Construisez le dashboard décrit dans la section "Premier dashboard complet". Suivez la structure en 7 blocs mais écrivez chaque bloc vous-même sans copier-coller.

Le dashboard doit contenir :

1. Configuration — st.set_page_config() avec layout wide
2. Repository — initialisé avec @st.cache_resource
3. Sidebar — filtres région (st.selectbox) et année (st.slider)
4. Données — fonctions de chargement décorées avec @st.cache_data(ttl=300)
5. KPI cards — 4 métriques alignées en colonnes (CA total, nombre de ventes, panier moyen, panier max)
6. Tableau — st.dataframe() interactif avec colonnes renommées
7. Graphique — st.bar_chart() du CA par région

Critères de validation :

• L'application se lance sans erreur avec streamlit run app.py
• Les filtres de la sidebar modifient les données affichées
• Les 4 KPI cards affichent des valeurs cohérentes avec les filtres sélectionnés
• Le tableau est interactif (tri par colonne fonctionnel)
• Le graphique bar chart s'affiche correctement
• Le graphique affiche un message informatif quand le dataset est vide

Commandes de test :

# Lancer l'application
streamlit run app.py

# Vérifier dans le navigateur :
# 1. Changer la région → les KPIs et le tableau se mettent à jour
# 2. Déplacer le slider année → les données changent
# 3. Cliquer sur un en-tête de colonne → le tableau se trie

Ajoutez deux des fonctionnalités suivantes au dashboard de la partie A.

Option 1 — Filtre par catégorie

Ajoutez un st.multiselect() dans la sidebar permettant de filtrer par catégorie de produit. Adaptez les appels au repository en conséquence.

Indice : st.multiselect retourne une liste. Si la liste est vide, affichez toutes les catégories.

Option 2 — Page secondaire « Statistiques »

Créez pages/1_Statistiques.py avec une page dédiée aux statistiques globales :

• Métriques étendues (CA, nombre de ventes, panier moyen, min, max, écart-type)
• Tableau complet get_par_region() avec toutes les colonnes
• Même sidebar de filtres que la page principale

Indice : chaque fichier de page est un script autonome — il peut importer le repository et définir ses propres widgets.

Option 3 — Section debug repliable

Ajoutez un st.expander("Debug — paramètres de requête") en bas du dashboard qui affiche :

• Les filtres actifs (région, année)
• Le nombre de lignes retournées par chaque appel au repository
• Le temps d'exécution des requêtes (utilisez time.time())

Indice : st.expander() crée une section repliable par défaut.

Option 4 — Métrique calculée côté pandas

Ajoutez un st.metric() supplémentaire dont la valeur est calculée directement sur le DataFrame plutôt que retournée par le repository. Par exemple :

• Nombre de régions distinctes dans les résultats filtrés (df["region"].nunique())
• Écart-type des montants (df["montant"].std())
• Pourcentage de ventes au-dessus du panier moyen

Indice : les opérations pandas s'appliquent sur le DataFrame après conversion, avant l'affichage.