Discovery data et algorithme pour mieux répartir les vélos Vélib’Data discovery and an algorithm to better distribute Vélib’ bikes
Smovengo a remporté en 2017 l’appel d’offres pour gérer Vélib’ Métropole, le service de vélos en libre-service du Grand Paris. Ma mission de Data Product Manager : concevoir un algorithme qui prédit le ratio optimal entre vélos et places disponibles, pour savoir combien de vélos livrer ou de places libérer, au bon endroit et au bon moment.In 2017, Smovengo won the tender to run Vélib’ Métropole, the bike-sharing service of Greater Paris. My mission as Data Product Manager: design an algorithm predicting the optimal ratio of bikes to free docks, to know how many bikes to deliver or docks to free up, in the right place at the right time.
- Client
- Smovengo · Vélib’ Métropole
- SecteurSector
- Mobilité urbaine · DataUrban mobility · Data
- RôleRole
- Data Product Manager
- PériodePeriod
- 2024
- MéthodeMethod
- Agile · Notion
ContexteContext
Smovengo reprend un marché en pleine croissance, porté par la mobilité douce, mais aussi des années de difficultés laissées par son prédécesseur. Stations pleines ou vides, vélos en mauvais état : l’expérience usager en pâtit directement.Smovengo took over a fast-growing market driven by soft mobility, but also years of difficulties left by its predecessor. Full or empty stations, bikes in poor condition: the user experience suffered directly.
- 1 4751,475stations
- 19 00019,000vélosbikes
- 62villes du Grand Pariscities in Greater Paris
Produits en chargeProducts I owned
- 01
Algorithme de prédictionPrediction algorithm
Prédit le ratio optimal vélos/places par station pour un créneau donné, et en déduit le nombre de vélos à livrer ou de places à libérer.Predicts the optimal bikes/docks ratio per station for a given time slot, and derives how many bikes to deliver or docks to free up.
- 02
Dashboard BIBI dashboard
Un tableau de bord pour les équipes : KPIs, coût d’un régulateur, vélos et places disponibles en temps réel par station.A dashboard for the teams: KPIs, cost of a regulator, real-time bikes and docks available per station.
Environnement & parties prenantesEnvironment & stakeholders
Je faisais le pont entre les équipes métiers côté client et l’équipe data.I bridged the client’s business teams and the data team.
Client
LogistiqueLogisticsService clientCustomer serviceMarketingÉquipe dataData team
Data engineerData scientist
Les enjeuxThe challenges
- Comprendre les attentes des usagers et des équipes opérationnellesUnderstand the expectations of users and operations teams
- Croiser données quantitatives et retours qualitatifsCross quantitative data with qualitative feedback
- Prioriser le problème au plus fort impactPrioritise the highest-impact problem
- Concevoir une solution mesurable, testée sur le terrainDesign a measurable solution, tested in the field
Impact business & valeur ajoutéeBusiness impact & added value
Le coût du problèmeThe cost of the problem
- Détérioration de l’image de marqueDamage to the brand image
- Faible attractivité pour de nouveaux utilisateursLow appeal for new users
- Coûts liés au churnCosts driven by churn
- Procès pour accidents dus au mauvais état des vélosLawsuits over accidents caused by poorly maintained bikes
La valeur apportéeThe value delivered
- Une alternative fiable pour les besoins ponctuels de nouveaux clientsA reliable option for new customers’ occasional needs
- Une baisse attendue du churn et une meilleure fidélisationAn expected drop in churn and better loyalty
- Une hausse potentielle de la satisfaction clientA potential rise in customer satisfaction
- Des décisions internes plus rapides, avec des gains de qualité et de tempsFaster internal decisions, with gains in quality and time
Ma démarcheMy approach
Agile · Notion- 01
Comprendre le contexteUnderstanding the context
Analyse de Smovengo et de Vélib’ : une société française qui porte des valeurs d’éco-responsabilité, de mobilité douce et d’innovation.Analysing Smovengo and Vélib’: a French company built on eco-responsibility, soft mobility and innovation.
- 02
Phase de discoveryDiscovery phase
Analyse quantitative via un backlog de questions et l’exploration de la base de données ; analyse qualitative via un questionnaire clients et le webscraping des avis Trustpilot.Quantitative analysis through a question backlog and database exploration; qualitative analysis through a customer survey and web scraping of Trustpilot reviews.
- 03
Problématiques & benchmarkProblems & benchmark
Identification des principales problématiques par persona et benchmark des solutions existantes.Identifying the main problems per persona and benchmarking existing solutions.
- 04
PriorisationPrioritisation
Stack ranking des problématiques : l’amélioration de la répartition des vélos ressort en priorité.Stack ranking of the problems: improving bike distribution came out on top.
- 05
Conception de la solutionDesigning the solution
MVP en user stories « Le produit doit… » priorisées avec la matrice d’Eisenhower, maquette du dashboard BI, et Machine Learning Canvas avec l’équipe data (inputs, sources, décision, tâches, métriques).An MVP written as “The product must…” user stories prioritised with the Eisenhower matrix, a BI dashboard mockup, and a Machine Learning Canvas with the data team (inputs, sources, decision, tasks, metrics).
- 06
LancementLaunch
Roadmap de lancement, démonstration aux métiers, tests sur quelques zones espacés de 2 semaines, conduite du changement, suivi des KPIs et formulaire de feedback.Launch roadmap, demo to business teams, tests on a few zones two weeks apart, change management, KPI tracking and a feedback form.
RésultatsResults
- Problématique prioritaire identifiée par la donnéePriority problem identified with data
- MVP et backlog structurés en user storiesMVP and backlog structured as user stories
- Algorithme cadré avec l’équipe dataAlgorithm scoped with the data team
- Déploiement progressif par zones, piloté par les KPIsProgressive zone-by-zone rollout, steered by KPIs
Outils & méthodesTools & methods
- Notion
- Python
- SQL
- WebscrapingWeb scraping
- Power BI
- Machine Learning Canvas
- Stack ranking
- Matrice d’EisenhowerEisenhower matrix
Un projet similaire ?A similar project?
Parlons de votre contexte en 30 minutes, sans engagement.Let’s discuss your context in 30 minutes, no commitment.