GetAround est un service de AirBnB, spécialisé dans la location de véhicules allant de quelques heures à quelques jours.
Lors de la location d'une voiture par GetAround, l'utilisateur doit compléter un checkin et un checkout au cours desquels les données suivantes sont enregistrées :
- Etat de la voiture - dommages / anomalies pré-existants ou survenus au cours de la location
- Niveaux de carburants
- Nombre de kilomètres
Le service compte 3 flows différents permettant d'établir le contrat :
- Via Mobile : Propriétaire et conducteur se rencontrent au checkin et au checkout pour signer les formulaires sur le smartphone du propriétaire
- Via Connect : Tout est dématérialisé, propriétaire et conducteur n'ont plus à se rencontrer et la voiture s'ouvre grâce au smartphone du conducteur
- Via Papier : La part des contrats papier est négligeable sur GetAround, mais cette solution existe si l'une des deux parties le souhaite
Le projet a pour objectif principal de s'intéresser aux retards lors du checkout, et à leurs conséquences sur les locations suivantes et donc sur les contrats perdus / non honorés, et donc sur la satisfaction des utilisateurs de GetAround. Il est en effet indispensable de laisser un délai minimum entre 2 réservations successives d'un même véhicule afin de palier au mieux à ces retards sans pour autant entamer le nombre de réservations et donc le chiffre d'affaires de la société (et des loueurs).
Objectif 1 : Déployer un dashboard permettant de visualiser l'impact du palier / seuil choisi sur les locations
Objectif 2 : Déployer un modèle de Machine Learning permettant à l'utilisateur de cibler un prix de location en fonction des caractéristiques de son véhicule
- dataset_delay : Contient les informations relatives aux locations (statut, timing de retour, délai entre les locations)
- dataset_pricing : Contient les informations relatives aux véhicules
- Le notebook Part 1 - Getaround_EDA_Model.ipynb permet une première EDA et contient les modèles de prédiction du prix de location testés avant déploiement.
- Les fichiers finalized_model.sav et finalized_prepoc.sav contiennent le modèle de prédiction et le preprocessing des données nécessaire au fonctionnement du modèle
- Le fichier app.py contient le code pour déployer un dashboard et le modèle de prédiction via Streamlit
- Le dossier FastAPI contient les fichiers nécessaires au déploiement du modèle de prédiction via API
Le dashboard déployé est disponible ici aux sections Accueil et Dashboard.
Le déploiement du modèle de prédiction du prix de location selon les caractéristiques du véhicule est disponible via Streamlit en section Prediction
ou via FastAPI ici et le fichier Request.py
Les notebooks ont été développés avec Visual Studio Code.
Le déploiement a été réalisé avec Streamlit, Heroku et fastAPI. Le déploiement sur Heroku a été réalisé avec une connexion à Github.
Auteurs :
Helene alias @Bebock
La dream team :
Jean alias @Chedeta
Henri alias @HenriPuntous
Nicolas alias @NBridelance