app modif1

app.py

@@ -1,20 +1,125 @@
 import streamlit as st
+import pandas as pd
+import plotly.express as px
 
-st.set_page_config(page_title="Getaround Dashboard", layout="wide")
+# === CONFIG STREAMLIT ===
+st.set_page_config(page_title="Getaround – Dashboard Analyse", layout="wide")
 
-st.title("🚗 Getaround - Dashboard")
-st.markdown("Bienvenue sur le tableau de bord des retards et optimisations de prix.")
+st.title("🚗 Dashboard Analyse – Getaround")
+st.markdown("""
+Bienvenue sur le dashboard interactif de l’étude Getaround.  
+Nous allons explorer :  
+1. Les retards et annulations  
+2. L’impact d’un buffer entre deux locations  
+3. L’analyse des prix des véhicules  
+4. La conclusion business
+""")
 
-st.header("Section test")
-st.write("Ici on affichera les graphiques issus de l’EDA.")
+# === CHARGEMENT DES DONNÉES ===
+df = pd.read_csv("data/get_around_delay_analysis.csv")
+df_pricing = pd.read_csv("data/pricing_clean.csv")
 
+# === SECTION 1 : EDA SUR LES RETARDS ===
+st.header("📊 Analyse des retards et annulations")
 
-import pandas as pd
-import plotly.express as px
+# Pie chart état
+fig_state = px.pie(df, names="state", title="Répartition par état des locations")
+st.plotly_chart(fig_state, use_container_width=True)
+
+st.markdown("""
+👉 Environ **15 % des transactions sont annulées**.  
+La proportion est légèrement plus élevée via **Connect** que via Mobile.
+""")
+
+# Histogramme retards
+fig_delay = px.histogram(
+    df.query("-150 <= delay_at_checkout_in_minutes <= 150"),
+    x="delay_at_checkout_in_minutes",
+    nbins=60,
+    title="Distribution des retards (fenêtre -150 à 150 min)"
+)
+st.plotly_chart(fig_delay, use_container_width=True)
+
+st.markdown("""
+👉 La majorité des retards est **courte** :  
+- 50 % ≤ 9 min  
+- 75 % ≤ 67 min  
+Mais certains cas extrêmes dépassent plusieurs jours.
+""")
+
+# === SECTION 2 : ANALYSE DES ANNULATIONS ===
+st.header("❌ Analyse des annulations liées aux retards")
+
+annulation = (df["state"] == "canceled").sum()
+st.metric("Nombre total d'annulations", annulation)
+
+st.markdown("""
+👉 Parmi les **229 annulations liées à une location précédente**,  
+seules **37** sont dues à un **retard supérieur à l’heure prévue**.  
+Ces retards sont très longs (~4h15 en moyenne).
+""")
+
+# === SECTION 3 : IMPACT DES BUFFERS ===
+st.header("⏳ Simulation de buffer entre locations")
+
+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"]
+
+def count_blocked(df, buffer):
+    return (df["ecart"] < buffer).sum()
+
+results = []
+for b in [30, 60, 90, 180]:
+    blocked = count_blocked(df_valid, b)
+    perte_estimee = blocked * loc_moyenne
+    results.append({"Buffer (min)": b, "Locations bloquées": blocked, "Perte estimée ($)": round(perte_estimee, 2)})
+
+df_results = pd.DataFrame(results)
+st.dataframe(df_results)
+
+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.  
+**Conclusion : un buffer global n’est pas viable.**
+""")
+
+# === SECTION 4 : ANALYSE DU PRICING ===
+st.header("💰 Analyse des prix de location")
+
+fig_price = px.histogram(df_pricing, x="rental_price_per_day", nbins=50,
+                         title="Distribution des prix de location par jour")
+st.plotly_chart(fig_price, use_container_width=True)
+
+st.markdown("""
+👉 Le marché est concentré autour de **100–140 $/jour**.  
+Les **SUV, coupés, cabriolets** sont plus chers.  
+Les **citadines** et **hatchbacks** moins chers.
+""")
+
+# Boxplot prix par fuel
+fig_fuel = px.box(df_pricing, x="fuel", y="rental_price_per_day",
+                  title="Prix selon le type de carburant")
+st.plotly_chart(fig_fuel, use_container_width=True)
+
+# === SECTION 5 : CONCLUSION BUSINESS ===
+st.header("📌 Conclusion business")
 
+st.markdown("""
+Nos analyses montrent :  
+- Les retards courts sont fréquents, mais les **annulations sont rares (229 cas)**.  
+- Les retards extrêmes sont à l’origine de la majorité des conflits.  
+- Un buffer global **réduit les annulations mais détruit plus de revenu** qu’il n’en sauve.  
 
-df_pricing = pd.read_csv("data/get_around_pricing_project.csv")
+✅ **Recommandations** :  
+- Pas de buffer global.  
+- Buffer ciblé (<1h) sur cas à risque.  
+- Notifications pour inciter à rendre le véhicule en avance.  
+- Eventuellement pénalités pour retards répétés.  
 
-st.subheader("Répartition des prix")
-fig = px.histogram(df_pricing, x="rental_price_per_day", nbins=50, title="Distribution des prix")
-st.plotly_chart(fig)
+👉 L’impact économique du buffer est donc limité,  
+mais des mesures ciblées peuvent réduire la friction sans perte majeure de CA.
+""")