Yelloh! Village réussi à automatiser le pilotage des réservations avec Power BI

Notre équipe Datasulting a accompagné Yelloh! Village pour automatiser le pilotage des réservations et transformer ce suivi en un pipeline automatisé et fiable.

Avec 100 campings répartis en France, mais aussi en Espagne et au Portugal, Yelloh! Village est un acteur solide de l’hôtellerie de plein air.

Comme beaucoup d’organisations qui grandissent vite, le réseau s’est retrouvé avec un système d’information construit par couches successives. Résultat : une donnée difficile à tracer, des écarts de chiffres qui posent question, et un rapport de pilotage stratégique encore construit à la main.

Yelloh! Village, dont le siège est basé à Aigues-Mortes, réunit 47 salariés fixes au niveau central et environ 5000 équivalents temps plein, dont 70% de saisonniers dans les campings. Le réseau a réalisé 322 millions d’euros de chiffre d’affaires en 2024. Il compte une centaine de villages, majoritairement en France, avec une présence en Espagne et au Portugal, et prépare son développement en Croatie, en Crète et en Italie.

Chaque camping du réseau dispose de son propre système de gestion, mis à disposition par un même éditeur. Les données remontent ensuite vers un entrepôt central, puis sont extraites une seconde fois vers un prestataire basé en Tunisie, qui produit les rapports finaux. À chaque étape, des filtres et des transformations sont appliqués, sans documentation. Le résultat : un effet boîte noire. Les équipes métier voient des chiffres qui ne correspondent pas à ceux remontés par les campings, sans pouvoir expliquer pourquoi.

Pour y voir plus clair, un Diagnostic data IA a permis de recenser l’ensemble des cas d’usage du réseau, réunis en six grandes thématiques : self-service BI, reporting et pilotage, connaissance client, intelligence artificielle, data science et web dynamique. Parmi eux, un chantier a été priorisé par la direction : automatiser le rapport de pilotage des campings, surnommé en interne « village en retard », qui identifie les campings en décalage sur leurs réservations par rapport aux années précédentes.

Jusqu’ici, ce rapport d’une trentaine d’indicateurs était reconstruit à la main dans Excel toutes les deux semaines, pour une demi-journée à une journée de travail à chaque fois. L’objectif de la mission : bâtir un pipeline automatisé reproduisant ce tableau dans Power BI, à partir de quatre sources de données.

Ces sources couvrent les indicateurs d’activité par camping (nuits et séjours réservés, chiffre d’affaires, taux d’occupation), les avis clients collectés sur Google, Tripadvisor et le site web, les périodes d’ouverture et de fermeture de chaque village, ainsi que les statistiques de fréquentation du site via Google Analytics 4. Cette dernière source posait une difficulté particulière : les données peuvent être ajustées rétroactivement jusqu’à trois jours après leur date d’analyse. Comme le client ne disposait pas des ressources internes pour créer la requête permettant de les figer, notre équipe s’en est chargée, avec une actualisation programmée chaque nuit via BigQuery.

Les données sont ensuite transformées grâce à des dataflows, qui allègent le rapport final et peuvent être réutilisés pour d’autres besoins. Autre avantage : si l’actualisation d’un dataflow échoue une nuit, le rapport reste disponible avec les dernières données valides, sans interruption pour les utilisateurs. Un incident d’actualisation sur la source Google Analytics a d’ailleurs nécessité de basculer vers un compte de service dédié pour stabiliser le processus.

Trois ajustements métier ont aussi été nécessaires : reconstituer les indicateurs de saison globale à partir des données de basse et haute saison, fusionner deux villages dont l’un était en réalité une sous-partie de l’autre, et créer un dataflow supplémentaire pour un indicateur de chiffre d’affaires sur l’année précédente. Pour la gouvernance, deux espaces de travail distincts ont été mis en place : un pour la préparation des données, un pour la consommation des rapports.

Le rendu final reprend volontairement la structure du tableau Excel existant, à la demande du directeur, habitué à ce format. Une page complémentaire a néanmoins été livrée pour proposer de nouvelles pistes de visualisation, histoire de donner des idées pour la suite.

La collaboration s’est appuyée sur des points hebdomadaires réguliers, avec des interlocuteurs réactifs sur les échanges techniques. Le processus manuel de reconstruction du rapport, qui mobilisait jusqu’à une journée complète toutes les deux semaines, laisse désormais place à une mise à jour automatisée. Le cahier de tests fourni a permis de valider chaque indicateur avant la mise en production, et la passation s’est déroulée dans de bonnes conditions, avec un client satisfait du résultat.