Comment la data science sauve le début de vos vacances
Vous la sentez, cette bonne odeur? La bonne odeur de l’herbe fraîchement coupée, de la pluie d’été sur les pavés brûlants de la terrasse, du rosé qu’on partage, de la crème en flacon bleu qu’on étale sur les premiers coups de soleil? Les beaux jours sont là et, avec eux, l’envie imminente de partir en vacances, de lever les voiles et de prendre le premier vol pour une destination exotique.
Dans quelques semaines — jours, peut-être — vous passerez les portes vitrées d’un aéroport, traverserez le hall des départs en zigzagant entre trolleys, sacs à dos Cars et Reine des Neiges, et… vous vous arrêterez devant les portiques de sécurité. Dans cette longue, dans cette interminable file de voyageurs impatients et irrités. Les enfants jouent à passer sous les bandes de séparation, les bébés perdent leur doudou, les mères remontent la file comme des saumons remontent le courant pour le retrouver, les pères s’énervent à genoux devant les sacs grand ouverts à la recherche du flacon de déodorant de madame qu’il faut emballer dans un petit sac transparent en plastique. Et vous regardez l’heure avancer sans pouvoir la retenir : chaque minute qui disparaît, c’est une gorgée de frappuccino caramel que vous ne pourrez pas savourer dans le terminal comme vous en aviez rêvé.
Vous n’êtes pas le seul à trouver que ce prélude à vos vacances est infernal. Au même moment, à quelques dizaines de mètres, posté dans son bureau qui surplombe les pistes d’atterrissage, le responsable de la sécurité se confond en excuses auprès de son directeur général qui lui rappelle à quel point la fluidité des passagers est capitale pour l’image de son aéroport. Et la sécurité, il y a pensé ? Tous ces gens réunis dans 100 m2 ! Pourquoi avoir programmé si peu d’agents de sécurité ? Où avait-il la tête ?
Notre responsable de la sécurité est effectivement face à un problème, un problème que rencontrent aussi les directeurs stratégiques de cinémas, péages autoroutiers, de stades de foot, de salles de concert, de parcs d’attraction, de festivals… Le problème, c’est que toutes les organisations ne peuvent avoir une vue claire et précise sur le taux d’affluence de leurs portiques de sécurité. Malgré les pré-réservations et les données historiques qui peuvent aider à déterminer le taux de fréquentation, il reste une marge d’erreur qui peut ruiner le début de vos vacances ou la journée d’un directeur de la sécurité.
Les aéroports reçoivent les listes de passagers 4 heures avant le vol, mais doivent pourtant programmer leurs agents de sécurité un mois à l’avance. De même, un festival connaît certes le nombre de personnes attendues, mais ne connaît pas avec certitude les va-et-vients des festivaliers. Un cinéma postera des agents de sécurité aux heures de pointe, mais ne pourra prévoir qu’une drache nationale poussera toutes les familles à une séance de 14h alors qu’il avait prévu un creux à cette heure-là.
Face à cette problématique, les organisations mettent en place des méthodes statistiques basées sur des données historiques. Ces méthodes se basent sur des moyennes mathématiques et une connaissance profonde du métier. Elles peuvent être améliorées avec l’aide d’un data scientist qui va intégrer d’autres types de données et appliquer sur ce nouvel ensemble de données des algorithmes. Ces algorithmes vont tourner, tourner encore, jusqu’à l’obtention d’un modèle adéquat. Pour vérifier que le modèle fonctionne, on le testera sur des données historiques et on continuera à “le faire apprendre” sur les données futures, comme un étudiant qui apprend chaque jour quelque chose de nouveau et qui, chaque jour, le remet en perspective avec tout ce qu’il a appris jusque là.
Quelles peuvent être les nouvelles données qu’un data scientist intègre à des données historiques?
- celles des impondérables propres au métier (une barrière de parking de l’aéroport qui se bloque et qui retarde un groupe de voyageurs, une déviation dans le quartier d’une salle de concert qui dévie le flux des voitures, la sortie du nouveau film des studios Disney qui va attirer un public précis qui aura besoin de se dégourdir les jambes après 45 minutes de projection, etc.)
- celles des données géolocalisées (celles des opérateurs téléphoniques, des tweets, etc.)
- celles des données publiques, le fameux “open data” (celles de la météo, des congés scolaires, des horaires des transports en commun, etc.)
Le secret de la réussite d’un tel projet se trouve dans la collaboration avec le professionnel qui saura emmener le data scientist dans les subtilités de son métier. Le data scientist aura le regard neuf, vierge et enthousiaste devant un problème nouveau à régler. Le professionnel sera le fournisseur de données historiques, le guide éclairé du domaine et l’oeil critique du modèle.
En collaborant avec un data scientist, les directeurs d’organisations peuvent désormais prédire avec davantage de précision le taux d’affluence à des passages critiques d’un parcours emprunté par des utilisateurs, prévoir idéalement le nombre d’agents de sécurité et assurer à leurs usagers la protection et le confort nécessaires. Et, ce faisant, un frappuccino caramel confortablement installé dans le terminal pour célébrer le début des vacances!
