app modif buffer3

app.py

@@ -102,10 +102,10 @@ conflict_minus180 = merged[
 
 # Création d'une liste de résultats
 results = [
-    {"Buffer": "-30 min", "Conflits": len(conflict_minus30), "Moyenne retard (min)": conflict_minus30["delay_at_checkout_in_minutes"].mean()},
-    {"Buffer": "-60 min", "Conflits": len(conflict_minus60), "Moyenne retard (min)": conflict_minus60["delay_at_checkout_in_minutes"].mean()},
-    {"Buffer": "-90 min", "Conflits": len(conflict_minus90), "Moyenne retard (min)": conflict_minus90["delay_at_checkout_in_minutes"].mean()},
-    {"Buffer": "-180 min", "Conflits": len(conflict_minus180), "Moyenne retard (min)": conflict_minus180["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-30 min", "Conflits": (len(conflict_minus30)-len(conflict_strict)), "Moyenne retard (min)": conflict_minus30["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-60 min", "Conflits": (len(conflict_minus60)-len(conflict_strict)), "Moyenne retard (min)": conflict_minus60["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-90 min", "Conflits": (len(conflict_minus90)-len(conflict_strict)), "Moyenne retard (min)": conflict_minus90["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-180 min", "Conflits": (len(conflict_minus180)-len(conflict_strict)), "Moyenne retard (min)": conflict_minus180["delay_at_checkout_in_minutes"].mean()},
 ]
 df_conflicts = pd.DataFrame(results)
 df_conflicts['lost_value'] = df_conflicts["Conflits"]*loc_moyenne
@@ -141,8 +141,8 @@ merged_mob = merged[mask]
 conflict_strict1= merged_mob[
     merged_mob["delay_at_checkout_in_minutes"] > merged_mob["time_delta_with_previous_rental_in_minutes"]
 ]
-print("Conflits stricts :", len(conflict_strict1))
-print("Moyenne retard précédent (conflits seulement) :", conflict_strict1["delay_at_checkout_in_minutes"].mean().round(2))
+st.metric("Conflits stricts :", len(conflict_strict1))
+st.metric("Moyenne retard précédent (conflits seulement) :", conflict_strict1["delay_at_checkout_in_minutes"].mean().round(2))
 
 # Cas "conflit -30min"
 conflict_1minus30 = merged_mob[
@@ -164,10 +164,10 @@ conflict_1minus180 = merged_mob[
 
 # Création d'une liste de résultats
 results = [
-    {"Buffer": "-30 min", "Conflits": len(conflict_1minus30), "Moyenne retard (min)": conflict_1minus30["delay_at_checkout_in_minutes"].mean()},
-    {"Buffer": "-60 min", "Conflits": len(conflict_1minus60), "Moyenne retard (min)": conflict_1minus60["delay_at_checkout_in_minutes"].mean()},
-    {"Buffer": "-90 min", "Conflits": len(conflict_1minus90), "Moyenne retard (min)": conflict_1minus90["delay_at_checkout_in_minutes"].mean()},
-    {"Buffer": "-180 min", "Conflits": len(conflict_1minus180), "Moyenne retard (min)": conflict_1minus180["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-30 min", "Conflits": (len(conflict_1minus30)-len(conflict_strict1)), "Moyenne retard (min)": conflict_1minus30["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-60 min", "Conflits": (len(conflict_1minus60)-len(conflict_strict1)), "Moyenne retard (min)": conflict_1minus60["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-90 min", "Conflits": (len(conflict_1minus90)-len(conflict_strict1)), "Moyenne retard (min)": conflict_1minus90["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-180 min", "Conflits": (len(conflict_1minus180)-len(conflict_strict1)), "Moyenne retard (min)": conflict_1minus180["delay_at_checkout_in_minutes"].mean()},
 ]
 df_conflicts_mob = pd.DataFrame(results)
 df_conflicts_mob['lost_value'] = df_conflicts_mob["Conflits"]*loc_moyenne
@@ -180,8 +180,8 @@ merged_connect = merged[mask]
 conflict_strict2 = merged_connect[
     merged_connect["delay_at_checkout_in_minutes"] > merged_connect["time_delta_with_previous_rental_in_minutes"]
 ]
-print("Conflits stricts :", len(conflict_strict2))
-print("Moyenne retard précédent (conflits seulement) :", conflict_strict2["delay_at_checkout_in_minutes"].mean().round(2))
+st.metric("Conflits stricts :", len(conflict_strict2))
+st.metric("Moyenne retard précédent (conflits seulement) :", conflict_strict2["delay_at_checkout_in_minutes"].mean().round(2))
 
 # Cas "conflit -30min"
 conflict_2minus30 = merged_connect[
@@ -203,10 +203,10 @@ conflict_2minus180 = merged_connect[
 
 # Création d'une liste de résultats
 results = [
-    {"Buffer": "-30 min", "Conflits": len(conflict_2minus30), "Moyenne retard (min)": conflict_2minus30["delay_at_checkout_in_minutes"].mean()},
-    {"Buffer": "-60 min", "Conflits": len(conflict_2minus60), "Moyenne retard (min)": conflict_2minus60["delay_at_checkout_in_minutes"].mean()},
-    {"Buffer": "-90 min", "Conflits": len(conflict_2minus90), "Moyenne retard (min)": conflict_2minus90["delay_at_checkout_in_minutes"].mean()},
-    {"Buffer": "-180 min", "Conflits": len(conflict_2minus180), "Moyenne retard (min)": conflict_2minus180["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-30 min", "Conflits": (len(conflict_2minus30)-len(conflict_strict2)), "Moyenne retard (min)": conflict_2minus30["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-60 min", "Conflits": (len(conflict_2minus60)-len(conflict_strict2)), "Moyenne retard (min)": conflict_2minus60["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-90 min", "Conflits": (len(conflict_2minus90)-len(conflict_strict2)), "Moyenne retard (min)": conflict_2minus90["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-180 min", "Conflits": (len(conflict_2minus180)-len(conflict_strict2)), "Moyenne retard (min)": conflict_2minus180["delay_at_checkout_in_minutes"].mean()},
 ]
 df_conflicts_con = pd.DataFrame(results)
 
@@ -214,18 +214,17 @@ df_conflicts_con['lost_value'] = df_conflicts_con["Conflits"]*loc_moyenne
 
 st.dataframe(df_conflicts_con)
 
-st.mardown("""Les deux systèmes subissent des annulations liées aux délais courts.
-
+st.markdown("""Les deux systèmes subissent des annulations liées aux délais courts.
 Connect est plus fréquent en volume absolu, mais ses retards sont légèrement moins sévères.
-
 Mobile présente moins de cas mais avec des retards plus longs → donc plus difficiles à absorber sans impact client.
-
-Les deux méthodes sont exposées aux retards, mais Connect encaisse plus de cas tandis que Mobile concentre les retards les plus importants.""" )
-
-
+Les deux méthodes sont exposées aux retards, mais Connect encaisse plus de cas tandis que Mobile concentre les retards les plus importants.
+Un buffer opérationnel de 30 minutes permettrai un gain rapide sans trop affecté le CA global.
+""" )
 
 # === SECTION 3 : IMPACT DES BUFFERS ===
 st.header("⏳ Simulation de buffer entre locations")
+st.markdown(""" Afin d'analyser l'impact d'un buffer nous prenons cette fois ci que les location qui a eu lieu et filtrons toutes les location ayant débuté dans les 30 minutes qui suit la précéddentes.
+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
@@ -281,9 +280,9 @@ Nos analyses montrent :
 
 ✅ **Recommandations** :  
 - Pas de buffer global.  
-- Buffer ciblé (<1h) sur cas à risque.  
+- Buffer ciblé (<1h) sur cas à risque, zone chaude.  
 - Notifications pour inciter à rendre le véhicule en avance.  
-- Eventuellement pénalités pour retards répétés.  
+- Eventuellement pénalités pour retards répétés.(=> mais c'est anticommercial )
 
 👉 L’impact économique du buffer est donc limité,  
 mais des mesures ciblées peuvent réduire la friction sans perte majeure de CA.