[et_pb_section fb_built= »1″ _builder_version= »3.22.3″][et_pb_row _builder_version= »3.22.3″ background_size= »initial » background_position= »top_left » background_repeat= »repeat »][et_pb_column type= »4_4″ _builder_version= »3.0.47″][et_pb_text _builder_version= »3.0.87″ border_style= »solid »]

Depuis quelques années les technologies de géolocalisations ont permis de créer des « Location Based Services » : des produits et services adaptés aux géolocalisations passées et présentes des personnes. Rendue possible grâce à la technologie Roofstreet, la prochaine évolution est en marche avec l’arrivée des « Trip Based Services » : des produits et services qui s’adaptent non seulement aux positions mais aussi aux déplacements passés et futur.

Qui a aujourd’hui besoin de comprendre les déplacements ?

La compréhension des déplacements est une problématique actuelle et essentielle à de nombreux secteur.

Retail :

La connaissance client a toujours été centrale pour les métiers du retail. Une connaissance fine des besoins de ses clients et de leurs parcours permet d’affiner sa communication, de mieux cibler les offres ainsi que leur fournir de meilleurs services. Si le Retail utilise aujourd’hui beaucoup de données offlines provenant par exemple de cartes de fidélité ou de quelques informations collectées en point de vente (code postal), les données onlines sont plus difficile à trouver et sont principalement utilisées par des acteurs tiers de la publicité mobile à des fins de ciblage mobile et de mesures de visites. Les retailers doivent par ailleurs prendre des décisions sur les stratégies d’affichage, d’implantation de point de vente, ou comprendre quel est leur positionnement par rapport à la concurrence en termes de fréquentation sur un bassin de consommation particulier. Les retailers proposent pour se différencier toujours plus de services à leurs clients afin de leur simplifier la vie. Le vecteur digital, application et site mobiles est souvent le canal leur permettant de faire la différence. Grâce aux applications et sites mobiles, il leur est possible de mieux connaître leurs clients (produits consultés, intentions d’achat), nous constatons cependant que l’utilisation de la géolocalisation dans le cadre de la connaissance client est encore sous exploitée. Les agences médias ainsi que certains retailers construisent des départements spécifiques dans l’analyse des comportements de déplacements compte tenu de l’importance de l’enjeu pour le futur.

Collectivités :

Les collectivités sont également très demandeuses d’informations de déplacement. Ces données leur permettent notamment de prendre les bonnes décisions sur le dimensionnement de leurs infrastructures de transport mais aussi d’équipements collectifs afin de rationaliser les coûts et fournir au citoyen un meilleur service et pour les touristes une meilleure attractivité. Les collectivités cherchent notamment à modéliser les flux inter et intra communaux ou entre les différents pôles générateurs d’activité (zones d’activités, centre commerciaux etc). Il leur est ainsi possible de comprendre les déplacements pour adapter / créer de nouvelles offres de transports et infrastructures.

Transporteurs et opérateurs :

Les déplacements et trajets des citoyens sont au cœur des problématiques du secteur du transport. En amont des phases opérationnelles intervient souvent auprès des collectivités des phases de diagnostiques pendant lesquels les acteurs vont identifier les demandes et les offres de transport existantes. Cette phase de diagnostic doit recenser les flux de déplacement de population afin de planifier et optimiser le dimensionnement des infrastructures et planifier au mieux les tracés des itinéraires des différentes lignes disponibles. Elle permet également de compléter les manques d’offre de transport dans certaines zones avec des modes de transports alternatifs doux ou partagés (co-voiturage). Dans une logique plus opérationnelle, les transporteurs cherchent à fournir des services de qualité aux usagers et notamment par la mise en place de service proactifs, anticipant les déplacements de ceux-ci pour mieux les connaître et les informer spécifiquement sur leurs trajets et uniquement au moment opportun. Par ailleurs, des challenges subsistent sur la capacité à retracer l’intégralité d’un parcours utilisateur, si les données de billettique permettent la plupart du temps de détecter l’entrée dans un mode de transport modulo la fraude, elles ne permettent pas en revanche dans la plupart du temps de connaître les lieux de sortie de ces usagers.

Quelles sont les solutions et sources de données existantes et leurs limitations ?

Données INSEE

Les données de flux disponibles sont généralement présentées de commune à commune avec un comptage en nombre de personnes réalisant un trajet domicile travail sur une année. Divisant le territoire en 16000 zones « IRIS », chaque zone réunit en moyenne entre 1800 et 5000 personnes en fonction des densités des agglomérations et ont une superficie moyenne de 41KM². La plupart des outils de géomarketing et fournisseurs de données de flux utilisent la zone IRIS comme la zone la plus granulaire de représentation de matrices origine / destination. Cette utilisation présente plusieurs difficultés, sur ce type de données il n’est par exemple pas possible de d’obtenir le flux par axe emprunté, ni de descendre en dessous de la commune ou de la zone IRIS, ni de considérer une période de temps plus fine que celle étudiée à l’orgine. La superficie des zones IRIS est parfois trop importante pour répondre à des analyses fines, spécialement dans les zones urbaines denses. Enfin, les clients disposent souvent de leurs propres zones d’analyse qui ne coïncident pas toujours avec les zones proposées.

Données d’enquête terrain

De nombreuses sociétés ont recours aux enquêtes de terrain réalisées par des instituts spécialisés : ces enquêtes peuvent être réalisées par comptage physique ou par téléphone. Les comptages terrain sont généralement réalisés sur 1 ou plusieurs zones spécifiques demandée par le client. Un comptage couvrant l’ensemble d’une agglomération serait trop couteux. Certaines permettent notamment de reconstituer les parcours de panélistes sur une logique déclarative. Si les modèles statistiques d’extrapolation sont très robustes, les échantillons pris sont souvent très faibles.

Données de « traceurs »

Les traceurs peuvent être soit des GPS, soit des boîtiers spécifiques qui collectent toute les informations sur la conduite de la personne. Les données fournies sont de bonne qualité et permettent aussi de comprendre les comportements de conduite (utile par exemple aux assureurs). Les équipements de ce type sont généralement matériels, ils nécessitent l’acquisition de matériel, leur installation et désinstallation ainsi que les mises à jour logicielles et matérielles associées. Certaines applications grand public (comme Waze) peuvent calculer des itinéraires routiers réalisés, mais ces données sont la propriété de ceux qui les collectent et ne sont pas disponible sur le marché. Par ailleurs ces données ne portent que sur les automobilistes et ne permettent donc pas de connaître les déplacements non-motorisés ou en transport en commun.

Données open data de transport en commun

Les données open data de transport en commun si elles peuvent être très utiles pour connaître les horaires de bus, les stations, tracés des lignes, station de vélos libre-service, concernent très peu les déplacements de personnes. Les données de billettique tentant de modéliser les trajets ne prennent en compte que les entrées dans le véhicule mais pas les sorties. L’utilisateur ne validant pas son titre de transport à la fin du voyage la reconstitution du parcours voyageur n’est donc que partielle.

Données d’opérateurs télécoms

Les télécoms fournissent généralement des matrices origine-destination basées sur la localisation des personnes dans les zones des antennes téléphoniques ou agrégées à l’IRIS. Si la représentativité est intéressante compte tenu des taux de pénétration et parts de marché de chaque acteur, des limitations techniques existent et ne permettent généralement pas de descendre à un niveau de précision inférieur à plusieurs centaines de mètres.

Les données issues de traces GPS de smartphones

Ces données proviennent des systèmes de localisation embarqués dans les smartphones. Des SDK (Software Development Kit) sont intégrés dans les applications mobiles grand public et collectent (si l’utilisateur leur en a donné le droit) les positions renvoyées par les smartphones. Ces données sont utilisées aujourd’hui principalement à des fins publicitaires et de ciblage client par des méthodes de geofencing ou de ciblage de segment de personnes ayant été vu à un endroit qui représente un intérêt pour un annonceur. Ces données sont de grande valeur de par leur précision qui varie entre quelques dizaines et plusieurs centaines de mètres, et de par leur fréquence de collecte et leur aspect temps réel. Il existe cependant des erreurs courantes de géolocalisation (utilisation de transport souterrain) et la précision n’est pas toujours avérée. Par ailleurs, la fréquence et le mode de collecte de point devient de plus en plus restrictif et les données collectées sont de plus en plus parcellaires. Les acteurs traitant ce type de données doivent s’assurer qu’ils ont mis en place les méthodes algorithmiques qui permettent de détecter les erreurs, supprimer ou pondérer les données en fonction de leur précision. Si ces données peuvent s’avérer pertinentes pour les acteurs de la publicité mobile afin de cibler et mesurer les visites dans un point de vente, elles sont en revanche difficilement exploitables pour modéliser un trajet de personne dans son intégralité et ne permettent pas de comprendre par où est passée une personne entre deux relevés de points

Trip Based Services : le paradigme du « passe par » / « va passer par » :

Valeur technique

Les données issues de smartphone ont une grande valeur de par leur précision nonobstant la capacité à les filtrer, les traiter et corriger les erreurs de géolocalisation. Roofstreet a développé des algorithmes qui permettent sur une faible base de point de reconstituer l’ensemble des trajets d’une personne. L’algorithme va donc lier les points entre eux de manière intelligente en observant les habitudes. Plus le déplacement est répétitif, plus le trajet renvoyé par ces algorithmes sera précis. Par ailleurs, lorsqu’un trajet est créé il est possible de comprendre comment se déplace une personne d’un point A à un point B afin de détecter des déplacements récurrents et de s’en servir de base pour prédire le ou les prochains trajets. La capacité à générer des trajets précis sur un petit nombre de points collectés permet de s’affranchir de contraintes majeures étant :

• Economiser la consommation de batterie des téléphones
• Respecter les restrictions imposées par les constructeurs sur la fréquence de collecte.

Cas d’usages rendus possibles par la connaissance des trajets

Grâce à la création et l’agrégation de trajets individuels, il est maintenant possible : Pour les collectivités, de connaître les flux de déplacement par Axe routier ou non routier entre quartiers et / ou communes / pôles générateurs et ce avec une granularité temporelle très fine (heure, jour type, semaine type). Pour le secteur du retail, la zone de chalandise 2.0 consiste à identifier les provenances, lieux d’habitation ou de travail et les trajets empruntés par toute personne avant de se rendre dans une zone donnée. Seuls les trajets permettent de reconstituer ce type d’historique. Les retailers peuvent à présent s’appuyer sur un socle de données de déplacements rafraichies en temps réel pour optimiser les investissement marketing et notamment au sujet de l’affichage urbain grâce à des mesures d’audience, définir l’emplacement idéal pour le positionnement des panneaux longue conservation ainsi que les meilleures zones de distribution d’imprimés publicitaires en combinaison avec les sets de données existants. Par ailleurs, les acteurs du e-commerce, réfléchissent actuellement à une manière de prendre en compte les trajets d’une personne pour lui proposer des points de retrait adaptés afin de faciliter son expérience avec la marque. Pour le transport, la connaissance des trajets associé au plan de lignes permet de connaître de manière automatique, sans avoir à demander à l’usager, quelles sont les lignes qu’il emprunte afin de pouvoir l’avertir en avance, sur ces lignes et uniquement au moment opportun, des perturbations. D’un point de vue opérationnel, ces trajets et intentions de trajets peuvent être fournis aux opérateurs des tours de contrôle pour donner un élément de décision supplémentaire pour la programmation des départs de train en vue des désengorgements sur les quais. Passer du « location based services » au « Trip based service » est donc un enjeu à fort potentiel pour toute marque ou service public souhaitant mieux comprendre les déplacements et mieux communiquer avec ses clients. [/et_pb_text][/et_pb_column][/et_pb_row][/et_pb_section]