maj app

app.py

@@ -39,14 +39,11 @@ st.title("🚙🚕 Bonjour et bienvenue sur le dashboard du projet Getaround !
 
 st.markdown("""
              
-A votre disposition 3 rubriques : 
+Vous trouverez ci-dessous les différentes étapes du projet ainsi qu'un outil de prédiction élaboré en fonction des données
             
-1. L'analyse des locations : leur type, les retards, les annulations 
-2. L'analyse tarifaire 
-3. Les prédiction par API 
 """)
 
-tab1, tab2, tab3 = st.tabs(["📊⏱ Analyse des locations et retards", "💲Analyse tarifaire", "🔮✨ Prédiction par API"])
+tab1, tab2, tab3, tab4 = st.tabs(["📊⏱ Analyse des locations et retards", "💲Analyse tarifaire", " ✍️ Constat et conclusions", "🔮✨ Prédiction par API"])
 
 with tab1:
 
@@ -56,7 +53,7 @@ with tab1:
     price=pd.read_csv('data/get_around_pricing_project.csv')
     annulation_by_delay=pd.read_csv('data/annulation_by_delay.csv')
    
-    st.header("1. L'analyse des chiffres sur 21 310 locations") 
+    st.header("1. Les chiffres de locations sur 21 310 locations") 
     st.subheader("- A quelle fréquence sont loués les véhicules ?")
 
 # ANALYSE DES LOCATIONS
@@ -70,7 +67,6 @@ with tab1:
     fig = px.histogram(
     car_usage_top10,
     nbins=15,
-    title="Distribution des véhicules peu loués (1 à 15 locations)",
     labels={'value': 'Nombre de locations', 'count': 'Nombre de véhicules'}
     )
 
@@ -86,7 +82,7 @@ with tab1:
 
     st.markdown("---")
 
-    st.header("2. L'Analyse du type de location et des annulations")
+    st.header("2. Les types de location et les annulations")
     st.subheader("- Quel mode de location est privilégié et quelle proportion d'annulation ?")
 
 # Second graph type de locations et annulations
@@ -119,7 +115,7 @@ with tab1:
 
     st.plotly_chart(fig, use_container_width=True)
 
-    st.markdown("<h4>👉 Concernant les locations, le checkin mobile représente 80% quand le connect n'est que de 20%." \
+    st.markdown("<h4>👉 Concernant les locations, le check-in mobile représente 80% quand le connect n'est que de 20%." \
     " La proportion de courses annulées est de 15% environ pour un total d'environ 3200", unsafe_allow_html=True)
 
     st.markdown("---")
@@ -157,13 +153,13 @@ with tab1:
 
     st.plotly_chart(fig, use_container_width=True)
 
-    st.markdown("<h4>👉 Selon le type de checkin, la proportion d'annulation est différente. Les utilisateurs de la version Connect " \
+    st.markdown("<h4>👉 Selon le type de check-in, la proportion d'annulation est différente. Les utilisateurs de la version Connect " \
     "sont plus susceptibles d'annuler leur location de 4 points"
     "", unsafe_allow_html=True)
 
     st.markdown("---")
 
-    st.header("3. Analyse des retards")
+    st.header("3. Les retards")
 
  # Traitement outlier des retards
 
@@ -330,8 +326,6 @@ with tab1:
     delay_ended_merged.groupby(["delay_group", "checkin_type_ended"])["rental_id_ended"].count().reset_index(name="nb_ended")
     )
 
-# Titre Streamlit
-    st.title("Analyse des locations maintenues malgré un retard")
 
 # Graphique Plotly
     fig = px.bar(
@@ -340,7 +334,6 @@ with tab1:
     y="nb_ended",
     color="checkin_type_ended",
     barmode="group",
-    title="Évolution des locations maintenues selon la durée du retard et le type de check-in",
     labels={
         "delay_group": "Temps de retard",
         "nb_ended": "Nombre de locations maintenues",
@@ -350,79 +343,12 @@ with tab1:
 
     st.plotly_chart(fig, use_container_width=True)
 
-    st.subheader('Les locations maintenue malgré un retard précédent sont en nombre beaucoup plus important que les annulations. ' \
+    st.subheader('Les locations maintenues malgré un retard précédent sont en nombre beaucoup plus important que les annulations. ' \
     'Sur le seul créneau de 1 à 15 minutes, elles sont au nombre de 203, quand seulement 17 sont annulées sur ce même retard. ' \
     'Pour le créneau de 15 à 30 minutes, elles sont 127 de maintenues contre 17 annulées.')
 
     st.markdown('---')
 
-    st.subheader("Premier constat")
-    st.markdown("""
-    Les annulations des véhicules précédemment loués ne sont pas liées à un retard, 
-    puisque dans **100 cas sur 229 (43%)**, il n'y en a pas.  
-
-    - Sur ce point, il y a donc d'autres causes à aller chercher potentiellement pour *Get Around*, 
-    mais qui ne dépendent pas du retard de la précédente location.  
-    - Cela restera néanmoins un point important à creuser pour la société afin d'optimiser le CA.  
-    - Il est d'ailleurs presque **2 fois plus prononcé sur le connect que sur le mobile**.  
-    - Le fait de ne pas avoir à rencontrer le propriétaire favorise peut-être le désengagement du locataire.
-    """)
-
-
-    st.subheader("Second constat")
-    st.markdown("""
-    Les annulations dans les cas de retard de **1 à 60 minutes** :  
-
-    - Sont **croissantes pour le connect**  
-    - Sont **décroissantes pour le mobile**, mais 3 fois plus nombreuses sur le plus petit retard  
-    - Représentent **55 cas sur les 129 restants (42% des annulations)**
-    """)
-
-  
-    st.subheader("Dernier constat")
-    st.markdown("""
-    Les retards les plus modérés de **1 à 30 minutes** :  
-
-    - Entraînent plus d'annulations sur le **mobile** que sur le **connect**  
-    - Représentent **34 cas sur les 129 restants (14% des annulations seulement)**
-    """)
-
-    st.markdown("---")
-
-    st.subheader("Première conclusion sur les locations")
-
-    st.markdown("### 📊 Analyse des annulations et facteurs en jeu")
-
-    st.markdown("""
-    ❗ Le **facteur temps** (les retards) n’apparaît **pas comme la cause principale** des annulations.  
-    ➝ Même avec **60 minutes de retard**, on n’explique que **42% des annulations**.""")  
-
-    st.markdown("🔍 Cela suggère que **d’autres causes majeures** restent à identifier :")  
-
-    st.markdown("""
-    - politique tarifaire  
-    - offre et concurrence  
-    - notifications de disponibilité des véhicules  
-    - comportements utilisateurs""")  
-
-    st.markdown("📱 La **méthode de check-in mobile** est un levier à privilégier : elle concerne **80% des locations**.")
-
-    st.markdown("""⚖️ La mise en place d’un délai supplémentaire de disponibilité du véhicule aurait un impact :  
-    - sur les **propriétaires** (perte potentielle de visibilité, donc moins de trafic et de revenus)  
-    - sur les **locataires** (réduction de l’offre disponible, frustration potentielle)""")
-
-    st.markdown("""💡 Des pistes de solutions à explorer :  
-    - sensibilisation des utilisateurs à la ponctualité  
-    - notifications de rappel 30 minutes avant la fin de la location  
-    - système de bonus/malus  
-    - acompte à la réservation pour responsabiliser le locataire  
-    - programme de fidélité """) 
-
-    st.markdown(""" 📉 Enfin, il est nécessaire d’évaluer les **pertes potentielles pour les propriétaires**  
-    si un délai additionnel est mis en place, surtout pour le mode de location majoritaire.
-    """)
-
-
 
 # ANALYSE TARIFAIRE
  
@@ -483,7 +409,7 @@ with tab2:
 
 # Troisième graph pour estimer le prix d'une location
 
-    st.subheader("Quelle base tarifaire pour estimer le prix d'une location ?")
+    st.subheader("2. Quelle base tarifaire pour estimer le prix d'une location ?")
 
     fig = px.histogram(
     price, 
@@ -522,7 +448,7 @@ with tab2:
 
 # Quatrième graph pour visualiser le montant des pertes selon les retards
 
-    st.subheader(("Quelle est le réel impact de perte de CA des retards ?"))
+    st.subheader(("3. Quelle est le réel impact de perte de CA des retards ?"))
 
 # Mise en place des intervalles
 
@@ -571,7 +497,6 @@ with tab2:
     ))
 
     fig.update_layout(
-    title="Perte potentielle de CA en fonction du retard",
     xaxis_title="Intervalle de retard",
     yaxis_title="Perte potentielle (€)",
     template='plotly_white',
@@ -600,38 +525,77 @@ with tab2:
 
     st.markdown("""---""")
 
-# Affichage de la matrice de corrélation
 
-    st.subheader("Regardons enfin les corrélations potentielles en vue " \
-    "de la mise en place d'un modèle prédictif")
+with tab3:
+
+    st.subheader("Premier constat")
+    st.markdown("""
+    Les annulations des véhicules précédemment loués ne sont pas liées à un retard, 
+    puisque dans **100 cas sur 229 (43%)**, il n'y en a pas.  
 
-    bool_features = [
-    "private_parking_available", "has_gps", "has_air_conditioning",
-    "automatic_car", "has_getaround_connect", "has_speed_regulator", "winter_tires",
-    ]
-    price[bool_features] = price[bool_features].astype(int)
+    - Sur ce point, il y a donc d'autres causes à aller chercher potentiellement pour *Get Around*, 
+    mais qui ne dépendent pas du retard de la précédente location.  
+    - Cela restera néanmoins un point important à creuser pour la société afin d'optimiser le CA.  
+    - Il est d'ailleurs presque **2 fois plus prononcé sur le connect que sur le mobile**.  
+    - Le fait de ne pas avoir à rencontrer le propriétaire favorise peut-être le désengagement du locataire.
+    """)
 
-    numeric_cols = ["mileage", "engine_power", "rental_price_per_day"] + bool_features
 
-    corr_matrix = price[numeric_cols].corr()
+    st.subheader("Second constat")
+    st.markdown("""
+    Les annulations dans les cas de retard de **1 à 60 minutes** :  
 
-    fig = px.imshow(
-    corr_matrix,
-    text_auto=".2f",
-    color_continuous_scale="RdBu_r",
-    )
+    - Sont **croissantes pour le connect**  
+    - Sont **décroissantes pour le mobile**, mais 3 fois plus nombreuses sur le plus petit retard  
+    - Représentent **55 cas sur les 129 restants (42% des annulations)**
+    """)
 
-    fig.update_layout(
-    width=900,
-    height=700
-    )
+  
+    st.subheader("Dernier constat")
+    st.markdown("""
+    Les retards les plus modérés de **1 à 30 minutes** :  
 
-    st.plotly_chart(fig, use_container_width=True)
+    - Entraînent plus d'annulations sur le **mobile** que sur le **connect**  
+    - Représentent **34 cas sur les 129 restants (14% des annulations seulement)**
+    """)
+
+    st.markdown("---")
+
+    st.subheader("Première conclusion sur les locations")
+
+    st.markdown("### 📊 Analyse des annulations et facteurs en jeu")
+
+    st.markdown("""
+    ❗ Le **facteur temps** (les retards) n’apparaît **pas comme la cause principale** des annulations.  
+    ➝ Même avec **60 minutes de retard**, on n’explique que **42% des annulations**.""")  
+
+    st.markdown("🔍 Cela suggère que **d’autres causes majeures** restent à identifier :")  
+
+    st.markdown("""
+    - politique tarifaire  
+    - offre et concurrence  
+    - notifications de disponibilité des véhicules  
+    - comportements utilisateurs""")  
+
+    st.markdown("📱 La **méthode de check-in mobile** est un levier à privilégier : elle concerne **80% des locations**.")
+
+    st.markdown("""⚖️ La mise en place d’un délai supplémentaire de disponibilité du véhicule aurait un impact :  
+    - sur les **propriétaires** (perte potentielle de visibilité, donc moins de trafic et de revenus)  
+    - sur les **locataires** (réduction de l’offre disponible, frustration potentielle)""")
+
+    st.markdown("""💡 Des pistes de solutions à explorer :  
+    - sensibilisation des utilisateurs à la ponctualité  
+    - notifications de rappel 30 minutes avant la fin de la location  
+    - système de bonus/malus  
+    - acompte à la réservation pour responsabiliser le locataire  
+    - programme de fidélité """) 
+
+    st.markdown(""" 📉 Enfin, il est nécessaire d’évaluer les **pertes potentielles pour les propriétaires**  
+    si un délai additionnel est mis en place, surtout pour le mode de location majoritaire.
+    """)
 
-    st.subheader("Les principaux facteurs semblent être : la puissance, la boîte de vitesses, " \
-    "la présence de Get Around connect ainsi qu'un parking privé")
     
-with tab3:
+with tab4:
  
     st.subheader("Découvrez notre estimation du prix de location de votre véhicule !")