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
data/ventes_quotidiennes.csv: une ligne par routeur et par jour (routeur, jour, tickets, montanten FCFA). Extrait des enregistrements Mikhmon des routeurs ; agrégé par jour, sans aucune donnée client (ni adresse MAC, ni IP, ni code de ticket).- V10 : 1er septembre au 18 novembre 2026 (79 jours, 4 641 tickets au total). V14 : 10 avril au 18 novembre 2026 (223 jours, 2 686 tickets, dont une quarantaine de jours sans vente, juillet en particulier).
- Les jours sans vente n'existent pas dans l'export : ils sont reconstitués à zéro (série quotidienne continue).
- Le 19/11/2026 est écarté : l'export a été fait en cours de journée, la valeur était incomplète (repéré sur le graphique, voir « Erreurs corrigées »).
- V14 : juillet 2026 (0 vente) est exclu, il correspond à une période d'arrêt et non à une absence de demande ; l'évaluation du V14 commence le 1er août.
Méthode
- Cible : tickets du jour J, prévus avec uniquement les ventes jusqu'à J−1.
- 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.
- Méthodes simples (baselines) : hier, même jour de la semaine précédente, moyennes mobiles 7 et 14 jours.
- Modèles ML : Ridge, Random Forest, Gradient Boosting (scikit-learn, graine fixée).
- 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.
- 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)
- Aucune fuite du futur : des tests automatiques vérifient que modifier la vente du jour J ne change aucune caractéristique du jour J ni des jours précédents (
tests/test_forecast.py). - Reproductible : graine fixe,
requirements.txt, un seul script (python forecast.py), résultats régénérés à l'identique (test dédié). - Résultats versionnés : métriques en JSON, tableaux et graphiques régénérés à chaque exécution.
Limites
- Petit échantillon : 51 et 82 jours d'évaluation. Les conclusions sont celles de cette période, pas des lois générales.
- Les enregistrements Mikhmon datent de la première connexion du ticket, pas de l'achat : le jour de vente exact peut différer d'un jour.
- Pas de variables externes : jours fériés, événements locaux, coupures de courant, nombre d'abonnés actifs, pannes du routeur.
- Prévision à 1 jour uniquement. Une prévision à 7 jours demanderait une évaluation séparée (je n'ai pas additionné les prévisions journalières, ce qui donnerait un chiffre flatteur mais trompeur).
Pistes suivantes
- Ajouter des variables externes (jours fériés ivoiriens, pannes du routeur, nombre d'abonnés) et retester.
- Attendre 12 mois d'historique pour mesurer une vraie saisonnalité.
- Passer à une prévision avec intervalle d'incertitude (quantiles) plutôt qu'une valeur unique.
- 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
- Le dernier point du V10 (journée en cours au moment de l'export) était à 11 tickets et faussait l'évaluation : repéré sur le graphique, écarté.
- Une première métrique « erreur hebdomadaire » additionnait des prévisions à 1 jour et donnait un chiffre flatteur pour la méthode « hier » : retirée, car ce n'est pas une vraie prévision à 7 jours.
Reproduire
pip install -r requirements.txt
python forecast.py
python -m pytest -q
Graphiques

