Cet article fait partie d’une série portée par les membres du programme IA de Leonard. Le parcours a été spécialement conçu pour accélérer l’adoption des technologies de l’IA au sein du groupe VINCI. Il comporte une période d’incubation de cinq mois au cours de laquelle une sélection de collaborateurs VINCI suivent un apprentissage par la pratique. Leur objectif est de co-créer un cas d’usage basé sur l’IA, sous la supervision de l’équipe Leonard et des consultants Eleven.
Après avoir remis en cause la façon dont étaient traditionnellement gérés les aéroports, l’apprentissage automatique tient aujourd’hui sa promesse et parvient à optimiser les ressources en temps réel. La satisfaction des passagers, dans son ensemble, est une priorité majeure pour les aéroports et peut, elle aussi, être optimisée grâce à ces nouveaux modèles.
Les voyageurs réguliers vivent des expériences très variées dans les aéroports du monde entier, expériences qui dépendent de l’individu lui-même ainsi que d’une myriade de facteurs et de points de contact. Durée des correspondances, files d’attente, propreté, amabilité du personnel, qualité des boutiques et restaurants : chaque variable a une incidence mesurable.
S’il n’est pas simple de quantifier et comprendre les facteurs de satisfaction des usagers, il est évident qu’une expérience enrichissante, sûre, efficace – et désormais rassurante et saine – est non seulement un avantage concurrentiel de taille pour les aéroports, mais aussi un vecteur de mobilité, si essentielle à nos sociétés.
Le recours à l’apprentissage automatique pour répondre à ces problématiques a montré des résultats prometteurs.
Avec l’avènement des objets connectés, ou « Internet des objets », des quantités de données ont pu être collectées et des dispositifs mis en place : déclenchement automatique (lorsqu’un distributeur de savon est presque vide par exemple), suivi en continu des processus clés grâce à la vision par ordinateur notamment (idéale pour évaluer les files d’attente [recueil en temps réel des impressions des clients (grâce aux bornes de satisfaction [2] ou à la détection des émotions).
Ce faisant, les équipes opérationnelles sont passées d’un modèle de planification, où les activités étaient organisées en fonction d’un emploi du temps relativement fixe, élaboré au fil des ans sur la base de l’expérience et de l’observation, à un modèle de réaction où ce sont les conditions réelles qui dictent l’action. De manière générale, les structures ont gagné en efficacité et amélioré la satisfaction client [4], mais de nouveaux enjeux sont également apparus en termes de gestion des priorités et de la charge de travail.
Les techniques d’apprentissage automatique nous permettent d’aller plus loin et de mettre au point des modèles d’anticipation, où il est possible de prédire la satisfaction client en fonction d’une multitude de variables externes corrélées. Concrètement, cela signifie qu’un aéroport peut connaître les besoins des passagers à l’avance et comprendre les principaux facteurs de satisfaction (et d’insatisfaction) à un moment donné. Le personnel des aérogares est alors en mesure d’intervenir de manière proactive et hiérarchisée, en traitant les tâches les plus importantes en priorité.
En collaboration avec le programme Leonard consacré à l’intelligence artificielle (IA), VINCI Airports a récemment développé et testé ce type de modèle sur deux sites aéroportuaires français, en privilégiant deux aspects : la propreté et les files d’attente.
À l’aéroport de Nantes-Atlantique, la solution mise en place exploite les données passées, présentes (commentaires des clients en temps réel) et futures (plans de vol, prévisions météorologiques) afin de modéliser le comportement des voyageurs et de prévoir leur satisfaction sur une semaine. Les pics d’insatisfaction et leurs potentielles causes sont identifiées à l’avance, de sorte que les équipes opérationnelles puissent adapter le programme de nettoyage en conséquence et améliorer ainsi la satisfaction client dans son ensemble.
À Rennes, l’apprentissage automatique a non seulement permis de prévoir le volume de passagers mais aussi d’en faciliter la gestion. Là encore, en coopération avec le programme Leonard, VINCI Airports a mis au point et testé « Queueless Airport », un nouveau concept d’aéroports sans files d’attente où un créneau horaire est attribué à chaque voyageur pour le passage des contrôles de sécurité. Le résultat ? Un temps d’attente réduit pour les usagers, une distanciation sociale optimale, et une meilleure régulation de la densité et des flux de population entre le côté ville (avant les contrôles de sécurité) et le côté piste (entre les contrôles de sécurité et la porte d’embarquement). Grâce aux modèles d’apprentissage automatique, les passagers ont la garantie de passer un minimum de temps dans les files d’attente et de ne pas rater leur vol.
Exemples de scénarios gagnant-gagnant où les ressources limitées des infrastructures aéroportuaires sont mobilisées à bon escient en fonction des priorités de la clientèle, ces deux projets témoignent de la capacité de l’apprentissage automatique à améliorer significativement la satisfaction des voyageurs.
Sources
- ASQ Best Practice Report: Airport Cleanliness (rapport sur les bonnes pratiques des aéroports axé sur la propreté), 2012
- https://www.skiply.eu/
- https://www.xovis.com/en/home/
- Aéroport de Kansai, communiqué de presse, 2019
