Projet de fin d'études

Prévision de la demande dans un centre sportif pendant la pandémie de COVID-19

Master en cybersécurité et intelligence des données

Indice

Introduction

Le traitement des données est un processus métier essentiel pour prendre des décisions plus éclairées. En particulier, l'utilisation de données historiques pour créer des modèles prédictifs permet aux entreprises de… prendre des décisions en prévision des événements. En cette période particulièrement incertaine en raison de l'impact de la COVID-19, la capacité d'estimer ce qui va se passer revêt une importance accrue pour faciliter la prise de décision et assurer la continuité de l'entreprise.

Ce mémoire de maîtrise intègre ce traitement et cette modélisation des données pour prédire l'évolution du nombre de membres du centre sportif Radazul, un centre sportif situé sur l'île de Tenerife.

Contexte

Ce mémoire de master présente la partie finale d'un vaste projet d'audit de données mené au sein de ce centre sportif par une équipe de ce département composée de Carlos Alberto González, Ginés León, Erika Herrera, Samuel Tarif et l'auteur de ce mémoire de maîtrise (Carlos DomínguezEn résumé, ce projet :

Guidé par le Carte BOB, un étude des possibilités offertes par le centre en fonction de l'utilisation des données. L'enquête a débuté par l'examen du logiciel utilisé par le centre pour enregistrer son activité.
Une solution basée sur l'automatisation robotisée des processus (RPA) a été mise en œuvre pour le extraction automatique des données via l'interface graphique du logiciel.
Des exportations périodiques de données comptables issues du logiciel ont été identifiées et sont envoyées à un cabinet de conseil.
Des tableaux de bord ont été créés pour comparer les informations exportées du logiciel avec celles fournies par le cabinet de conseil, afin de garantir la concordance des données et de permettre à l'entreprise de contrôler ces informations.
La base de données du logiciel a été identifiée et consultée ; il a donc été possible dès lors d'extraire des informations du logiciel à tout moment, afin que le contrôle de son activité offert à l'entreprise soit toujours à jour.
Des tableaux de bord ont été créés pour comparer les informations déjà disponibles avec celles extraites de la base de données afin de garantir leur exactitude.
De plus, à cette époque, on avait accès à une grande variété de données provenant du centre, ce qui permettait de réaliser tableaux de bord sur divers sujets utiles à la prise de décision y suggérer des améliorations aux processus de l'entreprise afin que vous ayez un meilleur contrôle de votre activité.
Un système a été mis en place pour envoyer quotidiennement par courriel des résumés des activités d'intérêt.
Enfin, dans le cadre de ce mémoire de maîtrise, il a été Ils ont développé des modèles prédictifs pour l'évolution de la demande de cotisations au centre.

Résumé du projet

Puisque les données à prédire concernent le nombre de nouveaux membres au fil du temps, la première partie de ce mémoire de master présente les fondements théoriques de ce type de données : les séries temporelles. Elle aborde également la théorie des modèles prédictifs utilisés, allant des modèles statistiques tels que ARIMA ou SARIMAX aux modèles de… Apprentissage profond comme les réseaux neuronaux récurrents ou DeepAR.

Suit une brève description des outils utilisés : SQL Server comme base de données, Python comme langage de programmation et les bibliothèques MXNet et GluonTS pour les modèles. Apprentissage profond pour les séries temporelles, etc.

Les procédés de traitement des données sont décrits ci-dessous. Les tests effectués avec les modèles prédictifs sont détaillés : d’abord, sans tenir compte de l’impact de la COVID-19, afin d’évaluer la suffisance des données pour la poursuite du projet ; ensuite, des prédictions ont été réalisées en intégrant l’année 2020 afin d’anticiper les résultats futurs.

Parmi ces modèles, SARIMAX a donné des résultats très prometteurs pour les données mensuelles. Cependant, ce modèle est gourmand en ressources de calcul pour la prédiction quotidienne de données. Par conséquent, d'autres modèles ont également été testés, sans toutefois obtenir des résultats aussi satisfaisants. Ce résultat était en partie prévisible, étant donné que les modèles de Apprentissage profond Elles fonctionnent mieux lorsqu'elles disposent de plusieurs séries temporelles à partir desquelles extraire des tendances. Par conséquent, Une piste possible pour l'avenir de ce projet serait d'ajouter d'autres séries temporelles. par exemple : le nombre de visites au club au fil du temps, le nombre de réservations, le nombre d'activités, les données météorologiques telles que les précipitations ou le vent, les données de mobilité, etc.