Loop'n — ML de prédiction d'affluence sur 1000+ attractions

Contexte

Loop’n est une app dédiée aux parcs à thème : informations en temps réel, aide à la planification de la visite, prédictions de file d’attente. La promesse côté utilisateur est simple — “à quelle heure devrais-je faire ce manège ?” — mais elle exige un pipeline de données qui tient la route à l’échelle mondiale.

Les contraintes : couvrir des centaines de parcs avec des comportements de fréquentation très différents, intégrer la météo qui change la donne en quelques heures, et rester actionnable côté utilisateur (une prédiction qui arrive trop tard ne sert à rien).

Mon rôle

Dev ML. J’ai conçu et opéré le système de prédictions d’affluence en Python.

Ce que j’ai construit

• Modèle de prédiction basé sur Pandas pour le data wrangling et Facebook Prophet pour la time-series — choix pragmatique : Prophet absorbe les saisonnalités multiples (jour de la semaine, vacances scolaires, événements parc) sans tuning lourd
• Couverture : 1000+ attractions worldwide, avec des modèles ajustés par attraction
• Mise à jour continue dans la journée : la météo actuelle, les annulations d’événements et autres signaux remettent à jour les prédictions sans attendre le batch de nuit
• Intégration aux données opérationnelles du parc quand elles sont disponibles, fallback sur des proxies sinon

Le point dur : Prophet est facile à mettre en route mais difficile à industrialiser quand on multiplie les modèles par mille. La discipline de monitoring des prédictions (drift, anomalies) compte plus que le tuning fin de chaque modèle.

Résultats

Le système alimente l’app en production. Plus de 1000 attractions couvertes, prédictions mises à jour intra-journée. Travail de longue haleine côté observabilité des prédictions pour repérer les drifts par parc.