← Portfolio de Mamadou Koné

Télécharger le code et les résultats (.zip)

Prévision des ventes quotidiennes de tickets Wi-Fi (Atlas Vigie)

Démonstration de machine learning appliquée sur des données réelles d'exploitation : deux routeurs Wi-Fi de zone (HADJA-WIFI-V10 et V14) qui vendent des tickets d'accès (Mikhmon). Question posée : « Combien de tickets seront utilisés demain, pour planifier le stock de tickets et la trésorerie ? »

Auteur : Mamadou Koné, Atlas Ingénierie et IA. Développé avec l'aide d'un assistant de code (Claude Code) : la conception, les choix de méthode et la lecture des résultats sont les miens.

Résumé des résultats

Routeur Jours évalués Meilleure méthode simple Meilleur modèle ML Verdict
V10 (≈ 63 tickets/j) 51 moyenne mobile 14 j, erreur 16,6 % Random Forest, erreur 21,2 % la méthode simple est meilleure (différence significative)
V14 (≈ 10 tickets/j) 82 moyenne mobile 7 j, erreur 39,1 % Random Forest, erreur 41,4 % équivalents (différence non démontrée)

Conclusion honnête : avec moins de 6 mois d'historique et une demande peu saisonnière, la moyenne mobile bat le machine learning. Le jeu de données ne contient pas assez de signal régulier (jour de semaine, saison) pour justifier un modèle plus complexe. Ce résultat est utile : il évite de déployer un modèle compliqué qui ferait moins bien qu'une règle d'une ligne.

Détail chiffré : results/resultats.md, results/metrics.json ; graphiques : results/prevision_V10.png, results/prevision_V14.png.

Données

Méthode

  1. Cible : tickets du jour J, prévus avec uniquement les ventes jusqu'à J−1.
  2. Caractéristiques : ventes de la veille, de l'avant-veille et de J−7, moyennes mobiles 7 et 14 jours, écart-type sur 7 jours, jour de la semaine (cyclique), début et fin de mois.
  3. Méthodes simples (baselines) : hier, même jour de la semaine précédente, moyennes mobiles 7 et 14 jours.
  4. Modèles ML : Ridge, Random Forest, Gradient Boosting (scikit-learn, graine fixée).
  5. Évaluation : validation glissante (rolling-origin) à 1 jour d'avance, ré-entraînement chaque semaine sur tout le passé, comme en production. Tous les modèles sont comparés sur les mêmes jours.
  6. Métriques : erreur absolue moyenne (MAE, en tickets par jour) et WAPE (somme des erreurs / somme des ventes). L'écart entre le meilleur ML et la meilleure méthode simple est accompagné d'un intervalle de confiance à 95 % (bootstrap par blocs de 7 jours) : une différence dont l'intervalle contient 0 n'est pas considérée comme démontrée.

Rigueur (MLOps de base)

Limites

Pistes suivantes

  1. Ajouter des variables externes (jours fériés ivoiriens, pannes du routeur, nombre d'abonnés) et retester.
  2. Attendre 12 mois d'historique pour mesurer une vraie saisonnalité.
  3. Passer à une prévision avec intervalle d'incertitude (quantiles) plutôt qu'une valeur unique.
  4. Mettre la meilleure méthode en production dans le bilan mensuel d'Atlas Vigie avec un suivi de l'erreur réelle.

Erreurs corrigées en cours de route

Reproduire

pip install -r requirements.txt
python forecast.py
python -m pytest -q

Graphiques

prevision_V10

prevision_V14