_                 |
| Country column     | `country_code`              |
| Country field type | `ISO 3166-1 alpha-3 (cca3)` |
| Metric             | `SUM(revenue)`              |

![La carte du monde du chiffre d'affaires par pays, avec les pays des clients de la boutique colorés](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-revenue-by-country.png)
### Étape 7 : construire l'onglet Customers

Ces graphiques couvrent les clients identifiés et les factures de vente, de décembre 2009 à décembre 2011. La récence se mesure à partir du 9 décembre 2011, le dernier jour des données. Un client revient quand il achète un autre jour : plusieurs factures le même jour comptent pour un seul achat.

#### Taux de clients récurrents (`Repeat customer rate`)

| Paramètre     | Valeur                                 |
| ------------- | -------------------------------------- |
| Dataset       | `customer_summary`                     |
| Chart type    | _Big Number_                           |
| Metric        | _Custom SQL_ : `AVG(is_repeat)`        |
| Number format | `.1%`                                  |
| Subheader     | `customers with two purchases or more` |

Valeur attendue : **71.4%**.

![Le graphique Big Number du taux de clients récurrents avec la métrique AVG(is_repeat), qui affiche 71.4%](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-repeat-customer-rate.png)
#### Nombre médian d'achats par client (`Median purchases per customer`)

| Paramètre     | Valeur                                                 |
| ------------- | ------------------------------------------------------ |
| Dataset       | `customer_summary`                                     |
| Chart type    | _Big Number_                                           |
| Metric        | _Custom SQL_ : `approx_percentile(purchase_days, 0.5)` |
| Number format | `.0f`                                                  |
| Subheader     | `purchases per customer`                               |

Valeur attendue : **3**.

![Le graphique Big Number du nombre médian d'achats par client, qui affiche 3](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-median-purchase-days.png)
#### Nombre médian de jours entre deux achats (`Median days between purchases`)

| Paramètre     | Valeur                                                                |
| ------------- | --------------------------------------------------------------------- |
| Dataset       | `purchase_intervals`                                                  |
| Chart type    | _Big Number_                                                          |
| Metric        | _Custom SQL_ : `approx_percentile(days_since_previous_purchase, 0.5)` |
| Number format | `.0f`                                                                 |
| Subheader     | `days, across all return visits`                                      |

Valeur attendue : **32**.

![Le graphique Big Number du nombre médian de jours entre deux achats, qui affiche 32](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-median-days-between-purchases.png)
#### Clients par nombre d'achats (`Customers by number of purchases`)

| Paramètre    | Valeur                        |
| ------------ | ----------------------------- |
| Dataset      | `customer_summary`            |
| Chart type   | _Bar Chart_                   |
| X-axis       | `purchase_days_capped`        |
| Metric       | `COUNT(*)`                    |
| X-axis title | `Purchases (10 = 10 or more)` |
| Y-axis title | `Customers`                   |

Si les barres sont espacées irrégulièrement, activez **Force categorical** sur l'axe X.

![Le graphique en barres des clients par nombre d'achats, de 1 à 10 achats](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-customers-by-purchase-days.png)
#### Clients par récence (`Customers by recency`)

| Paramètre  | Valeur             |
| ---------- | ------------------ |
| Dataset    | `customer_summary` |
| Chart type | _Bar Chart_        |
| X-axis     | `recency_segment`  |
| Metric     | `COUNT(*)`         |

Les quatre barres totalisent 5 852 clients. Le numéro en tête de chaque segment les classe dans l'ordre, des clients actifs aux clients perdus.

![Le graphique en barres des clients par récence avec ses quatre segments, des clients actifs aux clients perdus](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-customers-by-recency.png)
#### Jours entre deux achats (`Days between purchases`)

| Paramètre  | Valeur                                               |
| ---------- | ---------------------------------------------------- |
| Dataset    | `purchase_intervals`                                 |
| Chart type | _Histogram_                                          |
| Column     | `days_since_previous_purchase`                       |
| Filters    | _Custom SQL_ : `days_since_previous_purchase <= 365` |
| Bins       | `10`                                                 |
| Normalize  | activé                                               |

Le filtre écarte les rares retours après plus d'un an, qui étireraient l'axe et tasseraient toutes les autres barres à gauche.

![L'histogramme normalisé des jours entre deux achats, avec 10 intervalles jusqu'à 365 jours](/images/public-cloud/data-platform/getting-further/ecommerce-sales/picts/superset-days-between-purchases.png)
### Étape 8 : créer et assembler le dashboard

1. Ouvrez **Dashboards** et cliquez sur **+ Dashboard**. Le nouveau dashboard s'ouvre en mode édition.
2. Cliquez sur son titre et renommez-le `Online store sales`.
3. Ajoutez un en-tête `Key figures`, faites glisser les 4 tuiles des chiffres clés depuis le panneau de droite et placez-les sur une même ligne.
4. Ajoutez un en-tête `Trends and breakdowns`, puis un composant d'onglets avec 4 onglets : `Customers`, `Time`, `Products` et `Geography`.
5. Faites glisser chacun des autres graphiques depuis le panneau de droite dans son onglet. Dans l'onglet _Customers_, placez les 3 tuiles sur une même ligne, les 2 graphiques en barres côte à côte et l'histogramme sur toute la largeur.
6. Cliquez sur **Save**.

## Ce que vous avez construit

Vous disposez d'un dashboard qui répond aux questions du responsable d'une boutique en ligne : combien la boutique vend et à combien de clients, comment les ventes évoluent au fil de l'année, quels produits et quels pays comptent, et à quelle fréquence les clients reviennent.

À partir de là, vous pouvez ajouter des filtres de dashboard sur `country` ou sur une période, ou appliquer le même pipeline à vos propres données de commandes. Pour un autre dashboard Superset construit sur la Data Platform, consultez le [cas d'usage FOCUS et Apache Superset](https://docs.ovhcloud.com/fr/guides/public-cloud/data-platform/tutorials-finops-focus-superset.md).

## Aller plus loin

Pour une formation ou une assistance technique sur la mise en œuvre de nos solutions, contactez votre commercial ou consultez la page [Professional Services](https://www.ovhcloud.com/fr/professional-services/) pour obtenir un devis et faire analyser votre projet par nos experts.

Posez vos questions, faites-nous part de vos commentaires et interagissez directement avec l’équipe qui développe la Data Platform sur le [canal Discord](https://discord.gg/ovhcloud) dédié.

Si vous avez besoin d'une assistance concernant vos services OVHcloud, créez une demande depuis notre [centre d'aide](https://help.ovhcloud.com/csm?id=csm_get_help).

Rejoignez notre [communauté d'utilisateurs](https://community.ovhcloud.com/).