README.md

metadata

title: GetAround – Executive Dashboard
emoji: 🚗
colorFrom: indigo
colorTo: blue
sdk: streamlit
app_file: app.py
pinned: false
sdk_version: 1.51.0

GetAround – Executive Dashboard (Jedha · Data Science / MLOps)

Ce projet est un dashboard exécutif construit pour le cas d'étude GetAround dans le cadre d'un projet de fin de formation Data Science / MLOps (Jedha).

Il illustre un pipeline complet :

Données brutes → Analyse Produit → Modèle de pricing → API FastAPI → Dashboard Streamlit

---

🧩 Contenu du Space (Hugging Face)

Ce Space Streamlit est multipage et propose :

1. 📊 01_Buffer_Analysis
   Analyse du délai minimum entre deux locations (buffer) :

   • visualisation du compromis entre conflits résolus et locations bloquées ;
   • recommandation automatique d'un buffer (ex. 2h) selon des critères business ;
   • tableaux comparatifs (0h / 1h / 2h / 3h) et graphiques Altair.

2. 💶 02_Pricing_ML_API
   Interface de pricing ML connectée à une API FastAPI déployée sur Hugging Face :

   • formulaire pour saisir les caractéristiques du véhicule ;
   • appel HTTP vers l’endpoint /predict de l’API ;
   • affichage du prix recommandé (€/jour) et de la réponse brute.

3. 🧠 03_MLOps_Explainer
   Page de documentation MLOps expliquant :

   • la préparation des données ;
   • l'entraînement du modèle de pricing (sklearn) ;
   • le déploiement de l’API (FastAPI) ;
   • la consommation par le dashboard.

---

🏗️ Architecture technique

1. Notebooks (hors Space HF)

• 01_delay_analysis_eda.ipynb :
  Analyse des retards et simulation de plusieurs buffers, export de buffer_scenarios.csv.
• 02_pricing_ml_model.ipynb :
  Entraînement du modèle de pricing (sklearn), export de model.joblib.

2. API FastAPI (Space séparé)

• Space Hugging Face dédié de type Docker / FastAPI :
  • charge model.joblib ;
  • expose /, /health, /predict ;
  • reçoit des features véhicule au format JSON ;
  • renvoie une prédiction de prix (€/jour).

3. Dashboard Streamlit (ce Space)

• app.py : page d’accueil exécutive + navigation.
• pages/01_Buffer_Analysis.py : vue buffer & décisions Produit.
• pages/02_Pricing_ML_API.py : vue pricing & consommation API.
• pages/03_MLOps_Explainer.py : vue documentation MLOps.
• data/processed/buffer_scenarios.csv : scénarios de buffer pré-calculés.

---

💻 Lancer le dashboard en local

Si vous clonez ce projet depuis GitHub :

pip install -r requirements.txt
streamlit run app.py