1. Brigitte TROUSSE,
Inria AxIS,19 juin 2013, Paris
Analyser les données et les
comportements utilisateurs:
le cas du Pacalabs ECOFFICES
2. Equipe-Projet AxIS
Equipe multidisciplinaire (SHS-TIC)
Nouvelles méthodes et outils pour l’analyse des usages et de
l’expérience utilisateur tout au long de projets ICT d’innovation
Exemples: PREDIT TICTAC, Projet FP7 STREP ELLIOT,
Pacalabs ECOFFICES, HOTEL-REF-PACA et ECOFAMILIES
Market launch
Design team
Design process
usages
INNOVATION
Co-creation
Brigitte TROUSSE - Inria Sophia Antipolis Méditerranées - 2
4. Consortium
Durée : 16 mois (T0: août 2010)
Budget
261 K€
Subvention Region / FEDER
191 K€
Brigitte TROUSSE - Inria Sophia Antipolis Méditerranées - 4
Le projet ECOFFICES
5. Projet PACA Labs Axe 1
• “Prototypage en grandeur nature”
Challenge énergétique “TIC” en entreprise
- Augmenter les comportements éco-
responsables
- Améliorer les usages des équipements
- Diminuer les consommations énergétiques
- Réduire la facture
- 5Brigitte TROUSSE - Inria Sophia Antipolis Méditerranées
Le projet ECOFFICES
6. Apports Inria : Axe Usages
1. Elaboration du protocole expérimental,
2. Spécification de l’interface challenger,
3. Méthodologie d’analyse de données qualitatives et
quantitatives,
4. Application d’une méthode de classification non
supervisée de type tableau de distance sur des données
complexes et réelles en vue de réaliser des profils de
comportemenst ecoresponsibles
- 6Brigitte TROUSSE - Inria Sophia Antipolis Méditerranées
11. - 11
Elaboration d’une Méthode
pluri-disciplinaire
d’analyse de données
Brigitte TROUSSE - Inria Sophia Antipolis Méditerranées
12. Des données complexes
(hétérogènes, non vectorielles)
Données qualitatives:
2 questionnaires de profil (avant et après le challenge)
Données quantitatives issues des logs de l’utilisation de
l’application intranet et des capteurs
1. Les données des capteurs de température (ambiante, radiateur,
ventiloconvecteur).
2. Les données des capteurs de présence pour établir une présence
journalière dans les bureaux
3. Les points de bonus et de malus journaliers
exemple du bonus_05: Vous n’allumez pas votre radiateur si la
température de votre bureau est supérieure à 20°/Radiateur éteint
- 12Brigitte TROUSSE - Inria Sophia Antipolis Méditerranées
13. Apports AxIS au niveau de
l’analyse des données
Pré-traitement des données:
- Analyse de la qualité des données collectées,
- Choix de Unité statistique: (bureau, jour)
- Identification de 4 périodes: avant challenge (splittée en deux:
chauffage et avant challenge), challenge, après challenge
Objectif: identification de profils de comportements écoresponsables et
% de ces profils par équipe et étude des changements de
comportements
Mise au point d’une méthode d’analyse en 3 étapes:
- Analyse des mesures de température agrégées par (bureau, jour)
- Analyse des comportements bonus/malus par (bureau, jour),
- Analyse du lien entre ces deux analyses
- 13Brigitte TROUSSE - Inria Sophia Antipolis Méditerranées
14. Deux exemples
de résultats d’analyse
Résultats: www.ecoffices.com (rapport public)
Deux exemples:
1. Evolution des comportements écologiques au bureau:
On a noté une évolution positive et significative des 3 équipes au niveau
de leur comportement
pendant la période challenge.
2. Gestion des températures
Une équipe a eu une température ambiante plus élevée dans ses bureaux
que la moyenne (beaucoup de malus pendant la période chauffage,
par contre la meilleure équipe pendant le challenge été)
- 14Brigitte TROUSSE - Inria Sophia Antipolis Méditerranées
15. Intérêts au niveau Recherche
du projet ECOFFICES
• Energie: 2 publications scientifiques (ICCBE 2011, CIN W78-W102
2011)– Expérimentation d’un challenge énergétique et Mise au point
d’une méthodologie d’analyse des comportements dans le cadre d’un
challenge énergétique
• Clustering: 1 publication scientifique (SFC 2012) - Validation de
nouvelles méthodes de classification non supervisée de données de
type tableaux de distance sur un jeu de données réelles et
comparaison avec une autre méthode AxIS de type intervalles
• Constitution d’un jeu de données réelles permettant de mener
des recherches en fouille de données et de valider d’autres types
de méthodes AxIS pertinentes pour le secteur de l’Energie et issues
de la plateforme FocusLab (voir fiches suivantes)
-
- 15Brigitte TROUSSE - Inria Sophia Antipolis Méditerranées
16. FocusLab@Software
Clustering
Focuslab@Clustering est un ensemble de
méthodes de classification non supervisée
basées sur des données complexes telles que
les tableaux de dissimilarité ou les Intervalles
Quatre types de méthodes de classification non
supervisée sont proposées:
a) Méthodes de partitionnement : génériques
(MND), tableaux de distance (MRDCA-RWL,
RWG, MND), données intervalles ou
distributions (SCluster)
b) Méthode hiérarchique: descendante (DIV),
ascendante (2-3 CAH)
Barrière technologique: classification
non supervisée de données non
vectorielles
Language, environnement : C++ or Java,
utilisation de SOL (“Symbolic Object
Language”) issu du logiciel SODAS2 (ASSO
project)
Mots clefs : classification non supervisée sur
données complexes
Licence : accord de licence possible
Champs possible d’applications: méthodes
génériques, Actuellement ces méthodes sont
utilisées pour la classification des données
fonctionnelles (consommation énergétique,
internet des objets, mobilité, expérience
utilisateur)
URL:focuslab.inria.fr/clustering
Academic partners : for a) and b)
Contact: brigitte.trousse@inria.fr
Brigitte TROUSSE - Inria Sophia Antipolis Méditerranées - 16
17. FocusLab@Software
ATWUEDA
ATWUEDA propose une analyse des usages
sur des périodes significatives de temps
dans le but:
- D’identifier le changement de
comportements des utilisateurs
- Et d’étudier l’évolution temporelle des
profils de comportements de ces
utilisateurs
La méthode s’appuie sur des résumés pour
représenter les profils de comportements
des utilisateurs.
Barrière technologique: a) Identifier des
changements dans un environnement
dynamique b) Caractériser les
changements d’une classe d’utilisateurs.
Language, environnement : Java, Utilisation
de la bibliothèque JRI permettant d’utiliser R
(logiciel libre pour la programmation d’analyse
statistique de données)
Licence: libre
Mots clefs : temporal clustering, évolution
d‘une classification, données évolutives
Champs possible d’applications: Web
Usage Mining, Consommation énergétique,
Analyse exploratoire de données
fonctionnelles, de données évolutives (internet
des objets, ..)
URL:focuslab.inria.fr/atwueda
Partenaires Académiques :
Contact: yves.lechevallier@inria.fr
Brigitte TROUSSE - Inria Sophia Antipolis Méditerranées - 17
18. - 18
Merci pour votre attention
Brigitte.Trousse@inria.fr
www.ecoffices.com
www-sop.inria.fr/axis