De nombreux services de police possèdent déjà les données et la technologie nécessaires pour passer d’une intervention en temps réel à l’analyse des tendances. Franchir cette étape apportera des avantages opérationnels et économiques significatifs.
Améliorer l’efficacité : les avantages cachés des données existantes
Les services de police adoptent des solutions d’analyse intelligente pour améliorer leur conscience situationnelle en temps réel. Ces alertes favorisent des interventions rapides et éclairées, ce qui est une excellente nouvelle pour la sécurité publique. Toutefois, les données captées par les caméras et autres capteurs peuvent également être exploitées de différentes manières. Lorsqu’elles sont utilisées pour l’analyse des tendances, elles peuvent révéler ce qui se produit discrètement dans votre secteur depuis des mois, permettant ainsi aux organismes de faire des prédictions et de planifier ce qui pourrait se produire ensuite.
Tendances et données : la voie vers l’intelligence proactive
L'analyse des tendances et la reconnaissance de modèles favorisent une approche proactive de la sécurité publique, ainsi qu'une planification intelligente et efficace à long terme. Les déploiements fondés sur les données peuvent aider les agents dans un large éventail de tâches, telles que la prévention du crime, l'arrestation de suspects et la gestion policière d'événements. Une utilisation plus efficace des ressources financières et humaines permet d'optimiser les budgets et d'obtenir de meilleurs et plus mesurables résultats.
Les métadonnées générées par l'analytique en périphérie (edge analytics) — horodatées, géolocalisées et recherchables — constituent précisément la matière première nécessaire à l'analyse des tendances; il n'est donc pas nécessaire d'investir massivement dans une nouvelle infrastructure pour commencer.
Les outils permettant de visualiser, d'agréger, d'examiner et d'analyser ce que génèrent les capteurs font probablement déjà partie d'un écosystème existant. Les logiciels de gestion vidéo (VMS), les logiciels de gestion des preuves (EMS) et les autres plateformes technologiques au sein d'un centre de crimes en temps réel (RTCC) agrègent les métadonnées générées par l'analytique en périphérie et les présentent sous forme de tableaux de bord, de cartes thermiques et de rapports sur les modèles. Ainsi, les responsables opérationnels, les analystes et le personnel de commandement obtiennent des renseignements exploitables qui leur permettent d'être plus proactifs.
Preuves concrètes : exemples pratiques d’analyse des tendances en action
Les données appuient les décisions; elles ne les prennent pas. Elles agissent comme un signal qui guide la personne vers la bonne intervention. L’impact opérationnel de l’analyse des tendances sur le personnel de chaque organisme s’étend à tout le spectre de la sécurité publique, permettant aux services d’identifier les problèmes avant qu’ils ne deviennent des urgences.
Exemple : crime organisé dans le commerce de détail
Les récidivistes ont tendance à suivre des modèles prévisibles. Les groupes de vol organisé dans le commerce de détail, par exemple, ciblent généralement des zones précises, passant d’un emplacement à l’autre de manière systématique. En agrégeant les données de lecture de plaques d’immatriculation (LAPI) provenant d’incidents antérieurs, les services de police peuvent identifier les véhicules et les comportements de repérage associés aux vols précédents, ce qui permet des interceptions et une prévention plus ciblées et axées sur le renseignement.
Exemple : gestion des foules et des événements
Les événements à grande échelle posent des défis uniques pour l’infrastructure urbaine. En examinant les données issues d’événements précédents, les services peuvent identifier des problèmes tels qu’une augmentation de la criminalité aux abords du site, et déterminer précisément où surviennent habituellement des incidents comme les goulots d’étranglement de la circulation. Cela permet une allocation efficace des forces de l’ordre, une meilleure synchronisation des feux de circulation et un positionnement stratégique des agents avant même l’arrivée du premier participant.
Exemple : Qualité de vie et espaces publics
Des problèmes comme le vandalisme ou les nuisances sonores récurrentes sont souvent difficiles à traiter, car ils ne sont pas toujours signalés, ce qui complexifie l’allocation stratégique des ressources. L’analytique du flânage, l’analytique de l’occupation et l’analytique audio peuvent être utilisées pour recueillir des données qui permettent de brosser un portrait des moments et des endroits où ces problèmes atteignent leur apogée. Cela permet des déploiements limités dans le temps, fondés sur des modèles documentés, garantissant ainsi que les ressources ne sont pas gaspillées en patrouilles réactives répétées.
L’analytique audio peut également aider les organismes à rester à l’affût de sons pouvant indiquer des incidents plus graves. Par exemple, elle peut détecter des cris, des bris de verre et d’autres anomalies sonores. Au fil du temps, ces données peuvent révéler où et quand les incidents se produisent le plus fréquemment.
Improving performance with cross-departmental data
There is another layer of advantages when departments draw on their historical data. When combined with data from other departments, fresh insights can emerge that benefit both parties. Interdepartmental collaboration can also open the door to shared investments and resource allocation that make the entire municipality work more economically and efficiently.
Exemple: Transport et forces de l’ordre
Le service des transports utilise ses données sur les flux pour compléter celles des caméras de police, offrant ainsi une vision plus complète de la congestion à travers la ville. En combinant ces informations avec les données de la police sur les incidents et les temps d'intervention, il devient possible d'étudier si les délais d'intervention moyens des agents fluctuent en fonction de la congestion routière saisonnière ou liée à des événements.
Exemple : Parcs et forces de l’ordre
La combinaison des données sur l’utilisation et l’entretien des parcs, issues des caméras appartenant aux parcs intégrant l’analytique audio, et du flânage provenant des caméras de la police, aide les deux services à gérer leurs ressources plus efficacement. Ces données peuvent aider à déterminer, par exemple, si les investissements de la ville dans les espaces récréatifs sont corrélés à une réduction des perturbations à proximité. Ces données fournissent également aux deux services des preuves documentées pour appuyer leurs décisions budgétaires.
Le changement arrive : pourquoi il vaut mieux être prêt
L'adoption de l'analyse des tendances et de la reconnaissance de modèles fondées sur les données est un processus qui exige un effort interministériel ciblé. Cependant, ne pas franchir ce pas comporte un coût qui s'accumule discrètement au fil du temps : des temps d'intervention plus lents, des modèles non identifiés et des ressources déployées à l'instinct plutôt que sur la base de preuves. La question que se posent aujourd'hui de nombreuses organisations est de savoir si les gains potentiels justifient de surmonter les obstacles. Pour les organisations qui réussissent, la réponse est « oui » – souvent suivie de : « Par où devons-nous commencer ? »
La liste des « incontournables »
Bien que chaque organisme ait ses propres défis et exigences, ils peuvent suivre en toute confiance quelques principes directeurs fondamentaux.
- Flexibilité : Les capteurs capables d’héberger des outils d’analytique évolutifs vous permettent de vous adapter plus efficacement qu’un appareil à usage unique.
- Interopérabilité : Les normes ouvertes sont ce qui rend possible la combinaison des données interministérielles sans avoir recours à des intégrations personnalisées coûteuses.
- Collaboration et infrastructure partagée : Les réseaux de caméras fédérés et les ententes interorganismes sur les données permettent d’élargir les jeux de données sans dupliquer les investissements.is
La clé d’un avenir axé sur l’analyse des tendances
Tous les principes susmentionnés ont un point en commun : éviter les silos technologiques et ministériels. La collaboration et l’ouverture, dans tous les sens du terme, sont essentielles. Les systèmes fragmentés ne ralentissent pas seulement l’intervention en temps réel; ils empêchent le type d’analyse approfondie nécessaire pour révéler des modèles et des tendances.
Les normes ouvertes permettent aux différents services de combiner et de connecter leurs ressources. Elles garantissent également une plus grande liberté lors de l’adoption future de nouveaux outils d’analytique, de tableaux de bord et d’autres solutions. De plus, elles favorisent une vaste collaboration du côté des fournisseurs : Axis, par exemple, s’associe à d’autres entreprises leaders du secteur afin de proposer une large gamme de solutions adaptées à des besoins spécifiques.
Générer de la valeur : des choix aujourd’hui pour une meilleure performance demain
Les organismes de sécurité publique qui bâtissent aujourd'hui des écosystèmes de données stratégiques et de haute qualité sont les plus susceptibles d'être en mesure de démontrer des améliorations mesurables de leur performance et de leur efficacité opérationnelle demain. Lorsque les budgets sont sous pression, il n'est pas difficile de déterminer qui sera le mieux placé pour obtenir les ressources nécessaires lors des négociations budgétaires.
Évaluation réaliste des risques : une vision claire des besoins
Les organismes qui réfléchissent déjà stratégiquement à leur infrastructure de données sont également mieux placés pour se doter d'outils appuyant des solutions intégrées comme les centres de lutte contre la criminalité en temps réel (RTCC), les centres des opérations d'urgence (COU) et même les jumeaux numériques qui deviendront probablement des piliers de la sécurité publique dans les années à venir. À l'inverse, retarder les discussions stratégiques peut coûter cher aux organismes plus tard, lorsqu'ils devront trouver des ressources pour remplacer des systèmes obsolètes ou incompatibles.
En fin de compte, les organismes qui tirent le plus de valeur des métadonnées et de l'analytique ne créent pas nécessairement de nouvelles données. Ils posent de meilleures questions aux données
qu'ils possèdent déjà et utilisent ces informations pour prendre des décisions plus éclairées. Pour commencer, cela peut être aussi simple que cela.
