Rechercher
Toggle location

BearingPoint : Quelle problématique Qucit cherche-t-elle à résoudre ?

Qucit : Au début de Qucit en 2014, l’urbanisation croissante conduit à un problème d’absorption de cette nouvelle demande par les villes et les services urbains (mobilité, gestion des déchets…). Dans ce contexte, nous nous sommes fixé l’objectif d’optimiser les services urbains et plus particulièrement les déplacements. Plus la densité augmente, plus il y a d’interactions hommes-machines et machines-machines. Nous nous sommes alors demandé comment exploiter cette véritable mine d’informations pour comprendre et prédire les comportements urbains. Qucit veut transformer l’apparent problème de densification urbaine en une véritable force pour améliorer le quotidien des citadins.

Quelles sont les solutions que vous proposez ?

Qucit a développé 4 solutions répondants à 4 types de besoins différents.

La solution BIKE PREDICT se décompose en deux services :Bike predict
Prédit la disponibilité des vélos/bornes à chaque station pour faciliter l’utilisation des vélos en libre-service.
Prédit le nombre de vélos optimal à ajouter ou enlever pour permettre aux opérateurs d’avoir un système de vélo en libre service équilibré.

La solution PARK PREDICT se décompose en deux services :Park predict
Prédit le temps pour trouver une place de stationnement en voirie, et la disponibilité dans les parkings en ouvrages.
Prédit les zones de non-paiement pour permettre d’améliorer le contrôle, le taux de rotation par place et réduire les congestions en zone urbaine.
Road predict
La solution ROAD PREDICT prédit les incidents de tout genre survenant sur les autoroutes : pannes, accidents, travaux, animaux, contresens…

EConfort predictnfin, avec la solution COMFORT PREDICT, Qucit s’est lancé dans la prédiction du confort des personnes à l’occasion de l’initiative Datacity lancée par la Mairie de Paris. Cette solution est utilisée par les villes lors de l’aménagement d’un espace public afin de maximiser le confort des citadins.

Pouvez-vous décrire brièvement la solution technique développée par Qucit ?

Nous avons développé un moteur prédictif qui s’appuie sur la représentation numérique d’un espace par agrégation d’un maximum de données ; il s’agit du contexte. A partir de cet espace virtuel créé, un algorithme analyse les interactions et les paramètres influençant la variable à optimiser et prédit son évolution.
Prenons l’exemple de BIKE PREDICT. Nous avons modélisé la ville de Bordeaux en agrégeant toutes les données disponibles. Ces données sont de 2 types : les données statiques donnant des informations sur les rues, les arbres, les bâtiments, les stations, les gares, le dénivelé, etc. ; et les données dynamiques concernant la météo, les vacances, les évènements, la pollution, etc.
Grâce à un historique des données sur plusieurs années, l’algorithme « apprend » l’utilisation des stations de vélos libre-service et peut alors prédire la disponibilité de vélos et de bornes en fonction du contexte.

Quel est votre business model ?

Nous mettons à disposition de nos clients nos produits sous la forme d’une plateforme : l’Urban Predictive Plateforme. C’est en quelque sorte le Store des services urbains. Comme la majorité des plateformes, nous adoptons le modèle commercial SaaS : nous facturons la mise en service puis le client paie un abonnement annuel. La mise en place de la plateforme est accompagnée de tutoriels et zooms sur des cas d’usage.

Comment vous démarquez-vous de la concurrence ?

L’élément différenciant de Qucit est la notion de contexte sur lequel reposent toutes nos prédictions. Toutes les variables d’un espace interagissent entre elles et sont donc susceptibles d’influencer ce que nous recherchons à prédire. Typiquement, dans le cas de la prédiction de la disponibilité des vélos libre-service, une des variables les plus influentes dans certaines villes est le sens du vent. C’est l’intelligence artificielle qui a permis de le mettre en évidence en n’excluant aucune donnée disponible formant le contexte utilisé.
Par ailleurs, l’IA ne s’arrête pas aux prédictions et nous assure automatiquement une excellente propreté des données et les rendant facilement corrélables entre elles.
Qucit logo
Interview recueillie auprès de Marie Quinquis VP Sales & Customer Success

Auteurs :
Julien Bos, Consultant
Florian Auffret, Consultant
Sébastien Maltaverne, Senior Manager