Roadmap suggérée 1. Comprendre le défi

Avant d’explorer les données ou de sélectionner les technologies, prenez le temps de comprendre le contexte.

Votre client est Choose Paris Region, une agence de marketing territorial dont la mission est de renforcer l’attractivité de la région Île-de-France à travers des services touristiques de qualité et une prise de décision éclairée.

Dans le cadre de ce hackathon, les jeux de données disponibles portent principalement sur le tourisme de loisirs et le tourisme d’affaires, et fournissent notamment des informations telles que :

• flux de visiteurs
• nuitées
• durée de séjour
• caractéristiques des visiteurs
• dynamiques temporelles

Commencez par vous poser les questions suivantes :

• Quel enjeu touristique cherchez-vous à adresser ?
• Quel(s) acteur(s) bénéficierai(en)t le plus de votre solution ?
• Quel axe stratégique correspond le mieux à votre approche ?
  • Attractivité des destinations
  • Segmentation
  • Incrémentalité
• Quelle valeur votre solution peut-elle créer in fine ?

2. Explorer et comprendre les données

Familiarisez-vous avec les jeux de données disponibles avant de penser aux modèles.

Réfléchissez à :

• Quelles informations sont disponibles ?
• Quels patterns émergent ?
• Y a-t-il des incohérences ou des données manquantes ?
• Quelles variables semblent les plus informatives ?
• Quelles variables additionnelles pourraient enrichir l’analyse ?

Comprendre les données est souvent plus important que de construire immédiatement un modèle.

3. Préparer les données

Concevez un workflow de préparation des données adapté à vos objectifs.

Selon votre approche, cela peut inclure :

• nettoyage des données
• feature engineering (création de variables)
• agrégation
• intégration de jeux de données
• dashboards
• architecture de données
• notebooks ou pipelines

Les services AWS, Databricks et Dataiku peuvent être utilisés lorsque cela est pertinent.

4. Construire une solution analytique ou de machine learning

Développez une composante analytique en lien avec votre axe stratégique.

Les approches possibles incluent notamment :

• segmentation
• clustering
• prévision (forecasting)
• classification
• recommandation
• modélisation prédictive

Concentrez-vous sur la pertinence plutôt que sur la complexité.

Un modèle simple, explicable et utile a souvent plus de valeur qu’un modèle sophistiqué difficile à interpréter.

5. Imaginer la contribution de l’IA générative

Réfléchissez à la manière dont l’IA générative peut compléter votre approche analytique.

Exemples possibles :

• assistants conversationnels
• conseillers en voyage
• assistants de recommandation
• copilotes IA
• simulateurs
• systèmes multi-agents
• outils d’aide à la décision

Pensez au-delà de l’automatisation.

Comment l’IA générative peut-elle rendre l’expérience touristique et/ou les services plus utiles, plus personnalisés ou plus accessibles ?

6. Aller au-delà de la technologie

Tout au long du projet, prenez régulièrement du recul et interrogez-vous :

• Pourquoi cette solution est-elle importante ?
• Qui en bénéficie ?
• Comment améliore-t-elle l’attractivité ou la gestion du tourisme ?
• Comment son impact pourrait-il être évalué ?

Les solutions les plus convaincantes sont souvent celles qui combinent une analyse rigoureuse des données disponibles avec une compréhension plus large de l’écosystème touristique et de ses parties prenantes. Les meilleurs projets ne se limitent pas à l’exécution technique, mais savent positionner leur solution dans ce contexte élargi. Les équipes sont encouragées à expliciter les hypothèses sous-jacentes à leur approche et à adopter un regard critique sur les opportunités comme sur les limites des informations disponibles.

Format de rendu final

Chaque équipe doit soumettre son projet via Courses (espace dédié au module Hackathon).

1. Description du projet

Fournir une description concise incluant :

• l’enjeu touristique traité ;
• l’axe stratégique choisi :
  • Attractivité des destinations
  • Segmentation
  • Incrémentalité
• une présentation globale de la solution :
  • DATA
  • Machine Learning
  • IA générative / Agents
• les technologies utilisées (AWS, Databricks et/ou Dataiku).

2. Livrable 1 – DATA

Présenter :

• la méthodologie de préparation des données ;
• le notebook et/ou l’architecture de données ;
• un dashboard illustrant les principaux insights.

3. Livrable 2 – Machine Learning

Présenter :

• l’objectif analytique ;
• l’approche de modélisation ;
• les principaux résultats ;
• l’interprétation métier et la contribution attendue.

4. Livrable 3 – IA générative / Agents

Présenter votre Proof of Concept.

Exemples possibles :

• chatbot
• assistant IA
• callbot
• simulateur
• assistant de recommandation
• comparateur
• application multi-agents

Inclure :

• soit une démonstration fonctionnelle,
• soit une vidéo de démonstration.

5. Vidéo de démonstration

Durée : 2 à 3 minutes

La vidéo doit montrer :

• le prototype en action ;
• les principales fonctionnalités ;
• la valeur proposée.

6. Éléments sources

Fournir :

• un dépôt GitHub,
• un notebook Colab,
• un notebook Databricks,

ou

• un lien vers un prototype ou une maquette si aucune implémentation code n’est disponible.

7. Présentation finale (obligatoire)

Chaque équipe devra présenter un PowerPoint lors de la soutenance finale.

La présentation doit communiquer clairement :

• le problème traité ;
• la solution proposée ;
• le volet DATA ;
• le volet Machine Learning ;
• le volet IA générative ;
• l’impact attendu ;
• les technologies mobilisées.

 

La présentation doit être concise, visuelle, structurée et accessible à un public à la fois technique et non technique.