Optimisation de la flotte et fidélisation client dans la mobilité partagée grâce à l’analyse des données de géolocalisation

Un opérateur de plateforme de mobilité partagée urbaine, proposant la location de véhicules à la minute. Le service est actif dans plusieurs villes et dessert des milliers d’utilisateurs chaque jour. La plateforme repose sur l’ajustement dynamique de la disponibilité des véhicules à la demande locale et sur une gestion efficace de la flotte.

Avec la croissance du service et l’augmentation du nombre d’utilisateurs, il est devenu crucial de mieux comprendre les comportements clients et d’optimiser la répartition des véhicules. Les méthodes de planification existantes étaient insuffisantes — des véhicules étaient souvent stationnés dans des zones à faible demande, alors qu’ils manquaient ailleurs. Cela entraînait une baisse de l’efficacité opérationnelle et une dégradation de l’expérience utilisateur.

Par ailleurs, aucun outil d’analyse comportementale ou de segmentation client n’était disponible. Il était impossible d’identifier les clients les plus rentables, ceux en risque de désengagement, ou les schémas d’usage propres à chaque segment.

Les objectifs consistaient à répondre à des questions clés telles que :

• Comment évolue le volume de locations selon l’heure de la journée et le jour de la semaine ?
• Quel est l’impact des événements locaux sur la demande ?
• Où les utilisateurs commencent-ils et terminent-ils le plus souvent leurs trajets ?
• Quelles sont les routes les plus fréquentées ?
• Où les véhicules restent-ils inactifs pendant de longues périodes ?
• Qui sont les clients les plus précieux ?
• Quels groupes d’utilisateurs montrent des signes de désengagement ?
• Existe-t-il des motifs de déplacement récurrents ?

Pour répondre à ces besoins, un projet analytique complet a été mené à partir de données collectées sur 18 mois dans plus de 12 villes. Des millions d’enregistrements ont été analysés : positions des véhicules, historiques de trajets, activités des utilisateurs et données financières.

Les méthodes analytiques suivantes ont été mises en œuvre :

• Analyse statistique – pour identifier les tendances journalières, hebdomadaires et saisonnières des locations
• Analyse de géolocalisation – pour repérer les zones à forte/faible densité et localiser les véhicules inactifs
• Segmentation RFM (Récence, Fréquence, Valeur) – pour classer les utilisateurs selon leurs comportements de transaction
• Analyse de cohortes – afin d’évaluer la rétention client en fonction de la date d’inscription
• Visualisation avancée des données – via des cartes thermiques, ponctuelles, en clusters et choroplèthes pour rendre les résultats lisibles pour les équipes techniques et métiers

Le projet a été réalisé en Python, en utilisant les bibliothèques Pandas, Dask, Seaborn, Folium et SQLAlchemy. Les données ont été stockées et analysées avec les bases MariaDB et MySQL.

L’analyse a permis de formuler des recommandations concrètes qui ont été mises en œuvre à la fois dans les opérations et les actions marketing. Résultats principaux :

• Optimisation de la répartition des véhicules basée sur les données réelles de demande, augmentant l’utilisation moyenne de la flotte sans l’élargir
• Identification des segments à fort potentiel et à risque de désengagement, facilitant des actions marketing et de fidélisation plus efficaces
• Création de tableaux de bord dynamiques pour le suivi en temps réel des indicateurs clés, accélérant la prise de décision et la réactivité opérationnelle
• Hausse du revenu unitaire par véhicule, grâce à un meilleur ajustement de l’offre et une rotation plus élevée dans les zones stratégiques

Les résultats ont conduit à une amélioration de l’efficacité opérationnelle, de l’expérience client et de la rentabilité, sans coûts d’investissement supplémentaires

Le projet a été réalisé à l’aide de technologies modernes et évolutives :

• Langage de programmation : Python
• Bibliothèques et frameworks : Pandas, Dask, SQLAlchemy, Seaborn, Folium
• Bases de données : MariaDB, MySQL

La solution a été conçue pour permettre une extension future et l’automatisation des analyses, assurant ainsi une optimisation continue au fur et à mesure que les services évoluent et que les comportements utilisateurs changent.