Aller au contenu principal

L’intelligence géographique au service de l’implantation des crèches

Comment l'exploitation de données quantitatives peut-elle permettre l'identification de zones pertinentes pour l'implantation des crèches ?

L’intelligence géographique est l’exploitation des données de localisation et de territoire réalisée dans le but de permettre à des acteurs de générer de l’information approfondie sur leur marché par le biais d’analyses spatiales. Véritable outil d’aide à la décision, l’étude des éléments territoriaux permet la création de cartes interactives afin de visualiser les relations entre différentes métriques dans un espace physique et combine des données internes à des données exogènes, telles que la croissance économique ou la démographie. De nombreux problèmes peuvent être traités avec l’intelligence géographique, tels que le marketing géographique, l’implantation des réseaux, la planification des flux ou l’optimisation de la vente au détail.

La planification de site – processus de recherche d’optimisation de l’emplacement de son prochain site – est un défi pour toute entreprise ou tout organisme publique ayant une présence physique (bureaux, locaux, usines …). La majorité de ces entités s’appuie sur des études de marché longues et couteuses, ce qui peut se révéler compliqué lorsque plusieurs nouveaux emplacements sont requis. Puisque cette recherche s’appuie sur des éléments quantitatifs, comment la data science – avec l’utilisation de l’intelligence géographique – pourrait-elle contribuer à l’automatisation et l’analyse de ce sujet important ?

Les facteurs pouvant être exploités afin de déterminer l’attractivité globale d’un secteur peuvent être économiques, socio-démographiques, ou basés sur la proximité et les activités des concurrents potentiels. En identifiant les données pertinentes et en développant des moyens d’automatiser certains processus, il devient possible d’identifier des zones spécifiques, contribuant à l’essor de certaines activités. C’est ce que nous avons voulu réaliser avec le bot « Intelligence géographique au service de l’implantation des crèches ».

 

Le contexte des crèches en France

En France, trouver une crèche pour son enfant peut être une tâche laborieuse : les listes d’attente sont souvent longues. Par exemple, le nombre de places disponibles en 2018 était de 56.6 places par 100 enfants de moins de 3 ans. De plus, de grandes disparités sont présentes entre les territoires, avec des capacités qui varient de 10 places en Guyane à près de 92 places (par 100 enfants de moins de 3 ans) en Haute-Loire. Paris et Hauts-de-Seine ont les plus grandes capacités d’accueil, avec 67 et 63 places respectivement par 100 enfants de moins de 3 ans. Cette disparité entre l’offre et la demande rend intéressante la possibilité pour de nouvelles crèches de pénétrer le marché.

 

Méthodologie

Le but de notre bot est de créer un environnement interactif où les utilisateurs peuvent visualiser des endroits potentiellement attrayants pour de nouveaux locaux. Dans le cadre de notre analyse, réalisée en tant que Preuve de Concept (POC), le périmètre géographique est limité à la ville de Bordeaux mais peut aisément être étendu à n’importe quelle autre ville ou zone géographique.

Les données nécessaires à la réalisation de ce bot ont été collectées à partir de sources variées : les noms et géolocalisations des crèches existantes, les types des crèches (privées, publiques, assistantes maternelles …) et les capacités d’accueil ont été récupérés en ligne grâce à la technique de web-scraping, tandis que les données économiques et socio-démographiques proviennent de sites d’open data, hébergés par diverses institutions gouvernementales. Le croisement de ces différentes sources de données permet une meilleure valorisation du territoire.

Les analyses portant principalement sur le calcul et la visualisation de données géospatiales ont été réalisées avec l’utilisation d’une base de données PostGis et d’un géo-serveur. Ceux-ci ont permis la création d’une grille hexagonale sur Bordeaux à une échelle plus fine que la maille IRIS . Le choix de cette échelle permet d’éviter de proposer des indicateurs sur un secteur trop grand qui ne serait pas adaptés aux acteurs s'intéressant généralement à des secteurs plus spécifiques comme les rues ou les coins de rues. La ville étant divisée en ces nouvelles zones, des statistiques économiques et socio-démographiques ont été recalculées sur la nouvelle grille obtenue, servant d'inputs pour les différents scores.

 

Scores

Trois scores spécifiques ont été créés afin de quantifier l'attractivité de chaque zone pour l’implantation d'une nouvelle crèche :

  • Score de l’offre et de la demande : mesure du nombre de places en garderie par rapport au nombre d’enfants dans une zone spécifié. Cette mesure prend en compte les scores des zones voisines dans un système de pondération valorisant des distances. Son objectif est de déterminer l’attrait potentiel d’ouvrir une garderie et est seulement basé sur les compétiteurs et la démographie.
  • Score économique : mesure de la richesse propre à une zone, il sert à quantifier le pouvoir d'achat de la population.
  • Score d'antenne : mesure du nombre d'antennes de télécommunication à proximité d'une zone donnée, ce score sert à mettre en garde les entreprises contre l'ouverture de garderies à une distance définie de l'hexagone susmentionné.

Enfin, le score global est dérivé d'une formule mathématique qui prend en compte le score de l'offre et de la demande, ainsi que le score économique pour calculer l'attrait potentiel global d'une région.

  • Cliquez ici pour accéder à une version en ligne du Bot - L’intelligence géographique au service de l’implantation des crèches
L'intelligence géographique au service de l'implantation des crèches
L'intelligence géographique au service de l'implantation des crèches

L’expertise de Sia Partners en intelligence géographique

Sia Partners a développé une forte expertise dans l'exploitation de données territoriales. Certains cas d’usages sont disponibles sur notre showroom en ligne. Le bot « Move's impact on daily commute time » calcule l'impact du temps de trajet sur les déplacements quotidiens des employés en cas de relocalisation d'une entreprise. Plusieurs concepts similaires à ceux utilisés par le bot « L’intelligence géographique au service de l’implantation des crèches » y sont appliqués. On retrouve la cartographie de potentiels nouveaux espaces de bureaux et les adresses d’employés, des calculs de distances et de la durée des déplacements, ainsi qu’un tableau de bord qui présente différents résultats et scénarios basés sur les analyses.

Le bot « forecast availability » permet de cartographier les places de parking au Luxembourg et de visualiser les prévisions de taux d'occupation calculées à partir des données historiques, des prévisions météorologiques, des événements proches et des données de trafic.

Ces projets montrent qu'il est possible pour différents acteurs de tirer de véritables enseignements lorsque les données géographiques sont croisées avec d'autres types de données (données de séries temporelles, données de marché, données socio-économiques, données météorologiques, etc.)

 

D’autres applications possibles

Le croisement de données informationnelles et géographiques ouvre le champ des possibles pour des entités privées ou publiques. Grâce à la disponibilité de données sociodémographiques en Open data, toute donnée privée ou exclusive peut être enrichie de son contexte sociodémographique ou économique. Par exemple, une banque souhaitant optimiser son réseau de guichets automatiques peut exploiter les données sur les habitudes d'utilisation de ses clients, les bénéfices générés ainsi que d’autres variables endogènes.

Les franchiseurs peuvent également utiliser cette technologie pour localiser de nouveaux emplacements stratégiques grâce à la combinaison de données spatiales internes sur les habitudes de consommation de leurs franchisés actuels, les emplacements actuels des franchisés, les emplacements des concurrents et les données socio-économiques appliquées par zone. En outre, avec la disponibilité de données internes tel que le chiffre d’affaire, cet exercice pourrait facilement être converti en problème supervisé. La variable citée ci-dessus servirait de variable cible, tandis que toutes les autres variables explicatives qui décrivent un emplacement seraient utilisées enfin d’entraîner le modèle. Ce modèle s'appliquerait aux nouvelles zones afin de générer un revenu prédit, qui pourrait ensuite être utilisé pour générer un score.

Les progrès réalisés dans les études prévisionnelles, notamment grâce à des modèles tels que le boosting ou les réseaux de neurones, font en sorte qu’une transformation du problème en modèle supervisé pourrait donner des résultats intéressants.

Ces stratégies sont analogues au sujet de l’implantation des crèches, ce qui montre que les concepts techniques employés peuvent être transposés à d’autres secteurs ou d’autres cas d’usages similaires.

 

[1] https://www.caf.fr

[2]   L'Iris est l'unité fondamentale pour la diffusion des données infra-municipales en France. Ces unités doivent respecter des critères géographiques et démographiques et avoir des frontières clairement identifiables et stables à long terme. Les villes de plus de 10 000 habitants et une grande partie des villes de 5 000 à 10 000 habitants sont divisées en plusieurs unités IRIS. Cette séparation représente une division du territoire. La France est composée d'environ 16 000 IRIS, dont 650 dans les départements d'outre-mer. Par extension, afin de couvrir l'ensemble du pays, toutes les villes non divisées en unités IRIS constituent des unités IRIS en elles-mêmes. (Insee.fr)

[3] https://datascience.sia-partners.com/en/bot/moves-impact-daily-commute-time

[4] https://datascience.sia-partners.com/en/bot/forecast-parking-lot-availability

Si vous souhaitez en savoir plus sur nos solutions d'IA, rendez-vous sur notre site web Heka : https://heka.sia-partners.com/

Examen approfondi La contribution de l'IA en tant que source de retour clients
#Marketing & Customer experience #Machine Learning

IA et Ecoute clients : le NPS est-il dépassé ?

A Twitter vision on the campaign for the mayor of Paris
#Government #Data Capture #Deep Learning #Machine Learning

La course pour la mairie de Paris vue depuis Twitter

Foot_img

Dénicher les stars du football de demain via l'intelligence artificielle