EcoWatt

Plus d'informations sur le projet via ce lien: https://ecowatt-site.vercel.app/

Ce projet réutilise des données ouvertes sur la performance énergétique des logements afin de construire un outil d’estimation de la classe énergétique d’un bien à partir de quelques informations simples. Cet outil estime un DPE plus proche de la réalité. La démarche a consisté à nettoyer, croiser et analyser plusieurs bases de données publiques.

Cette réutilisation permet de montrer à la fois l’intérêt concret des données ouvertes, les limites liées aux informations manquantes ou hétérogènes, ainsi que d'évaluer la précision du modèle de notation de performance énergétique...

Notre projet s'est divisé en deux parties:

Analyse de données et construction du modèle

Nous avons commencé par explorer deux grands jeux de données ouverts français : la base nationale des DPE de l’ADEME et les données de consommation électrique d’Enedis. Après un important travail de nettoyage et de croisement des données, nous avons construit un modèle de machine learning capable de prédire l’étiquette énergétique d’un logement à partir de cinq variables clés : la surface, la période de construction, le type de bâtiment, l’énergie de chauffage et des indicateurs de performance énergétique. Le modèle atteint une précision de 73 %, et ses limites ont révélé un point tout aussi important : la qualité des données publiques disponibles reste encore trop hétérogène pour permettre des conclusions définitives. Pour répondre à cela, nous avons mis en place une infrastructure backend sur Supabase, conçue pour s’enrichir avec l’usage. Chaque fois qu’un utilisateur remplit le questionnaire ÉcoWatt, ses données anonymisées viennent enrichir la base, ce qui permet d’améliorer progressivement la fiabilité des futurs modèles.

Construction et itération du MVP

En parallèle, nous avons conçu et développé deux prototypes successifs. Le premier a été réalisé sur Base44 et visait à valider le concept central : était-il possible de recueillir les informations d’un logement et de fournir à l’utilisateur des recommandations énergétiques personnalisées et utiles ? Sept utilisateurs l’ont testé. Le design fonctionnait bien, mais le message passait moins bien. Les utilisateurs avaient des difficultés avec la terminologie du DPE, les notions de coût et un temps de chargement qui n’était pas expliqué. Nous avons donc reconstruit le produit sous la forme d’un prototype entièrement indépendant sur GitHub, en y intégrant une page de résultats repensée, une nouvelle page d’accueil expliquant le DPE, des infobulles en langage clair et un indicateur de progression. Quatorze utilisateurs ont testé cette deuxième version. La facilité d’utilisation a atteint 100 % et l’approbation du design 92 %, mais la terminologie restait un obstacle pour 64 % des utilisateurs, ce qui constitue le principal point d’attention pour la prochaine itération.

Hannah Zysman, Amelie Josten, Nora Maestro, Gaspard Trinel, Nicodème Westphalen