Projection stratégique RSE sur un parc immobilier : un cas d’usage concret d’IA pour un avenir durable

L’intelligence artificielle (IA) s’est imposée comme une force incontournable dans de nombreux secteurs, apportant un retour sur investissement évident. Cependant, son application dans des domaines stratégiques, tels que la prise de décisions immobilières, est moins évidente. Retrouvez dans cet article comment l’IA peut jouer un rôle crucial dans le secteur immobilier en se concentrant sur un cas d’usage spécifique : la projection de la trajectoire RSE d’un parc immobilier.

Dans le domaine opérationnel, l’intelligence artificielle, de par l’évidence de son retour sur investissement, s’est démarquée dans de nombreux domaines. Prenons l’exemple de la classification de documents : considérons un modèle de classification entrainée de façon supervisée que l’on compare à un collaborateur. Le retour sur investissement sur 5 ans sera le coût du collaborateur pour mener l’ensemble de ces actions sur 5 ans que l’on soustrait aux coûts temps de mise en place du modèle de bout en bout (données, développement et industrialisation) et de sa maintenance.

Lorsque l’on se penche sur le domaine fonctionnel, plus spécifiquement sur l’accompagnement de prises de décisions stratégiques, la rentabilité de la mise en place d’une intelligence artificielle est moins naturelle.

Ainsi, à travers cet article, je vous propose un cas d’usage à des fins stratégiques afin d’avoir un aperçu de ce qu’il est tout de même possible de réaliser dans le domaine fonctionnel. Ce dernier porte sur un parc immobilier avec pour objectif de projeter sa trajectoire RSE (à des fins décisionnelles).

Les objectifs qui en découlent sont :

• Prédire la consommation énergétique et émission de gaz à effet de serre
• Restituer et rendre accessible les résultats de la prédiction

Le projet s’est déroulé en 6 phases distinctes.

1. Choix, définition et extraction des données

L’État américain de Washington a mis à disposition en open source ces données liées à son parc immobilier (bâtiments dont ils sont propriétaires). Le jeu de données porte sur deux années : 2015 et 2016. Il est composé de 56 variables et de presque 4 000 buildings distincts. Ainsi, une ligne est identifiée de façon unique par un building sur une année…

Cette première étape a nécessité une compréhension approfondie des variables, créant ainsi une base solide pour le reste du projet.

2. Expression des hypothèses

Notre approche s’est concentrée sur un modèle de régression supervisée pour prédire la consommation énergétique et les émissions de gaz à effet de serre. Ces 2 variables explicatives font partie de notre jeu de données, nous sommes donc dans le cas d’un modèle de régression supervisée, avec une sortie à 2 dimensions.

Nous allons ici considérer que nous sommes en début d’année 2016 et donc, que nous avons les variables explicatives de 2015 et 2016, mais que les variables à expliquer sont de 2015.

En considérant ces deux variables explicatives, notre modèle avait pour objectif d’anticiper les évolutions au cours des années à venir. 

3. Analyse exploratoire

Les données réelles, bien que riches en informations, ont nécessité une analyse statistique approfondie et un nettoyage minutieux pour éliminer les redondances et les variables ne portant que peu d’intérêt pour notre étude.

Après une étude statistique et un nettoyage complet (l’interdépendance de certaines variables ou présentant peu d’information), nous obtenons le jeu de données final suivant : 22 variables pertinentes pour environ 3 000 bâtiments.

4. Modélisation

Pour cette partie, seules les données de 2015 sont considérées, car nous avons besoin d’avoir les variables à expliquer.

Nous avons séparé ce jeu de données en 2 bases : base d’apprentissage et base de test. Cette séparation est stratifiée et avec 80 % des lignes dans la base d’apprentissage et les 20 % restants dans la base de test.

Un ensemble de modèles de régression ont ensuite été définis permettant d’avoir une approche complète, de la plus naïve (linéaire) à la plus complexe. S’ajoute à cela la mise en place d’une recherche en grille couplée à une validation croisée à 5 couches réalisée selon 10 séparations de données (identique pour tous les modèles). Cela permettant de tester l’ensemble des combinaisons d’hyperparamètres tout en limitant l’incertitude liée à la séparation des données entre base de test et d’entraînement.

5. Évaluation

De nombreux indicateurs permettent d’évaluer les performances de ces modèles, les 2 indicateurs qui ont été privilégiés sont :

• Le R², l’objectif ici va être de le maximiser. En effet, si on devait simplement définir cet indicateur, il s’agit de la part des résultats expliqués par le modèle.
• L’erreur quadratique moyenne, le but est de le minimiser. Une définition simple de cet indicateur est la mesure de l’écart entre ce qui est prédit comparé à ce qui était attendu.

Ainsi, le modèle présentant le meilleur équilibre moyen (selon les 10 itérations de la validation croisée à 5 couches) entre maximisation du R² et minimisation de l’erreur quadratique moyenne est le modèle sélectionné.

6. Application et résultats

Enfin, le modèle (entrainé et testé par le biais des données de 2015) a été appliqué aux données de 2016. Et les résultats sont restitués dans un rapport PowerBI. Ce rapport offre une vue détaillée par modalités et une perspective géographique des bâtiments, présentant clairement les prédictions de consommation énergétique et d’émissions de gaz à effet de serre.

Il est composé de 2 onglets sensibles à différents filtres. Le premier onglet est consacré à une vue détaillée par modalités selon les variables choisies. Le second onglet est quant à lui consacré à la position géographique des différents buildings.

Sur chacun de ces onglets, on retrouve au sein de l’en-tête, 4 indicateurs clés prédits pour l’année 2016 : La consommation énergétique totale, l’émission de gaz à effet de serre totale, la consommation énergétique moyenne et l’émission de gaz à effet de moyenne. En dessous de chacun de ses indicateurs se trouve la progression (augmentation ou diminution) en pourcentage par rapport à l’année 2015.

Comme nous pouvons le voir dans l’annexe 1, les pourcentages négatifs des 4 indicateurs de l’en-tête portant sur l’ensemble des buildings (comparant les chiffres prédits sur l’année 2016 par rapports aux données de 2015) indiquent que nous serons en dessous de notre objectif (consommations et émissions inférieures à l’année précédente). Il est donc possible d’ajuster les données des variables explicatives afin d’obtenir une trajectoire d’émission et de consommation différente et d’atteindre ces objectifs futurs.

Conclusion de notre projection stratégique RSE sur un parc immobilier

Ce POC (preuve de concept), au-delà d’une simple démonstration de faisabilité, ouvre la voie à une nouvelle approche dans la prise de décisions stratégiques dans le secteur immobilier. Les résultats encourageants indiquent la possibilité d’ajuster les variables explicatives pour atteindre des objectifs environnementaux futurs.

Cependant, nous reconnaissons que la présentation des résultats, bien que technique, doit être accessible à un public diversifié. Nous nous engageons à simplifier et à rendre plus directe cette technologie puissante, démontrant ainsi que la data science peut être comprise et appliquée par tous, indépendamment de leur niveau de familiarité avec le domaine.

Si vous souhaitez également tirer parti des avantages de l’intelligence artificielle pour des projections RSE ou tout autre sujet, nous pouvons vous accompagner dans cette démarche. Contactez-nous dès maintenant pour discuter de la manière dont SQORUS peut vous guider dans l’intégration de ces solutions innovantes dans votre stratégie.

À lire également dans notre dossier “gouvernance projet IT ” :

• Plateforme Lowcode : le futur du développement d'applications ?
• L'utilisation de UIPATH comme solution RPA
• Comitologie projet : les instances de gouvernance d’un projet IT et leurs rôles
• Pilotage et gouvernance d’un projet SI Finance : quels profils impliquer ?
• Pilotage et gouvernance d’un projet IT : quels profils impliquer ?
• Gouvernance projet : quel rôle pour le comité de pilotage ?
• Les acteurs d’une équipe projet : organisation, rôle et compétences
• Le responsable SI au cœur du développement et de l’évolution des systèmes
• Responsable SIRH : quel rôle dans l’évolution des Systèmes d’Information RH ?
• Chef de projet SI : quel rôle et responsabilité dans un projet SI ?
• Consultant fonctionnel : un rôle proche des processus métier
• Consultant technique : un métier au cœur du développement technologique
• Architecte solution : un métier qui gère développement et déploiement
• Consultant DevOps : rôle, missions et compétences en développement
• Délégué à la protection des données (DPO) : quels rôles et missions ?
• RSSI : un travail clé au sein des métiers pour la sécurité des systèmes
• Le service delivery manager au cœur du pilotage des équipes
• Scrum master, un métier clé pour la gestion de projet Scrum
• Data scientist : un métier stratégique au service de la Direction
• MOA / MOE : comment les rôles se répartissent-ils sur un projet de mise en œuvre d’un système d’information ?