app modif buffer4

app.py

@@ -58,6 +58,9 @@ st.header("❌ Analyse des annulations liées aux retards")
 mask = df['previous_ended_rental_id'] > 0
 df_nan = df[mask]
 st.metric("Le nombre d'annulations du au retard du véhicule liées à un location précendente est de", (df_nan["state"] == "canceled").sum())
+annulation = (df_nan["state"] == "canceled").sum() 
+st.metric("La location moyenne d'un véhicule par jour est de ", df_pricing['rental_price_per_day'].mean())
+st.metric("La perte du aux annulations s'élève a :", (annulation * loc_moyenne).round(2),"$")
 
 # On crée un dataframe locations annulées
 canceled = df[df["state"] == "canceled"][["rental_id", "car_id", "previous_ended_rental_id", "checkin_type","time_delta_with_previous_rental_in_minutes"]]
@@ -111,7 +114,7 @@ df_conflicts = pd.DataFrame(results)
 df_conflicts['lost_value'] = df_conflicts["Conflits"]*loc_moyenne
 st.dataframe(df_conflicts)
 
-st.markdown("""Si on ajoute un buffer de 30 minutes, on détecte 10 annulations supplémentaires : ces cas correspondent à des locations rendues trop proches de la suivante (<30 min de marge).
+st.markdown("""Si on regarde 30 miniutes avant le début de la location du véhicule combien ont été annulé (buffer de 30 minutes), on détecte 10 annulations supplémentaires : ces cas correspondent à des locations rendues trop proches de la suivante (<30 min de marge).
 Avec un buffer de 60 minutes, seulement 3 cas en plus → ce sont donc des situations rares mais critiques.
 En élargissant à 90 minutes, on ajoute encore 7 cas.""")
 
@@ -229,7 +232,7 @@ Ces locations sont celle qui risquent d'etre impacté """)
 loc_moyenne = df_pricing["rental_price_per_day"].mean()
 CA_total = (df['state'] == 'ended').sum() * loc_moyenne
 
-# Calcul simple
+
 df_valid = df[df["state"] == "ended"].copy()
 df_valid["ecart"] = df_valid["time_delta_with_previous_rental_in_minutes"] - df_valid["delay_at_checkout_in_minutes"]
 
@@ -245,6 +248,44 @@ for b in [30, 60, 90, 180]:
 df_results = pd.DataFrame(results)
 st.dataframe(df_results)
 
+
+st.markdown(""" MOBILE UNIQUEMENT""")
+
+df_valid_mob = df[(df["state"] == "ended") & (df["checkin_type_canceled"] == "mobile")].copy()
+df_valid_mob["ecart"] = df_valid_mob["time_delta_with_previous_rental_in_minutes"] - df_valid_mob["delay_at_checkout_in_minutes"]
+
+def count_blocked(df, buffer):
+    return (df["ecart"] < buffer).sum()
+
+results2 = []
+for b in [30, 60, 90, 180]:
+    blocked = count_blocked(df_valid_mob, b)
+    perte_estimee = blocked * loc_moyenne
+    results.append({"Buffer (min)": b, "Locations bloquées": blocked, "Perte estimée ($)": round(perte_estimee, 2)})
+
+df_results_mob = pd.DataFrame(results2)
+st.dataframe(df_results_mob)
+
+
+st.markdown(""" CONNECT UNIQUEMENT""")
+
+df_valid_con = df[(df["state"] == "ended") & (df["checkin_type_canceled"] == "connect")].copy()
+df_valid_con["ecart"] = df_valid_con["time_delta_with_previous_rental_in_minutes"] - df_valid_con["delay_at_checkout_in_minutes"]
+
+def count_blocked(df, buffer):
+    return (df["ecart"] < buffer).sum()
+
+results3 = []
+for b in [30, 60, 90, 180]:
+    blocked = count_blocked(df_valid_con, b)
+    perte_estimee = blocked * loc_moyenne
+    results.append({"Buffer (min)": b, "Locations bloquées": blocked, "Perte estimée ($)": round(perte_estimee, 2)})
+
+df_results_con = pd.DataFrame(results3)
+st.dataframe(df_results_con)
+
+
+
 st.markdown("""
 👉 Un buffer **de 30 min bloque ~340 locations** → pertes supérieures aux gains.  
 👉 Un buffer de **180 min réduit beaucoup les annulations** mais fait perdre trop de CA.