Maxime, alumni DataBird souhaitait mettre à profit ses compétences data dans un projet qu’il voulait à impact et proche de ses engagements. En analysant les performances de la plateforme GreenGo, Maxime et son équipe ont tenté de déterminer quels sont les critères qui déterminent le succés d’un hébergement.
Quels étaient les membres de ton équipe, le background de chacun ? Et pourquoi cette volonté de vous former à la data analyse ?
L’équipe était composée de 4 personnes aux profils très variés :
- Alexis, ancien Sales chez StaffMe et Medoucine
- Minh Anh, spécialiste des langues et du NLP
- Pierre-Edouard, ancien contrôleur de gestion
- Maxime, ancien Product Manager chez Selency
Nous arrivions chacun avec des projets un peu différents, mais tous avec la même envie de reconversion et de trouver un nouveau challenge en tant que Data analyst.
Quel était votre projet et avec qui travaillais-tu?
Nous avons choisi de travailler avec GreenGo pour ce projet. Ils ont créé une plateforme de réservation de logements et ont pour mission de promouvoir un tourisme plus local et plus durable, en mettant en valeur les trésors de nos régions plutôt que le bout du monde. En bref : proposer une alternative authentique, équitable, responsable, et française à Booking et Airbnb.
Peux-tu nous expliquer le but, le déroulement du projet et les outils data utilisés ?
Après un an d’activité, Guillaume (CEO et co-fondateur de GreenGo) souhaitait prendre un peu de recul sur leurs performances, et répondre à la question suivante : Quels sont les critères qui déterminent le succès (ou non) d’un hébergement ? Pour y répondre, nous avons dû suivre les étapes suivantes :
- Déjà, définir ce qu’est un logement “à succès”. Pour ça, nous avons défini ensemble la metric la plus pertinente.
- Ensuite, nous avons mené une analyse poussée sur toutes les caractéristiques des logements qui pourraient expliquer son succès (localisation, équipements, type d’expérience, etc).
- Enfin, nous avons construit une ébauche de modèle pour prédire le succès ou non d’un logement.
Pour ces analyses, nous avons principalement utilisé Python pour explorer la donnée, et Tableau pour la visualisation.
Nous avons choisi GreenGo car nous avions à coeur de soutenir un projet à impact. Nous avons aussi senti que nous pouvions leur apporter une réelle aide, et c’était important pour nous de sentir que nous pouvions apporter quelque chose de concret.
Comment vous-êtes-vous organisés ?
Je dirais que nous avons procédé en trois temps :
- Une 1ère phase exploratoire, au cours de laquelle on s’est tous familiarisés avec l’entreprise et ses données. Ça partait un peu dans tous les sens, mais ça nous a permis de bien défricher.
- Ensuite, une seconde phase où nous avons définis ensemble la metric clé qui témoignerait du succès ou non d’un logement, et les caractéristiques à analyser. Nous nous sommes alors répartis les analyses en fonction des appétences et compétences de chacun.
- Enfin, nous avons mis en commun les résultats, et construit ensemble notre interprétation et la conclusion de notre analyse.
Quelles ont été les difficultés à surmonter lors du projet ?
Définir la bonne méthode d’analyse. Nous avons passé beaucoup de temps à bien définir ce qui nous permettrait de bien comparer et analyser chaque caractéristique sans induire trop de biais. Il fallait aussi très bien gérer son temps, car deux semaines ça passe très très vite !
Qu’est-ce que tu as aimé dans ce projet et qu’est-ce que tu en retires ?
J’ai aimé le fait qu’on réussisse à apporter une aide concrète : nous avons pu présenter à Guillaume des pistes fortes qui expliquent le succès de certains logements, et des recommandations solides pour son équipe. Je pense que nous nous sommes tous sentis comblés quand il nous a félicités pour le travail accompli et qu’il allait présenter ces résultats au reste de l’équipe.
Un conseil pour les prochains DataBirdies ?
La formation permet d’avoir de vraies bases solides en Data, au point de pouvoir mener un vrai projet de A à Z à la fin. Mon conseil est de se donner à fond pendant les cours, et ne pas hésiter à aller plus loin avec les ressources accessibles en ligne (sur Youtube, Datacamp et Kaggle par exemple).
.webp)