Stimuler les dons : analyse et modélisation ML pour améliorer les opérations de collecte alimentaire

Par : Uchenna Mgbaja, Nazmus Sakeef, Kendrick Moreno, Catrina Llamas et Roe Alincastre; NorQuest College

Présentation

Le projet Edmonton Food Drive (EFD) est le fruit d’une collaboration entre le NorQuest College, l’Église LDS, etc. visant à améliorer la logistique de l’une des plus grandes initiatives communautaires de dons alimentaires de l’Alberta. Le système actuel de gestion des dons alimentaires rencontre des difficultés dans la coordination des lieux de dépôt, des processus de collecte et de la planification des itinéraires. Il est nécessaire d’automatiser et d’améliorer ces processus afin de garantir la collecte des dons en temps voulu et de minimiser les complexités logistiques.

Ce projet multipartite vient en aide à plus de 40 000 personnes chaque mois en distribuant plus de 400 000 repas à des personnes dans le besoin. Ces chiffres montrent l’importance de la demande au sein de la communauté et soulignent le rôle essentiel des efforts de collaboration dans la lutte contre l’insécurité alimentaire.

L’objectif de ce projet était de développer une solution d’apprentissage automatique afin d’améliorer la gestion des activités de dons alimentaires en Alberta. Le projet vise à accroître l’efficacité et l’efficience des processus de dépôt et de collecte, à rationaliser la planification des itinéraires et à améliorer l’allocation des ressources.

Solutions proposées

Un élément clé de l’Edmonton Food Drive est le rôle joué par les paroisses et les pieux, les unités organisationnelles au sein de l’Église de Jésus-Christ des Saints des Derniers Jours (LDS), qui facilitent la participation des bénévoles et la coordination logistique.

Dans l’Église LDS, une paroisse est une congrégation locale qui dessert une zone géographique spécifique, tandis qu’un pieu est une unité administrative plus grande composée de plusieurs paroisses. Dans le cadre du projet EFD, les pieux supervisent plusieurs paroisses, fournissant un soutien organisationnel et des ressources, tandis que les paroisses coordonnent les efforts des bénévoles, la collecte des dons et la gestion des itinéraires dans leurs zones respectives.

Sur la base des objectifs du projet, les solutions suivantes ont été proposées et développées pour relever les défis identifiés :

• Amélioration de la collecte de données :

Créer des formulaires d’acquisition de données pour collecter des données auprès des paroisses par le biais d’enquêtes structurées, permettant aux bénévoles de répondre aux questions aussi rapidement et efficacement que possible.

• Analyse des tendances :

Utiliser la visualisation des données et des techniques statistiques pour effectuer une analyse d’une année sur l’autre, révélant les tendances critiques et les indicateurs de performance.

• Tableaux de bord interactifs :

Créer des tableaux de bord interactifs et conviviaux qui permettent aux parties prenantes d’explorer et de comparer facilement les données, facilitant ainsi une prise de décision plus éclairée.

• Modélisation prédictive :

Mettre en œuvre des techniques d’apprentissage automatique pour développer un modèle prédictif qui prévoit les tendances en matière de dons et identifie les nouvelles tendances.

• Prévisions d’efficacité :

Construire un modèle prédictif pour estimer quels paroisses ou pieux auront le plus grand impact en termes d’efficacité pour 2025.

• Application de cartographie des itinéraires :

Développer une application de numérisation des itinéraires qui génère automatiquement des cartes numérisées pour les bénévoles, améliorant ainsi l’efficacité opérationnelle. Créer une application de cartographie des itinéraires qui génère des cartes interactives pour les bénévoles, en se concentrant sur les adresses à forte demande ou les zones sensibles pour une efficacité opérationnelle à long terme.

Ces solutions proposées visaient à rationaliser les processus opérationnels, à renforcer l’engagement des parties prenantes et à tirer parti des informations prédictives pour améliorer la planification et l’exécution des futures collectes alimentaires.

Méthodologie

Collecte de données

Les données sur les volumes de dons, les itinéraires et la participation des bénévoles ont été recueillies lors de la collecte alimentaire d’Edmonton en septembre 2023 et septembre 2024. Les données ont été collectées auprès de 6 pieux et 27 paroisses. Ces données ont été systématiquement collectées auprès de centres de collecte désignés, assignés par les représentants des clients, afin de garantir une couverture précise des itinéraires et des régions spécifiques. Bien que complètes dans le cadre du champ d’application assigné, les données ne représentaient pas tous les points de collecte d’Edmonton, ce qui limitait leur applicabilité à l’ensemble de la ville.

Ensembles de données :

Nous avons commencé notre analyse sur les données collectées en 2023 auprès des paroisses. En 2024, nous avons ajouté des règles de validation des données afin de réduire les risques d’erreurs de saisie tout en veillant à ce que le temps nécessaire aux bénévoles pour remplir le formulaire reste aussi court qu’auparavant.

Les données collectées en 2023 se concentraient sur les renseignements essentiels relatifs à la collecte des dons, aux bénévoles et aux itinéraires. Bien qu’elles aient fourni une base solide, elles étaient limitées en termes de validation des données et de richesse des caractéristiques. L’ensemble de données comprenait 13 caractéristiques et 454 échantillons.

Nom de la colonne	Description
Date	Date à laquelle la collecte alimentaire a eu lieu.
Lieu	Zone ou quartier spécifique où la collecte alimentaire a été effectuée.
Pieu	L’organisation ou le groupe responsable de la gestion des bénévoles dans la zone.
Nombre de bénévoles adultes	Nombre de bénévoles adultes ayant participé à l’activité.
Nombre de jeunes bénévoles	Le nombre de jeunes bénévoles qui ont participé à l’activité.
Sacs de dons collectés	Le nombre total de sacs de dons collectés pendant l’activité.
Temps nécessaire pour terminer (min)	Le temps total (en minutes) nécessaire pour terminer le ou les itinéraires assignés.
Plus d’un itinéraire parcouru	Indique si plus d’un itinéraire a été parcouru (p. ex., Oui/Non).
Paroisse	Paroisse municipale où la collecte alimentaire a eu lieu.
Itinéraires parcourus	Nombre total d’itinéraires parcourus par les bénévoles.
Portes sur l’itinéraire	Nombre total de portes couvertes dans l’itinéraire attribué.
Numéro/nom de l’itinéraire.1	Identifiant ou nom de l’itinéraire attribué aux bénévoles.
Temps passé	Durée totale passée par les bénévoles pendant l’activité de collecte alimentaire.
Nombre de bénévoles adultes	Nombre de bénévoles adultes ayant participé à l’activité.

Tableau 1 : Informations sur les caractéristiques de l’ensemble de données EFD 2023

Description : Cet ensemble de données comprend les données collectées au moyen d’un formulaire Google pendant la collecte alimentaire d’Edmonton 2023. Nombre de caractéristiques : 13; nombre d’échantillons : 454.

Nom de la colonne	Description
Identifiant	Identifiant unique attribué à chaque formulaire soumis.
Heure de début	Heure à laquelle le bénévole a commencé à remplir le formulaire.
Heure de fin	Heure à laquelle le bénévole a terminé de remplir le formulaire.
Courriel	Adresse courriel fournie par le bénévole.
Nom	Nom du bénévole.
Comment avez-vous reçu le formulaire?	Méthode par laquelle le bénévole a reçu le formulaire (p. ex., courriel, lien).
Adresse courriel	Adresse courriel de contact pour toute communication ultérieure.
Lieu de dépôt	Lieu principal où les dons ont été déposés.
Autres lieux de dépôt	Autres lieux où les dons ont été déposés.
Pieu	Pieu spécifique responsable de l’organisation de la participation du bénévole.
Pieux de Bonnie Doon	Indique l’implication dans le pieu de Bonnie Doon.
Pieu d’Edmonton Nord	Indique l’implication dans le pieu d’Edmonton Nord.
Pieu de Gateway	Indique la participation dans le pieu de Gateway.
Pieu de Riverbend	Indique la participation dans le pieu de Riverbend.
Pieu de Sherwood Park	Indique la participation dans le pieu de Sherwood Park.
Pieu YSA	Indique la participation dans le pieu des jeunes adultes seuls (Young Single Adults; YSA).
Numéro/nom de l’itinéraire	Identifiant ou nom de l’itinéraire de collecte des dons.
Temps passé à collecter les dons	Temps total passé à collecter les dons pour l’itinéraire.
Nombre d’adultes bénévoles ayant participé à cet itinéraire	Nombre d’adultes bénévoles ayant participé à cet itinéraire spécifique.
Nombre de jeunes bénévoles ayant participé à cet itinéraire	Nombre de jeunes bénévoles ayant participé à cet itinéraire spécifique.
Nombre de portes sur l’itinéraire	Nombre total de portes couvertes sur l’itinéraire.
Nombre de sacs de dons collectés	Nombre total de sacs de dons collectés sur l’itinéraire.
Avez-vous effectué plus d’un itinéraire?	Indique si le bénévole a effectué plus d’un itinéraire (p. ex., Oui/Non).
Combien d’itinéraires avez-vous effectués?	Le nombre total d’itinéraires effectués par le bénévole.
Itinéraires supplémentaires effectués (2 itinéraires)	Détails sur un deuxième itinéraire supplémentaire effectué, le cas échéant.
Itinéraires supplémentaires effectués (3 itinéraires)	Détails sur un troisième itinéraire supplémentaire effectué, le cas échéant.
Itinéraires supplémentaires effectués (3 itinéraires)2	Détails concernant un troisième itinéraire supplémentaire parcouru, le cas échéant.
Itinéraires supplémentaires parcourus (plus de 3 itinéraires)	Détails concernant les itinéraires supplémentaires parcourus au-delà de trois, le cas échéant.
Itinéraires supplémentaires parcourus (plus de 3 itinéraires)2	Détails supplémentaires concernant les itinéraires parcourus au-delà de trois, le cas échéant.
Itinéraires supplémentaires parcourus (plus de 3 itinéraires)3	Détails supplémentaires concernant les itinéraires parcourus au-delà de trois, le cas échéant.
Commentaires ou retours	Tout commentaire, suggestion ou retour supplémentaire fourni par le bénévole II.

Tableau 2 : renseignements sur les caractéristiques de l’ensemble de données EFD 2024

Description : Cet ensemble de données comprend les données collectées via un formulaire Microsoft pendant la collecte alimentaire d’Edmonton 2023. Nombre de caractéristiques : 31; nombre d’échantillons : 653

Extraction de renseignements géographiques : ensemble de données sur les quartiers de la ville d’Edmonton

Afin de compléter les données de la collecte alimentaire, l’ensemble de données sur les quartiers de la ville d’Edmonton [Lien] a été intégré à l’analyse. Cet ensemble de données a fourni des coordonnées géographiques et les noms des quartiers, permettant ainsi une analyse géospatiale des tendances en matière de dons et de l’efficacité des itinéraires.

Les renseignements géographiques ont été extraits de l’ensemble de données sur les évaluations foncières et fusionnées avec les données de la collecte alimentaire à l’aide des noms uniques des quartiers. Ces données ont ensuite été utilisées pour générer des cartes qui fournissent des renseignements visuels sur les modèles et les tendances en matière de dons au niveau des quartiers. Les colonnes présentées dans le tableau 3 ont été spécialement extraites à cette fin :

Nom de la colonne	Description
Nom de la colonne	Nom officiel du quartier dans la ville d’Edmonton.
Latitude	Coordonnée géographique indiquant la position nord-sud du quartier.
Longitude	Coordonnée géographique indiquant la position est-ouest du quartier.

Tableau 3 : Renseignements sur les caractéristiques de l’ensemble de données sur les quartiers de la ville d’Edmonton

Description : Les données géographiques des quartiers de la ville d’Edmonton fournissent des renseignements complets sur les limites des quartiers, la démographie, l’utilisation des sols et d’autres caractéristiques utiles pour l’urbanisme et l’analyse. Nombre de caractéristiques : 3; nombre d’échantillons : 427

Ces renseignements ont été essentiels pour créer des visualisations géospatiales interactives et des cartes numériques des itinéraires pour la collecte alimentaire d’Edmonton.

Analyse exploratoire des données

Les données collectées ont été nettoyées et préparées pour l’analyse afin d’en garantir l’exactitude et la cohérence. Des visualisations clés ont été générées afin de fournir des renseignements comparatifs, en mettant l’accent sur l’identification des tendances et des modèles en matière de volumes de dons, d’affectation des bénévoles et d’efficacité des itinéraires. Les renseignements se limitaient aux données collectées auprès des centres de collecte désignés, soulignant la nécessité d’une stratégie de collecte de données plus complète pour les futures collectes. Notre stratégie d’analyse exploratoire des données consistait à examiner chaque caractéristique individuellement et à effectuer des analyses détaillées pour chacune d’entre elles.

Nous avons procédé à une analyse complète des données de la collecte alimentaire d’Edmonton, en nous concentrant sur la mise en évidence de modèles et de relations afin d’améliorer la compréhension des variables clés et d’optimiser les efforts futurs. L’analyse a commencé par l’examen de la fréquence et de la répartition des lieux de dépôt, en explorant leur relation avec des variables telles que le nombre de sacs de dons collectés et le nombre de bénévoles impliqués. La fréquence des différentes valeurs de « pieux » a été évaluée et leur impact sur les caractéristiques numériques, notamment le nombre de portes et de sacs de dons, a été analysé de près.

En outre, nous avons exploré les aspects liés au temps, en analysant la fréquence des différentes catégories de temps et en étudiant les différences de temps passé entre les « pieux » et les « paroisses ». La répartition des données entre les paroisses a également fait l’objet d’une attention particulière, en examinant comment certaines paroisses influençaient d’autres variables, telles que le nombre de sacs de dons et d’itinéraires. La participation des bénévoles a également été analysée, en accordant une attention particulière à la corrélation entre les bénévoles adultes et d’autres caractéristiques numériques, ainsi qu’à la répartition globale des bénévoles entre les différentes zones.

La répartition du nombre de portes a été évaluée par rapport à des variables catégorielles, et le nombre moyen de portes par « pieu » a été calculé. En outre, la relation entre les sacs de dons et le nombre d’itinéraires a été analysée, en comparant les variations du nombre de sacs de dons entre les différents lieux et paroisses. Les tendances annuelles ont également été étudiées, afin d’identifier les changements dans les volumes de dons et le nombre total de bénévoles au fil du temps.

Grâce à cette analyse, nous avons découvert des renseignements précieux sur les relations entre les lieux de dépôt, les bénévoles et les tendances en matière de dons.

Affiner les données :

Pour l’ensemble de données EFD 2024, nous avons identifié les problèmes suivants et appliqué les méthodes respectives pour les résoudre.

Problèmes détectés	Méthode d’affinage
Noms de colonnes trop longs	Renommer les noms de colonnes pour plus de clarté
Formats de chaînes incohérents	Suppression des espaces avant et après Conversion au format titre Suppression des caractères inutiles
Types de données incorrects et incohérents	Conversion des variables aux types de données corrects
Valeurs nulles détectées	Variables numériques : Imputation de la moyenne pour remplacer les valeurs nulles, en conservant la distribution de l’ensemble de données à l’aide de la moyenne de la caractéristique. Variables catégorielles : Aucune valeur nulle détectée
Valeurs vides détectées	Marquage des champs catégoriels vides avec des espaces réservés (p. ex., « Itinéraires inconnus »)
Valeurs dupliquées	Suppression des valeurs et des colonnes dupliquées
Trop de données non pertinentes	Suppression des colonnes non pertinentes
Identification des valeurs aberrantes	Détection à l’aide de la méthode IQR et imputation à l’aide de la moyenne
Tableau 4 : Problèmes identifiés dans l’ensemble de données EFD 2024 et leurs solutions respectives

Après avoir affiné les données de l’ensemble EFD 2024, nous l’avons fusionné avec l’ensemble EFD 2023 et l’ensemble de données sur les quartiers de la ville d’Edmonton. Nous avons utilisé notre ensemble de données final nettoyé pour une analyse plus approfondie.

Visualisation des données :

Nous avons créé des visualisations interactives à l’aide de Tableau afin de rendre nos conclusions EDA faciles à comprendre. Ces visualisations permettent aux utilisateurs d’explorer les données et d’obtenir des renseignements grâce à des graphiques et des cartes dynamiques. Le tableau de bord comprend divers graphiques et cartes qui présentent les aspects clés de notre analyse de manière simple et claire. La figure 2 montre les visualisations incluses dans le tableau de bord qui viennent étayer notre analyse globale.

Les principales fonctionnalités du tableau de bord sont les suivantes :

• Carte des ICR pour les fonctionnalités clés : affiche le nombre total de sacs de dons, de maisons, d’itinéraires, de bénévoles et le temps moyen passé, en fonction des critères sélectionnés.
• Nombre total de sacs de dons par paroisse : cette carte d’Edmonton montre la répartition des sacs de dons dans les différentes paroisses, offrant une comparaison claire de leur répartition dans la ville.
• Les dix paroisses les plus efficaces : met en évidence les 10 paroisses les plus efficaces, en présentant leurs performances à l’aide d’indicateurs clés.
• Nombre total de bénévoles : graphique à barres comparant le nombre de bénévoles au fil des ans, offrant un aperçu des tendances et des changements au fil du temps.
• Principaux contributeurs par paroisse : carte thermique montrant les contributions de chaque paroisse, utilisant des dégradés de couleurs pour mettre en évidence les zones où les contributions sont les plus élevées et les plus faibles.
• Graphique sacs de dons c. temps passé : visualisation comparant le nombre de sacs de dons au temps passé, donnant un aperçu de l’efficacité du processus de dons.

Apprentissage automatique

Avant de développer et d’évaluer des modèles d’apprentissage automatique, nous avons effectué plusieurs étapes de préparation des données afin de garantir des entrées de haute qualité.

Ingénierie des caractéristiques

Afin d’améliorer l’ensemble de données, nous avons introduit trois nouvelles caractéristiques :

• Nombre total de bénévoles : somme du nombre total de bénévoles adultes et du nombre total de bénévoles jeunes.
• Sacs de dons par porte : Le nombre de sacs de dons divisé par le nombre de portes.
• Sacs de dons par itinéraire : le nombre de sacs de dons divisé par le nombre d’itinéraires.

De plus, nous avons appliqué un encodage one-hot à la caractéristique « Paroisses » afin de traiter les données catégorielles et de garantir que toutes les variables étaient correctement formatées pour la modélisation.

Division et normalisation des données

Nous avons divisé les données en ensembles d’entraînement et de test, en utilisant les données de 2023 pour l’entraînement et celles de 2024 pour le test. Cette approche nous a permis de valider les performances du modèle sur des données non vues. Afin de maintenir la cohérence entre les caractéristiques numériques, nous avons appliqué une normalisation, en veillant à ce que toutes les valeurs soient sur une échelle comparable avant de les intégrer dans les modèles.

Développement et évaluation du modèle

Après la préparation des données, nous avons mis en œuvre et testé six modèles d’apprentissage automatique différents pour deux tâches de prédiction :

• Nombre total de sacs de dons.
• Temps passé pour chaque paroisse.

Chaque modèle a été évalué afin d’identifier le plus précis pour chaque tâche de prédiction. Les résultats ci-dessous résument leur rendement et leur efficacité.

Modèle	EMQ	EMQR	EAM	R²	R² ajusté
Linéaire Régression	3393,986256	58,257929	26,828851	-0,100185	-0,168338
Régression polynomiale	49,838645	7,059649	2,388835	0,983844	1,146869
Régression par arbre de décision	2356,665557	48,545500	8,232945	0,236070	0,188747
Régression par forêt aléatoire	1990,524740	44,615297	8,457754	0,354757	0,314786
Renforcement par gradation Régression	2144,987415	46,314009	8,164502	0,304687	0,261615
Régression des K plus proches voisins (K-Nearest Neighbors)	3092,228686	55,607811	17,474875	-0,002368	-0,064461
Tableau 5 : Indicateurs de rendement des modèles prédisant le nombre total de sacs de dons

D’après les résultats, le meilleur modèle pour prédire le nombre total de sacs de dons est la régression polynomiale, car il obtient les valeurs EMQ (7,059649) et EAM (2,388835) les plus faibles tout en atteignant le résultat R² le plus élevé (0,983844), ce qui indique un ajustement solide et une performance prédictive élevée.

Modèle	EMQ	EMQR	EAM	R²	R² ajusté
Linéaire Régression	1,583989	1,258566	0,917151	0,075887	2,771216
Régression polynomiale	0,708581	0,841772	0,634814	0,586608	1,014787
Régression par arbre de décision	0,192435	0,438674	0,356527	0,887732	1,215181
Régression par forêt aléatoire	0,216073	0,464836	0,377927	0,873941	1,241613
Régression par renforcement par gradation	0,256885	0,506838	0,391840	0,850131	1,287249
Régression des K plus proches voisins (K-Nearest Neighbors)	0,278344	0,527583	0,394887	0,837612	1,311244
Tableau 6 : Indicateurs de rendement pour les modèles prédisant le temps passé

Pour prédire le temps passé, le modèle de régression par arbre de décision se distingue comme le meilleur parmi les options répertoriées. Il obtient les valeurs EMQR (0,438674) et EAM (0,356527) les plus faibles, associées à un R² positif élevé (0,887732) et un R² ajusté (1,215181), ce qui indique une précision supérieure et une forte adéquation avec les données par rapport aux autres modèles.

Optimisation du modèle :

Pour le modèle de régression polynomiale utilisé pour prédire le nombre total de sacs de dons, nous avons choisi de ne pas effectuer de réglage supplémentaire afin d’éviter le risque de surajustement. Les mesures étant déjà acceptables, avec un résultat R² de 0,98, augmenter davantage la complexité du modèle pourrait entraîner une diminution de la généralisation et un surajustement des données d’apprentissage.

Analyse avancée :

Nous avons utilisé les modèles de régression polynomiale et d’arbre de décision pour prédire le nombre de sacs de dons et le temps passé par paroisse pour 2025. Vous trouverez ci-dessous quelques renseignements clés basés sur les valeurs prédites.

Le nombre prévu de sacs de dons pour l’année prochaine affiche une augmentation constante. Partant de 14 817 en 2023 et 14 751 en 2024, le nombre total de sacs de dons devrait augmenter pour atteindre 16 600 en 2025.

Les prévisions sur 12 mois concernant les sacs de dons révèlent les pieux les plus performants et les moins performants. Les trois pieux les plus performants, qui devraient contribuer le plus aux sacs de dons, sont Gateway, Bonnie Doon et Riverbend. En revanche, les trois pieux les moins performants, qui contribuent moins aux sacs de dons, sont YSA, Edmonton North et Riverbend.

Les prévisions sur 12 mois concernant les sacs de dons révèlent les paroisses les plus performantes et les moins performantes. Les 10 paroisses qui devraient contribuer le plus en termes de sacs de dons sont Lee Ridge, Crawford Plains, Silver Berry, Clareview, Blackmud Creek, Griesbach, Londonderry, Griesbach, Ellerslie, Rabbit Hill et Terwillegar. En revanche, les 10 paroisses les moins performantes, qui devraient contribuer moins de sacs de dons, sont Mill Creek YSA, Lago Lindo, Onoway, Whitemud Creek YSA, Devon, Beaumont, Wild Rose, Wainwright, Windsor Park et Pioneer. Ces renseignements montrent une variation notable dans les contributions aux dons entre les différentes paroisses.

Les trois pieux les plus efficaces (c’est-à-dire celles qui devraient générer le plus grand nombre de sacs de dons par unité de temps consacré) sont Gateway, Riverbend et Bonnie Doon. À l’inverse, les trois pieux les moins efficaces, c’est-à-dire celles qui devraient générer le moins de sacs de dons par unité de temps consacré, sont YSA, Edmonton North et Riverbend.

Les 10 paroisses les plus efficaces, c’est-à-dire celles qui devraient générer le plus grand nombre de sacs de dons par unité de temps passé, sont Lee Ridge, Silver Berry, Clareview, Rio Vista, Woodbend, Coronation Park, Londonderry, Greenfield, Clareview, Blackmud Creek et Griesbach. Ces paroisses devraient être plus efficaces pour convertir le temps passé en sacs de dons.

À l’inverse, les 10 paroisses les moins efficaces, c’est-à-dire ceux qui devraient générer le moins de sacs de dons par unité de temps passé, sont Mill Creek YSA, Lago Lindo Branch, Onoway, Whitemud Creek YSA, Devon, Beaumont, Strathcona Married Student, Wild Rose, Namao et Forest Heights. Ces paroisses devraient nécessiter plus de temps pour atteindre un nombre similaire de sacs de dons, ce qui reflète une moindre efficacité dans leurs efforts de collecte.

Déploiement

L’application finale a été divisée en six sections : la page de renseignements, la page du tableau de bord, la page des tendances, la page de prévision des sacs de dons, la page de prévision du temps passé et la page de l’application de cartographie des itinéraires. Chaque page possède une fonctionnalité distincte conçue pour fournir des renseignements spécifiques et utiles à ses utilisateurs, garantissant ainsi une expérience complète. Ensemble, ces sections permettent aux utilisateurs de naviguer facilement entre les différentes fonctionnalités, rendant les décisions basées sur les données plus accessibles et plus efficaces. La figure 8 montre la page du tableau de bord de l’application.

L’application a été déployée sur Tableau, où des visualisations interactives ont été créées pour représenter les tendances en matière de dons, la participation des bénévoles et les renseignements sur la cartographie des itinéraires.

• La cartographie des itinéraires a été encore améliorée grâce à Gradio de Hugging Face, qui a permis aux utilisateurs d’explorer de manière interactive les itinéraires de dons.
• Un robot conversationnel , également intégré à l’aide de Gradio, a fourni aux utilisateurs des réponses rapides aux questions relatives aux itinéraires et aux processus de dons.

Application de cartographie des itinéraires :

L’application de cartographie des itinéraires a été développée en réponse aux difficultés récurrentes du client pour générer des cartes précises et efficaces pour les itinéraires des bénévoles. Le processus précédent consistait à imprimer manuellement des parties de la carte d’Edmonton, à surligner les itinéraires à la main, puis à distribuer les cartes aux bénévoles, ce qui prenait beaucoup de temps et était source d’erreurs. Cette approche manuelle ralentissait non seulement les opérations, mais augmentait également le risque d’erreurs susceptibles d’affecter l’efficacité du processus de collecte des dons. Notre application simplifie et automatise la génération et la visualisation des itinéraires, améliorant ainsi l’efficacité globale, la précision et la facilité d’utilisation pour les bénévoles. Vous trouverez ci-dessous des images des cartes imprimées manuellement qui étaient utilisées auparavant, soulignant la nécessité d’une solution plus efficace.

L’application propose deux modes : le mode fixe et le mode personnalisé. Le mode fixe vise à numériser le processus de génération de cartes pour notre client, afin de rationaliser son flux de travail. Le mode personnalisé, quant à lui, est conçu pour la planification à long terme, générant des cartes basées sur les zones sensibles identifiées afin d’améliorer l’efficacité des itinéraires.

Pour générer des cartes en mode fixe, le client n’a qu’à sélectionner la paroisse et l’itinéraire souhaités, cliquer sur « Soumettre », télécharger la carte générée, puis l’envoyer facilement par courriel aux bénévoles. Ce processus simplifié élimine le besoin de créer manuellement des cartes, ce qui permet de gagner du temps et d’économiser des efforts. L’image fournie montre les résultats avant et après la génération de cartes à l’aide du mode fixe, soulignant l’efficacité et la facilité de la nouvelle approche.

Cette méthodologie met non seulement en évidence les points forts de l’analyse, mais montre également les domaines à améliorer en matière de collecte et de couverture des données afin d’optimiser les futurs processus décisionnels.

Résultats et conclusions

Le projet Edmonton Food Drive a permis d’obtenir plusieurs renseignements précieux et résultats pratiques grâce à l’analyse et à la modélisation des données collectées. Ces conclusions sont classées en plusieurs domaines clés d’amélioration opérationnelle : collecte de données, analyse de données, modélisation prédictive et déploiement d’applications.

Collecte de données

Observations clés :

Les données ont révélé des tendances notables d’une année sur l’autre, certaines paroisses affichant des schémas de dons constants, tandis que d’autres présentaient une variabilité importante dans les volumes de dons.

La paroisse de Belmead, bien qu’il ait fait l’objet d’une analyse détaillée, a mis en évidence les limites de l’exhaustivité des données, car tous les itinéraires n’ont pas été pris en compte en raison de la granularité des données rapportées par les bénévoles.

Analyse des données

Par rapport à la collecte alimentaire de 2023, les résultats de 2024 ont montré une diminution de plusieurs indicateurs clés : le nombre de sacs de dons, le nombre de bénévoles, le nombre de maisons et le temps moyen passé par itinéraire ont diminué respectivement de 0,4 %, 38,17 %, 38,17 % et 6,67 %.

Les meilleurs pieux en 2024 sont restés largement similaires à ceux de 2023, Gateway, Bonnie Doon, Riverbend, Edmonton North et YSA occupant les premières places du classement. Cependant, Riverbend et Bonnie Doon ont échangé leurs positions, ce qui indique un léger changement dans leur rendement relatif entre les deux années.

En 2024, Crawford Plains est resté dans le top 5, tout comme en 2023. De nouvelles paroisses, tels que Terwillegar Park et Griesbach, ont rejoint le haut du classement. En revanche, des paroisses tels que Coronation Park, Drayton Valley et Pioneer se sont retrouvés parmi les cinq derniers en 2024, remplaçant les paroisses en queue de peloton de l’année dernière, tels que Devon et Mill Creek YSA.

Modélisation prédictive

Prévision du nombre total de sacs de dons

Nous avons développé six modèles d’apprentissage automatique pour prédire le nombre total de sacs de dons pour chaque paroisse en 2025. Les principales conclusions de l’évaluation des modèles sont résumées ci-dessous :

Meilleur modèle : la régression polynomiale s’est révélée être le modèle le plus efficace, avec les valeurs EMQR (7,0596) et EAM (2,3888) les plus faibles, associées au score R² le plus élevé (0,9838). Ce modèle a su trouver un équilibre efficace entre simplicité et performance.

Observations clés : la régression polynomiale a surpassé les autres modèles, tels que la forêt aléatoire et le renforcement par gradation, grâce à sa capacité à saisir efficacement les relations non linéaires dans les données.

Prévision du temps passé

Six modèles ont été évalués pour prévoir le temps nécessaire pour effectuer les itinéraires de collecte. Les conclusions suivantes ont été tirées :

Meilleur modèle : la régression par arbre de décision a fourni les prévisions les plus précises, avec les valeurs EMQR (0,4387) et EAM (0,3565) les plus faibles, ainsi qu’un score R² élevé (0,8877) et un R² ajusté (1,2152). Ce modèle a su trouver un équilibre efficace entre simplicité et performance.

Observations clés : la régression par arbre de décision a surpassé la régression polynomiale et le gradient boosting pour cette tâche en raison de sa flexibilité dans le traitement des variations des données, telles que la complexité des itinéraires et les différences entre les bénévoles.

De plus, une analyse géospatiale a été intégrée pour concevoir des cartes numériques des itinéraires de collecte, identifiant les zones présentant le plus fort potentiel de dons. Cette tâche visait à rationaliser la logistique et à optimiser l’allocation des ressources lors des prochaines collectes.

Nous avons procédé à un réglage des hyperparamètres du modèle de régression décisionnelle pour prédire le temps passé, mais cela n’a pas donné lieu à des améliorations significatives. Le modèle ajusté a atteint une erreur moyenne quadratique (EMQ) de 0,2041, une erreur quadratique moyenne racine (EQMR) de 0,4517, une erreur absolue moyenne (EAM) de 0,3652, un R² de 0,8810 et un R² ajusté de 1,2282.

Ces visualisations issues de l’évaluation du modèle mettent en évidence les points forts du modèle, tels que ses faibles taux d’erreur et ses performances prédictives élevées pour la plupart des prédictions, tout en identifiant les domaines, comme les biais résiduels, qui pourraient être optimisés pour obtenir de meilleurs résultats.

Les modèles ont réussi à prédire à la fois les volumes de dons et le temps passé, permettant aux parties prenantes de prendre des décisions éclairées pour les futures collectes alimentaires.

Déploiement de l’application

L’application a été déployée afin de fournir aux parties prenantes une plateforme interactive et conviviale permettant de prédire les résultats des dons et d’améliorer la logistique. Le modèle le plus performant a été déployé sur Gradio de Hugging Face et intégré à Tableau afin de faciliter la prise de décision pour les futures collectes alimentaires.

Paramètres d’entrée de l’application pour la prédiction :

Paroisse : sélectionne la paroisse spécifique pour lequel des prédictions sont nécessaires.
Temps passé (minutes) : saisit le temps estimé que les bénévoles passent à parcourir les itinéraires.
Nombre de portes : saisit le nombre total de portes couvertes dans la paroisse sélectionnée.
Nombre d’itinéraires : permet aux utilisateurs de spécifier le nombre d’itinéraires inclus dans l’analyse.
Année : permet de faire des prévisions pour les futures collectes alimentaires, de 2025 à 2030.
Nombre total de bénévoles : spécifie le nombre de bénévoles affectés à la tâche.

L’application utilise les données fournies pour générer une valeur prévisionnelle du nombre total de sacs de dons. Cette prévision aide les parties prenantes à évaluer l’efficacité de leur planification et de leur allocation de ressources pour les collectes à venir.

Défis rencontrés :

Le projet de collecte alimentaire d’Edmonton a rencontré plusieurs défis qui ont eu un impact sur la collecte de données, l’analyse et la précision des prévisions. Ces défis, bien que importants, ont fourni des renseignements précieux pour améliorer les futures collectes alimentaires.

Limites de la collecte de données :

En raison de contraintes de ressources, les données n’ont été collectées qu’à partir de certains points de collecte à Bearspaw, Londonderry, Riverbend, Gateway et Bonnie Doon. Cette couverture limitée a donné lieu à des ensembles de données incomplets qui ne représentaient pas entièrement toutes les zones participantes à Edmonton.

Le fait que plusieurs bénévoles géraient le même itinéraire et déposaient un grand nombre de sacs de dons a entraîné des entrées de données incomplètes ou dupliquées, ce qui a compliqué davantage la précision des données collectées.

Incohérences dans la structure des ensembles de données :

Les ensembles de données pour 2023 et 2024 contenaient des divergences dues aux adaptations apportées au nouveau formulaire afin d’améliorer les saisies des utilisateurs. Bien que ces changements visaient à améliorer la convivialité, ils ont introduit des différences dans la structure des fonctionnalités, ce qui a nécessité des efforts importants pour harmoniser et normaliser les données en vue de leur analyse. De plus, l’absence de normes uniformes de saisie des données dans les différentes paroisses a contribué à des incohérences, créant des difficultés supplémentaires lors du prétraitement.

Écarts dans les prévisions :

Les chiffres prévisionnels de croissance des dons basés sur les données collectées ne correspondaient pas aux rapports internes du client, qui indiquaient une augmentation globale des dons en 2024 par rapport à 2023.

Pour remédier à cet écart, les données ont été réactualisées afin d’ajuster les chiffres de 2024 et de les rapprocher des tendances réelles.

Difficultés opérationnelles :

La granularité des renseignements sur les itinéraires a rendu difficile la standardisation des saisies de données dans plusieurs paroisses. L’absence d’un système centralisé de saisie des données a entraîné des variations dans la manière dont les données étaient enregistrées et soumises, ce qui a compliqué davantage l’analyse.

Conclusions et recommandations :

Afin d’améliorer l’efficacité globale, il convient d’envisager une répartition plus équilibrée des bénévoles, en mettant l’accent à la fois sur l’amélioration des performances des zones les moins performantes et sur le maintien de la dynamique dans les paroisses et les pieux les plus performants. Les recommandations suivantes sont proposées :

• La régression polynomiale est recommandée pour prévoir les volumes de dons, en particulier lorsqu’il s’agit de saisir des modèles complexes dans les données historiques.
• La régression par arbre de décision est idéale pour prédire le temps passé, fournissant des renseignements exploitables pour l’optimisation des itinéraires et la répartition des bénévoles.

Ces prévisions peuvent guider la planification et la répartition des ressources en identifiant les paroisses susceptibles de générer les volumes de dons les plus élevés et en estimant le temps nécessaire aux bénévoles pour parcourir efficacement les itinéraires, améliorant ainsi la coordination logistique.

L’amélioration continue des processus de collecte de données (p. ex., la normalisation des données sur les bénévoles et la numérisation des renseignements sur les itinéraires) renforcera encore la précision des prévisions et l’utilité de ces modèles.

En combinant les renseignements tirés des données et la modélisation prédictive, ce projet fournit des recommandations exploitables pour améliorer la logistique de l’initiative Edmonton’s Food Drive.

Le projet a atteint avec succès ses objectifs en recommandant des améliorations dans le processus de dons alimentaires de l’Edmonton Food Drive. Des outils permettant de prévoir les tendances en matière de dons et le temps nécessaire ont été mis en place, aidant les bénévoles et les organisateurs à mieux planifier. L’application de cartographie des itinéraires simplifie la coordination des bénévoles et permet de gagner un temps considérable par rapport aux processus manuels traditionnels. De plus, des tableaux de bord interactifs permettent aux parties prenantes de comprendre et d’analyser plus facilement les données, ce qui facilite la prise de décision. Dans l’ensemble, le projet rationalise les opérations et contribue à rendre la collecte de dons alimentaires plus efficace et plus efficiente.

Si vous avez des questions à propos de mon article ou si vous souhaitez en discuter davantage, je vous invite à Rencontrez les scientifiques des données, un événement au cours duquel les auteurs rencontrent les lecteurs, présentent leur sujet et discutent de leurs résultats.

Inscrivez-vous à l'événement Rencontrez les scientifiques des données. À bientôt!

Références

Efforts de collecte de fonds de la banque alimentaire d’Edmonton. (n.d.). Edmonton Journal.
https://edmontonjournal.com/news/local-news/edmontons-food-bank-fundraising (en anglais seulement)

Où construire des banques alimentaires : une approche basée sur l’apprentissage automatique. (n.d.). Université Purdue.
https://docs.lib.purdue.edu/cgi/viewcontent.cgi?article=1661&context=jpur (en anglais seulement)

Banque alimentaire d’Edmonton. (2024) Winter Gleanings 2024.
https://www.edmontonsfoodbank.com/documents/267/Winter_Gleanings_2024_-_Final.pdf (en anglais seulement)

Logiciel Web pour la gestion des banques alimentaires. (n.d.). Gao Group, Université Cornell.
https://gao.cee.cornell.edu/software-2/food-bank-operations-web-based-software/ (en anglais seulement)

Des chercheurs utilisent l’apprentissage automatique pour aider les banques alimentaires publiques à distribuer leurs denrées (2022). Salle de presse de l’université d’Auburn.
https://ocm.auburn.edu/newsroom/news_articles/2022/10/070927-researchers-machine-assists-food- pantries.php (en anglais seulement)

Où construire des banques alimentaires et des banques alimentaires : une approche d’apprentissage automatique à deux niveaux. (n.d.). arXiv. https://arxiv.org/pdf/2410.15420 (en anglais seulement)

Automatisation de la distribution alimentaire : le pouvoir de deux choix pour une allocation alimentaire dynamique et équitable. (2024). arXiv. https://arxiv.org/abs/2406.06363 (en anglais seulement)

Tableau de bord de la collecte alimentaire d’Edmonton. (2024). Tableau Public.
https://public.tableau.com/app/profile/kendrick.kent.moreno/viz/EFD2024Dashboard/EFDDashboard-Principal (en anglais seulement)

Gouvernement de l’Alberta. (n.d.). Évaluations foncières : région d’Edmonton. Tableau de bord régional de l’Alberta.
https://regionaldashboard.alberta.ca/region/edmonton/property-assessments/#/?from=2018&to=2022 (en anglais seulement)