Retour à la liste
  • Articles de blog
  • Stratégie data

Réduire le temps d’attente de ses visiteurs grâce à la data !

20 avril 2020

Quels sont les enjeux de nombreux lieux touristiques ?

Châteaux, monuments historiques ou religieux, musées, places ou même jardins, notre capitale regorge de sites plus prisés et incontournables les uns que les autres et des millions de touristes affluent chaque année pour les visiter.

La renommée croissante de certains lieux culturels et le développement du tourisme international génèrent un afflux de visiteurs croissant dans des lieux historiques. De plus en plus de directeurs de lieux touristiques sont confrontés aux problématiques de l’attente et des flux sur les sites. On peut ainsi voir des files d’attente qui peuvent atteindre 5 heures dans les musées les plus prisés en période d’affluence.

Les grands musées parisiens ne sont pas en reste eux non plus et sont fortement impactés par ce flot grandissant de visiteurs. L’un d’entre eux a donc fait appel à Datasulting pour gérer au mieux son parcours client (en savoir plus). Leurs objectifs étaient :

  • La « promesse client » de ne pas faire la queue
  • La volonté d’accueillir plus de visiteurs

Pourquoi ont-t-ils fait appel à Datasulting ?

Afin d’atteindre ces objectifs, notre client a décidé de vendre une partie de ses billets en ligne. A l’issue de l’achat de son e-billet, le visiteur reçoit également un créneau horaire pour valider son entrée sur place. Au-delà de l’heure donnée, le visiteur perd la validité de son billet. Ce système permet de :

  • Lisser les flux de visiteurs du musée sur la journée.
  • Minimiser le temps d’attente au passage en caisse et pour la validation des billets

La contrainte de ce système, c’est qu’il nécessite d’anticiper le nombre de visiteurs à chaque instant afin de vendre le bon nombre de billets et de garantir la promesse de rentrer sans faire la queue.

Notre client a donc fait appel à nous pour définir le quota de billets à vendre en ligne pour pouvoir garantir à ses visiteurs 30 minutes maximum d’attente. Il faut pour cela prédire l’affluence de visiteurs spontanés chaque jour et à chaque heure, ainsi que les ventes en ligne de billets à la demi-heure près.

Datasulting, au-delà de ses compétences en Data Science, s’intéresse également aux problématiques plus spécifiques de gestion des flux de personnes dans les lieux qui reçoivent un grand nombre de visiteurs (grande distribution, parcs, musées, etc…). La connaissance métier est un élément déterminant permettant d’adresser le sujet avec un avis éclairé sur les possibilités d’une valorisation efficace et opérationnelle des données, impliquant une approche sur mesure.

Comment avons-nous collaboré avec notre client ?

Il est important pour nous, au début de chaque nouveau projet, de bien comprendre le métier et les enjeux de notre client. Cela passe par l’exploration de son contexte, ses objectifs, ses contraintes, ses intuitions et les éléments disponibles au cours de nombreux échanges. Nous avons également organisé une visite sur place pour comprendre le fonctionnement de son parcours visiteur, étudier les flux clients en place et les problématiques d’accueil.

A la suite de cette visite, notre équipe a dressé, en collaboration avec le client, une liste des facteurs pouvant influencer la fréquentation de son musée. Le but étant de comprendre leur impact sur l’affluence du musée pour mieux prédire le nombre de visiteurs selon les périodes de l’année. Parmi ces facteurs, nous avons notamment intégré :

  • La météo
  • Les vacances scolaires françaises
  • Les vacances scolaires des pays étrangers les plus représentés parmi les visiteurs
  • Les jours fériés et ponts

Ces données ne sont pas en possession du client. En revanche, elles peuvent facilement être récupérées sur des sites permettant d’accéder à la donnée sous forme d’Open Data. Il s’agit de données auxquelles l’accès est public et libre de droit, au même titre que leur exploitation et leur réutilisation.

Nous avons ainsi pu combiner les jeux de données de notre client concernant son historique des ventes de billets et ses données publiques. Grâce à des outils de Machine Learning (apprentissage automatique), nous avons pu établir des prévisions d’affluence à court et moyen terme et ainsi de définir le quota de e-billet horodatés à vendre par créneaux horaires de manière optimale.

Quels moyens et outils avons-nous utilisé ?

  • Pour la collecte de données

Avant d’établir les prédictions, nous nous sommes assurés avec le client de la qualité de ses données lors de leur collecte. Plus leur qualité est grande, mieux nous pouvons exploiter leur potentiel. Dans le cas du musée en question, nous avons effectué un gros travail de « nettoyage » des données provenant de différentes sources, saisies à la fois manuellement et stockées dans des fichiers XLS mais également provenant de logiciels métier (billetterie et logiciel de comptage des visiteurs par exemple).

En parallèle, nous avons extrait les Open Data correspondant aux mêmes périodes que les données que nous avons collectées avec notre client. Ces Open Data sont disponibles sous plusieurs formats confortables et modifiables comme json, csv, etc… Nous avons choisi le format qui nous convient le mieux pour nos outils d’analyse et de visualisation des données.

  • Pour la visualisation des données

Nous nous sommes basés sur un outil de visualisation permettant de nettoyer et structurer l’ensemble des données. Dans ce contexte précis, nous avons utilisé le logiciel de visualisation des données Power BI de Microsoft. A l’issue de leur préparation, nous avons pu partager avec le client des visualisations, des graphiques et des infographies de ses données.

Nous avons travaillé avec le client par itérations, et avons ainsi construit avec lui les visualisations des données. Le client sera ainsi en mesure de réutiliser ces visualisations et de les réactualiser dans le futur avec de nouvelles données.

  • Pour nos algorithmes de Machine Learning

Afin de prédire l’affluence des visiteurs au musée selon les créneaux de la journée, nous avons utilisé des algorithmes de Machine Learning lancés sur des logiciels spécialisés. Pour ce projet, nous avons choisi le logiciel R et sa bibliothèque de fonctionnalités H2O. Ces logiciels sont adaptés à la modélisation du comportement client.

Qu’avons-nous livré à notre client ?

A la fin du projet, nous avons pu fournir au client les quotas de vente de e-billets par tranches de 30 minutes. Le client est ainsi en mesure de minimiser le temps d’attente en caisse et de lisser l’affluence des visiteurs au musée en jouant sur les différents canaux et parcours de prise en charge à l’accueil du musée.

Quels livrables ?

  • Un fichier Excel qui contient les quotas de billets à mettre en vente sur le site internet par tranche de 30 min avec une vision à 1 an. Ces quotas permettent d’atteindre un nombre optimal de visiteurs dans le futur.
  • Des visualisations interactives sous Power BI sur les comportements et l’affluence des visiteurs en fonction des facteurs clés préétablis.
  • Un script pour le logiciel R qui permet d’actualiser les données actuelles avec de nouvelles pour lancer le calcul de nouveaux quotas de billets sur le long terme.

Accompagnement post mission

A la clôture du projet, nous avons fourni au client tous les outils utilisés pendant la réalisation du projet. Le client pourra réutiliser et améliorer ses résultats en les relançant avec ses futures données d’affluence et l’Open Data qu’il pourra collecter à partir des sources que nous lui avons également fournies. Nous l’accompagnons également dans la mise à jour de l’algorithme pour maintenir sa performance dans l’année qui suit.

Vous souhaitez en savoir plus sur l’offre Stratégie data ?

Cabinet de conseil spécialisé dans l’analyse, l’exploitation et la valorisation des données depuis 10 ans.

Nous sommes implantés à Montpellier et Paris et intervenons sur toute la France.

Siège social : 187 rue Hélène Boucher, 34170 Castelnau-le-Lez