Contactez-nous
← Retour aux Blogs, Podcasts & News

Exploration de la prévisibilité de l’occupation à laide de capteurs

  • Workplace Data & Insights

Écrit par Justin Timmer

Une Question? Baptiste est notre expert du lieu de travail. Contactez-le via: baptiste@measuremen.io ou +33622774880

Prédire l’utilisation future de vos espaces de travail et de vos salles de réunion peut être très utile pour gérer l’utilisation de votre bâtiment. C’est également important pour  » abaisser la courbe  » du pic d’occupation des périodes d’affluence. Pourtant, il est difficile de prédire l’avenir. C’est pourquoi, dans ce blog, nous faisons nos premiers pas dans la prédiction de l’occupation. Nous allons explorer les structures des données d’occupation des capteurs du siège social de Measuremen à Amsterdam.

Figure 1 : Carte des données

En cartographiant les bases de nos données (figure 1), nous pouvons constater qu’il existe des rythmes hebdomadaires évidents dans les données. Pendant les week-ends, le bureau est vide, mais nous observons quelques pics pendant les semaines. Il est également bon de mentionner que l’occupation sur l’axe des ordonnées est très faible parce que les capteurs mesurent toute la journée et à chaque bureau, à chaque seconde. L’occupation nette que vous obtenez est, comme dans toutes les entreprises que nous avons mesurées, très faible. Pensez à toutes les heures où il est vide la nuit, et à tous les moments où vous quittez votre bureau.

Figure 2. Occupation moyenne

Pour mieux comprendre les schémas hebdomadaires, nous les avons superposés pour voir si ces pics sont liés à des jours spécifiques. Nous avons exclu les samedis et les dimanches et créé deux graphiques. Le premier graphique (figure 2) montre un diagramme à barres avec les moyennes par jour. Nous pouvons voir clairement que les mercredis et les mardis sont les jours les plus chargés. Mais pour mieux comprendre la variation et les pics des données, nous avons représenté l’occupation de toutes les semaines d’une année sur un graphique radar. Nous constatons que les mercredis, jeudis et vendredis présentent également des pics (figure 3).

Figure 3. Yearly occupancy radar

 

Variation de l’occupation au fil des semaines

En examinant la variation du taux d’occupation, nous pouvons constater la stabilité du taux d’occupation au fil des jours et des semaines. L’écart type est une valeur intéressante pour prédire l’occupation, car il capture l’étendue de la déviation par rapport à l’occupation moyenne. Plus l’écart type est élevé, plus la variation de l’occupation est importante pour un jour donné. Par conséquent, il est moins facile de prédire l’occupation future. Dans notre échantillon, nous voyons (figure 4) que le mercredi connaît une certaine variation.

Figure 4. Écart-type d’occupation

De la variation agrégée à la variation temporelle

Le problème lorsqu’on se contente de prendre les moyennes et la variation standard est que l’on empile tous les jours d’occupation mesurés en une seule statistique. Pour prédire l’avenir, nous voulons prendre en compte la progression du temps. En effet, les variations précédentes ne sont pas forcément très révélatrices de l’avenir. Pour ce faire, nous allons travailler avec des auto-corrélations. Les auto-corrélations permettent de déterminer si les données d’occupation sont liées à elles-mêmes. En d’autres termes, les auto-corrélations posent la question suivante : si le taux d’occupation est de 50% aujourd’hui, sera-t-il également de 50% demain ? Les données de notre siège ont montré qu’aujourd’hui et demain sont assez corrélés, mais ces relations ne durent pas plus d’une journée. En d’autres termes, l’occupation d’aujourd’hui est probablement similaire à l’occupation de demain, mais l’occupation d’aujourd’hui n’a guère de rapport avec l’occupation dans deux jours (et plus). Sur l’ensemble des semaines, nous avons trouvé un effet similaire, l’occupation du lundi de cette semaine prédit l’occupation du lundi de la semaine prochaine, mais au-delà, les choses se brouillent.

 

Prédire plus loin dans le futur avec des données

Le problème, ou le fait intéressant des données dynamiques, est qu’elles sont souvent à valeurs multiples. Cela signifie qu’il existe différents rythmes sur différentes échelles de temps. Nos données indiquent clairement des rythmes sur une base hebdomadaire, mais il est probable qu’elles indiquent également des rythmes sur une base annuelle. Pour visualiser cela, nous avons tracé une année de données d’occupation dans l’image ci-dessous (figure 5). Sur l’axe des y, vous pouvez voir l’heure de la journée, et sur l’axe des x, vous pouvez voir chaque semaine tracée avec les couleurs représentant l’occupation. Plus les cellules sont vertes, plus l’occupation est élevée, plus elles sont rouges, plus l’occupation est faible. Plusieurs événements intéressants peuvent être capturés directement, comme notre fête de Noël en semaine 51. Une panne de données en semaine 14, quelques séjours de nuit tardifs, ou des défauts de capteurs en semaines 19 et 23. Mais de manière plus pertinente, nous pouvons voir les rythmes saisonniers, comme les heures d’arrivée plus tôt en été, et les arrivées plus tardives en hiver. En outre, les premiers mois de l’année semblent être plutôt chargés (vert plus foncé), ce qui correspond également à une période subjectivement chargée au sein de Measuremen. De tels schémas saisonniers sont susceptibles de se répéter et pourraient être pris en compte dans les prévisions.

Figure 5. Année des données d’occupation

Rythmes d’occupation et de données

L’occupation connaît de nombreux rythmes à différentes échelles, des heures aux jours, en passant par les semaines et les années. Ils varient tous, ce qui rend difficile une prédiction exacte de l’avenir. On peut toutefois s’attendre à ce que certains rythmes se maintiennent. Ces rythmes sont des phénomènes bien connus, mais ils diffèrent selon les organisations. Les aspects culturels tels que les différentes réglementations, le travail en équipe ou les politiques de travail à distance peuvent fortement modifier les rythmes d’une organisation à l’autre. Par conséquent, lorsqu’il s’agit de prévoir les données, il est important d’utiliser vos propres données historiques comme source. Outre les données historiques propres à l’organisation, les sources de données d’autres processus. Les données de référence, les marchés boursiers, les données météorologiques, etc. peuvent être utilisées pour comprendre le comportement de votre propre organisation. ainsi que pour prédire l’avenir de votre propre organisation.

Faites défiler vers le haut