Indicateurs clés de performance
Introduction et questions clés
Notre client avait le souhait d’évaluer le modèle d'exploitation de ses salles de sport en suivant la consommation des équipements par les adhérents
Nos équipes ont analysé l’affluence et le taux d’occupation des différents équipements et zones au sein des salles en répondant aux questions suivantes :
- Comment utiliser les caméras disponibles en club pour collecter de la donnée sur la consommation des salles par ses adhérents ?
- Comment l’analyse des flux et des activités pratiquées par les adhérents au cours des jours/semaines peut-elle permettre de faire évoluer le modèle des clubs ?
- Quels scenarii d’optimisation sont envisageables ?
Action #1
Automatisation du téléchargement de vidéos de caméras via API
Nous avons automatisé la récupération des vidéos à intervalles réguliers en nous connectant directement à l’API des caméras de surveillance. La conteneurisation et la distribution de l’application de collecte des données a permis une gestion fluide et sécurisé du téléchargement.
Action #2
Priorisation des caméras à utiliser suivant l'angle de vue et la couverture des zones à analyser
Nous avons évalué les caméras disponibles en fonction de deux critères principaux :
- L’angle de vue : Les caméras avec un angle de vue large ont été privilégiées pour maximiser la couverture des zones
- La couverture des zones : Les caméras couvrant les zones stratégiques à fort trafic ou à forte affluence ont été priorisées afin d’assurer une collecte optimale des données sur les zones critiques
Cette priorisation nous a permis de sélectionner les caméras les plus adaptées aux besoins d’analyse tout en optimisant les ressources disponibles.
Action #3
Définition des zones d'affluence et des équipements à analyser
Lors de cette étape, nous avons défini les zones d’affluence à analyser ainsi que les équipements devant être suivis.
Les zones d’affluence ont été sélectionnées en fonction de la densité de personnes attendue, et de leur importance stratégique dans le parcours client.
De même, les équipements à analyser ont été identifiés incluant des tapis de course par exemple. Ces zones et équipements ont été précisément délimités pour permettre un suivi ciblé et une analyse détaillée.
Action #4
Processing des vidéos
Découpage des vidéos en frame
Nous avons commencé par découper les vidéos téléchargées en frames (images fixes). Cette étape a permis de transformer chaque vidéo en une série d’images permettant une analyse plus précise et plus rapide du contenu vidéo. Nous avons utilisé des outils de traitement d’image pour extraire chaque frame à intervalles réguliers, garantissant ainsi que les données seraient suffisamment représentatives pour l’analyse.
Application du modèle de computer vision
Une fois les frames découpées et les zones définies, nous avons appliqué un modèle de computer vision pour mesurer l’affluence dans les zones d’intérêt. Ce modèle a permis de détecter la présence de personnes dans chaque zone. Le modèle a analysé chaque frame pour identifier les individus et les compter automatiquement, générant ainsi des données précises sur l’affluence et la densité dans les zones ciblées.
Validation des résultats de détection
Une validation des résultats a été effectuée pour s’assurer de la précision des détections. Nous avons comparé les résultats de détection avec des données collectées manuellement pour vérifier la qualité de la détection de personnes dans les frames. Cette étape a permis de garantir que le modèle était bien calibré et que les données obtenues étaient fiables.
Enregistrement des données d’affluence et exportation des résultats
Une fois la détection d’affluence effectuée, nous avons enregistré les résultats sous formes de séries temporelles pour chaque zone définie. Les données regroupaient le nombre de personnes détectées par minute pour chaque zone et équipement
Action #5
Traitement des séries temporelles
Nous avons appliqué des techniques de smoothing pour réduire les fluctuations erronées dans les données. Ce processus a permis d’améliorer la fiabilité des détections en éliminant les bruits de données ou les pics de détection non pertinents. L’utilisation de techniques comme la moyenne mobile a permis de stabiliser les courbes d’affluence et d’obtenir des séries temporelles plus représentatives des tendances réelles.
Action #6
Calcul des taux d’utilisation d’équipements et suivi des affluences à travers un Looker
Nous avons calculé les taux d’utilisation des équipements en fonction du nombre de personnes présentes dans les zones définies et des interactions observées avec les équipements.
Ces taux ont été visualisés dans des dashboards dynamiques sur Looker, permettant de suivre en temps réel l’utilisation des équipements et l’évolution de l’affluence. Ces dashboards ont offert une vue détaillée des zones les plus fréquentées et des équipements les plus utilisés, facilitant ainsi les prises de décisions pour ajuster les stratégies opérationnelles.
Action #7
Passage à échelle du modèle en utilisant GCP
Une fois le modèle développé et validé à petite échelle, nous avons procédé au passage à l’échelle en utilisant Google Cloud Platform (GCP). Cela a permis de traiter une grande quantité de vidéos et de données en temps réel.
Des outils comme Google Cloud Storage, BigQuery, et Vertex AI ont été utilisés pour stocker et analyser les données massives de manière fluide et rapide. GCP a également facilité l’intégration du modèle sur une infrastructure scalable, garantissant des performances optimales à mesure que le volume de données augmentait.
Action #8
Propositions d’optimisation de l’aménagement des zones analysées et ajustement du mix d’équipements
À partir des données d’affluence et des taux d’utilisation des équipements, nous avons élaboré des propositions d’optimisation pour améliorer l’aménagement des zones analysées. Ces propositions incluaient :
- Réagencement des équipements pour améliorer la répartition des flux de personnes et éviter la congestion dans certaines zones
- Modification de la disposition des zones d’affluence pour diriger les flux de manière plus fluide, en tenant compte des comportements observés
- Ajustement du mix d’équipements (ajout ou suppression de tapis de courses, de vélos, etc.) afin de mieux répondre à la demande observée dans les zones analysées.