Intégrer les données géospatiales à vos décisions

Intégrer les données géospatiales à vos décisions

“The world’s most valuable resource is no longer oil, but data.” —The Economist

Cela fait plusieurs années qu’on entend ce mantra. La plupart des organismes utilisent différentes données afin de prendre des décisions d’affaires. Des données financières sont utilisées pour analyser le marché, des données sur la clientèle permettent d’avoir le portrait des consommateurs, etc. Un type de données dont votre entreprise peut grandement bénéficier est la donnée géospatiale. Dans la plupart des cas, les décideurs ne possèdent pas de formation en géomatique ou une autre discipline connexe. Ainsi, il est important de rendre les données géospatiales simples à comprendre et à utiliser. C’est là que nous, géomaticiens, entrons en jeu. Notre rôle est de manipuler les différentes données et de les intégrer afin qu’elles soient utilisables pour tous. Toute votre organisation en sera gagnante. Voici un exemple simpliste d’utilisation de données géospatiales dans un contexte d’analyse de marché :

La bannière Brûlerie CaféCafé (marque déposée…) s’explique mal pourquoi son compétiteur (situé à deux coins de rue) a un plus grand achalandage. Pourtant, le café de la Brûlerie CaféCafé est meilleur et un peu moins cher… Au départ, on pourrait analyser les habitudes de consommation des clients ainsi que leur statut socioéconomique (femme vs homme, étudiant vs professionnel…). On aurait alors un portrait global de la clientèle et on pourrait orienter notre stratégie marketing de façon à attirer plus de clients. Après quelques mois, on remarque une faible augmentation du nombre de clients. Quelque chose d’autre explique le fait que la compétition a plus de clients… Et si on analysait le nombre de piétons qui passe chaque jour par l’intersection où se trouve notre brûlerie? Lorsqu’on s’en va au travail, il est beaucoup plus facile d’arrêter prendre un café à pied que lorsqu’on est en voiture. Pour l’analyse, on utilisera les données de comptage aux feux de circulation, disponibles sur le site de la Ville de Montréal. On développe alors un workspace avec FME pour préparer les données afin d’être en mesure de les visualiser. Voici un aperçu du processus :

Expliquons un peu ce qui se passe dans ce workspace. Premièrement, on crée un point représentant l’emplacement de la brûlerie (notre point d’intérêt). Afin de lire les données de trafic aux coins des rues, une zone tampon de l’emplacement de la brûlerie a été créée. En utilisant le FeatureReader ainsi que la zone tampon, il est possible de lire seulement les données à l’intérieur de la zone d’intérêt. Ceci est une bonne pratique lorsqu’il n’est pas nécessaire de lire les données sur l’ensemble de la zone couverte par ces dernières. Dans ce cas-ci les données couvrent toute la ville de Montréal, ce qui représente plus de 800 000 points! Avec la méthode présentée, on ne traite qu’un peu plus que 26 000 points. Les traitements qui suivent la lecture seront donc plus rapides. Une fois les données lues, on s’assure de n’avoir que les données les plus récentes. Ensuite, puisqu’on s’intéresse aux piétons seulement, on utilisera l’AttributeFilter pour filtrer les différents moyens de déplacement. La dernière étape avant l’exportation est l’agrégation des données de trafic. En effet, les données dont on dispose sont acquises toutes les 15 minutes aux différentes intersections. On utilisera l’Aggregator avec un groupement sur le Id_Interse (attribut de l’identifiant de l’intersection). Également, on comptera le nombre d’enregistrements pour chaque intersection, nous donnant ainsi le nombre de piétons par intersection. Enfin, on exporte les données dans le format voulu (ici en Excel).

* Note: Les résultats obtenus par cette méthode sont approximatifs.

Une fois les données préparées, il est maintenant temps de les visualiser. Voici un résultat simpliste, mais qui en dit long (la quantité de piétons qui circulent à l’heure de pointe est inscrite dans les cercles aux intersections) :

Il est à noter que l’on ne dispose pas d’informations sur le nombre de piétons pour l’ensemble de la zone d’étude, seulement pour les intersections majeures. Ainsi, pour cet exemple, on remarque que la brûlerie est située sur un axe (avenue Laurier) où il y a moins de piétons qui passent. On remarque également qu’à un coin de rue plus bas, sur l’axe Saint-Joseph, il y a beaucoup plus de piétons. Donc, pour le prochain local, il serait judicieux de choisir un emplacement où il y a plus de piétons. Une analyse multi critérielle basée sur des poids aurait également pu être faite. Par exemple, puisqu’un piéton a plus de chance de s’arrêter prendre un café qu’un cycliste, le poids (score) d’un passage de piétons serait plus élevé que celui d’un passage de cycliste. Il aurait été possible d’aller plus en profondeur et d’analyser la proximité avec un stationnement. Ainsi, la circulation par voiture aurait pu être également considérée. Avec FME, il est facile d’intégrer différentes informations de diverses sources et développer notre algorithme de géomarketing.

Cette situation, bien que simpliste, illustre bien comment vos organisations peuvent bénéficier de l’utilisation de l’information géospatiale pour différentes applications. Voici d’autres idées : le choix de l’emplacement du prochain poste de police (basé sur la taille du territoire couvert par les postes existants), le suivi en temps réel de vos équipes sur le terrain pour mieux coordonner vos interventions, le choix de l’emplacement d’une nouvelle tour de télécommunication, etc.

Les données géospatiales sont une mine d’information pour vos entreprises, autant publiques que privées.