Datasets:

opt-nc
/

mobitag

license: cc-by-nc-4.0
task_categories:
  - tabular-regression
  - time-series-forecasting
language:
  - fr
tags:
  - telecom
  - sms
  - new-caledonia
  - mobitag
  - time-series
  - audit
pretty_name: Mobitag Audit — SMS Activity New Caledonia
size_categories:
  - 1M<n<10M
spaces:
  - opt-nc/mobitag-explorer
configs:
  - config_name: default
    data_files:
      - split: train
        path: data/train-*.parquet
      - split: test
        path: data/test-*.parquet

Mobitag Audit — SMS Activity New Caledonia

Dataset d'audit d'activité SMS collecté en Nouvelle-Calédonie, couvrant la période avril 2023 – juin 2026 (~2.46M événements).

Produit par OPT-NC dans le cadre du projet Mobitag, initiative de valorisation des données télécom calédonienne.

📊 Explorer le dataset en live → opt-nc/mobitag-explorer

Contenu

Colonne	Type	Description
`date`	timestamp	Horodatage de l'événement SMS en UTC
`message_length`	int32	Longueur du message en caractères
`day_name`	string	Jour de la semaine en heure locale NC — UTC+11 (Monday…Sunday)
`year`	int16	Année en heure locale NC
`year_month`	string	Année-mois en heure locale NC (ex : `2024-07`)
`month`	int8	Mois en heure locale NC (1–12)
`hour`	int8	Heure de la journée en heure locale NC (0–23)

date est en UTC. Toutes les autres colonnes temporelles sont en heure locale Nouvelle-Calédonie (UTC+11).

Statistiques descriptives

Métrique	`message_length`
Min	1
Max	164
Moyenne	110.3
Médiane	122
Écart-type	41.4

Activité par jour : forte concentration en semaine (mardi–jeudi), très faible le dimanche.

Heures de pointe (heure locale NC) : 19h–21h (soirée) et 1h–2h (minuit). Activité minimale entre 8h et 17h.

Splits

Split	Période	Lignes
`train`	2023-04-06 → 2025-11-30	~2 140 000
`test`	2025-12-01 → 2026-06-04	~321 000

Le split est temporel : les données de test sont postérieures aux données d'entraînement, ce qui reflète un usage réaliste de prévision.

Tâches ML suggérées

1. Régression — prédire `message_length`

Utiliser les features temporelles (hour, day_name, month, year) pour prédire la longueur d'un SMS.

from datasets import load_dataset

ds = load_dataset("opt-nc/mobitag")
train_df = ds["train"].to_pandas()

X = train_df[["hour", "month", "year", "day_name"]]
y = train_df["message_length"]

2. Prévision de série temporelle — pics d'activité

Agréger par heure et prédire le volume d'activité SMS.

import pandas as pd
from datasets import load_dataset

ds = load_dataset("opt-nc/mobitag")
df = ds["train"].to_pandas()

hourly = (
    df.set_index("date")
    .resample("h")["message_length"]
    .agg(["count", "mean", "sum"])
    .reset_index()
)

Utilisation rapide

from datasets import load_dataset

ds = load_dataset("opt-nc/mobitag")
print(ds)
# DatasetDict({
#     train: Dataset({features: [...], num_rows: ~2191000}),
#     test:  Dataset({features: [...], num_rows: ~270000})
# })

Éthique et provenance

Les données sont anonymisées : aucun identifiant personnel, numéro de téléphone ou contenu de message n'est présent.
Seules les métadonnées temporelles et la longueur des messages sont conservées.
Collecte réalisée par OPT-NC dans le cadre d'un audit d'infrastructure télécom en Nouvelle-Calédonie.
Le champ date est stocké en UTC. Toutes les colonnes dérivées (hour, day_name, month, year, year_month) sont en heure locale NC (UTC+11). Pour convertir date : df["date"] + pd.Timedelta(hours=11).

Citation

@dataset{optnc_mobitag_2026,
  author    = {OPT-NC},
  title     = {Mobitag Audit — SMS Activity New Caledonia},
  year      = {2026},
  url       = {https://huggingface.co/datasets/opt-nc/mobitag},
  license   = {CC BY-NC 4.0}
}

Licence

Ce dataset est publié sous licence CC BY-NC 4.0 — attribution obligatoire, usage commercial interdit sans accord explicite d'OPT-NC.