Google Trends & Météo – Quand la météo influence les recherches sportives

Contexte et objectif

Dans l’univers du sport et de l’e-commerce, les comportements d’achat sont fortement influencés par la saisonnalité et les conditions météorologiques.

L’objectif de ce projet fictif était de démontrer comment des données accessibles (Google Trends + météo) peuvent être croisées pour :

• identifier des tendances de consommation,
• tester des hypothèses (pluie/froid = plus de sport indoor ?),
• fournir des insights business exploitables pour le marketing sportif.

Méthodologie

1. Collecte des données

• Google Trends via la librairie pytrends, sur 4 mots-clés liés au sport :
  • chaussures running
  • legging sport
  • tapis de course
  • vélo spinning
• Open-Meteo API : températures moyennes et précipitations quotidiennes, agrégées en semaines (ciblé sur Paris dans ce projet fictif).

2. Préparation

• Normalisation des dates (Google Trends → fin de semaine, météo → lundi).
• Agrégation hebdomadaire, avec possibilité de basculer en vue mensuelle dans le dashboard.
• Fusion dans un fichier csv unique.

3. Visualisation

• Développement d’une application Streamlit interactive avec :
  • KPI cards (dernier score, évolution, corrélation météo)
  • Graphiques Trends seul, Météo seule et Superposition
  • Comparaison de mots-clés
  • Corrélation avec décalage (lag) pour mesurer les effets retardés
  • Détection de pics (z-score ≥ 2) pour repérer les anomalies
  • Export CSV possible

Analyses clés

• Évolution des recherches : un score Google Trends (0–100) qui permet de suivre l’intérêt relatif pour chaque produit
• Corrélation météo / recherche : mesure du lien entre pluie/température et les recherches Google
• Lag (décalage) : test de l’influence décalée dans le temps (ex : une hausse de pluie entraîne une augmentation des recherches 2 semaines plus tard)
• Détection de pics (z-score) : repérage statistique des semaines “hors norme”, souvent liées à des événements saisonniers (soldes, rentrée, campagnes marketing)
• Comparaison de mots-clés : ex. chaussures running vs legging sport pour identifier des tendances concurrentes

Technique — Pourquoi ces choix ?

• Python (avec pandas, requests, pytrends) : langage simple et puissant pour manipuler les données. Pandas permet d’agréger et nettoyer efficacement les séries temporelles, tandis que requests et pytrends facilitent la connexion aux API externes (Google Trends, météo).
• Streamlit : pour transformer rapidement le script Python en une application interactive en local. Cela permet de naviguer dans les données sans coder, via une interface claire et moderne.
• Plotly : pour des visualisations dynamiques et esthétiques, avec la possibilité de superposer des courbes, d’ajouter des axes secondaires (Trends ↔ météo).
• API Open-Meteo : une source gratuite, fiable et accessible d’historique météo, parfaitement adaptée à un projet de démonstration fictif.

Étude de cas — « Tapis de course »

Les données

En superposant les recherches Google pour tapis de course avec les données météo, on observe :

• Hiver 2024–2025 : pic exceptionnel d’intérêt (indice 100 en janvier 2025).
• Précipitations : plusieurs semaines pluvieuses précèdent ou accompagnent les hausses de recherches.
• Température : corrélation négative forte (-0,63) → plus il fait froid, plus l’intérêt augmente.
• Pics détectés (z-score ≥ 2) : décembre 2024 et janvier 2025 ressortent comme des anomalies statistiquement significatives.
• Comparaison avec “chaussures running” : profils saisonniers inversés (indoor hiver vs outdoor printemps).

Insight business

Une enseigne pourrait anticiper la demande indoor en lançant ses campagnes et capitaliser sur les épisodes pluvieux pour booster ses ventes de tapis de course. Au niveau des mises en avant (site et magasin) : “tapis de course” en hiver et basculer sur “chaussures running” au printemps. De même pour les campagnes marketing (Ads), capitaliser sur ces mots-clés au bon moment.

Quant au contenu des réseaux sociaux ou « bonus », penser par exemple à créer des guides “s’entraîner chez soi quand il pleut”.

Captures de code app.py et data_fetch.py