Liftline : suivi du matériel de salle de sport, gestion des files d’attente et maintenance prédictive par IA

La frustration qu’aucune salle n’a vraiment résolue

Entrez dans une salle de sport commerciale très fréquentée un mardi à 18 h. La cage à squat est occupée. Le tirage horizontal à la poulie aussi. Impossible de connaître le temps d’attente pour l’un ou l’autre. La troisième machine à câble a une poignée déchirée depuis deux semaines, mais le personnel ne sait pas exactement laquelle, car le signalement parlait de « ce truc à câble cassé ». Les membres s’agacent. Certains partent plus tôt. Quelques-uns résilient leur abonnement trois mois plus tard, et la salle ne fait jamais le rapprochement.

Le principe de Liftline est très simple : les membres voient quel matériel est libre, rejoignent une file lorsqu’il est occupé et signalent les problèmes en quelques secondes. Le travail intéressant commence avec ce que deviennent ces données une fois qu’elles circulent.

Trois portails, une plateforme

Chaque niveau voit exactement ce dont il a besoin. Contrôle d’accès par rôles (RBAC) appliqué au niveau de l’API.

À quoi cela ressemble concrètement

Trois portails par rôle connectés à une salle contenant des données de démonstration — pas des maquettes Figma. Ci-dessous, une visite de deux minutes enregistrée en préproduction, suivie de quelques écrans représentatifs.

~23 Mo · MP4 · toucher pour lire

Portail d’administration · /portal/dashboard

Tableau de bord du personnel · /app/floor

Centre de commande IA · /portal/ai

Thème sombre présenté · thème clair disponible · identité visuelle en marque blanche pour chaque salle

Là où l’IA mérite vraiment sa place

Nous avons résisté à l’envie d’ajouter de l’IA à chaque fonctionnalité. Voici les huit domaines où Claude accomplit un travail que les autres approches maîtrisent mal :

1. Prévision du temps d’attente. Prévoir la longueur de file par machine à partir des habitudes d’utilisation historiques et de la fréquentation actuelle.
2. Recommandations de matériel de remplacement. Quand le tirage à la poulie est occupé : « La machine de tirage assis est libre et sollicite les mêmes muscles. »
3. Maintenance prédictive. Analyser le flux de signalements pour prévoir les pannes avant leur survenue et prioriser les tickets selon la gravité et la fréquence d’utilisation.
4. Classification des signalements. Traitement du langage naturel sur les descriptions libres pour classer les problèmes, détecter les doublons et signaler les enjeux critiques de sécurité nécessitant une escalade immédiate.
5. Programmes d’entraînement adaptatifs. Adapter dynamiquement la séance prévue d’un membre en temps réel selon le matériel indisponible.
6. Détection des points de congestion. Les données de capteurs et de files révèlent les schémas de congestion liés à l’agencement de la salle.
7. Détection des signes de frustration. Attentes répétées sans succès pour le même appareil → proposition proactive d’une solution en heures creuses.
8. Identification du risque de résiliation. Baisses de fréquence des visites corrélées aux épisodes d’indisponibilité du matériel.

Nous livrons d’abord la prévision du temps d’attente et la maintenance prédictive — toutes deux influencent directement les deux indicateurs qui comptent pour les salles : la satisfaction des membres et les coûts d’exploitation.

Pile technique

• Frontend : Next.js 14 (App Router) + TypeScript + Tailwind CSS — une base de code, trois expériences selon les rôles.
• Backend : Node.js + Express + TypeScript avec middlewares d’authentification, RBAC, journalisation d’audit et limitation du débit.
• Base de données : PostgreSQL 16.
• Temps réel : Socket.io — les mises à jour de l’état du matériel sont transmises à tous les clients connectés en <100 ms.
• Cache : Redis — état des files sur le chemin critique et prévisions du temps d’attente.
• IA : API Claude d’Anthropic pour le tri par traitement du langage naturel, les prévisions et la planification adaptative des entraînements.
• Courriel : Nodemailer avec MailHog pour la parité en développement.

Tout est conteneurisé via docker-compose pour le développement local ; la production s’exécute dans le cloud du client (AWS, GCP ou Azure — à votre choix), avec la base de données, Redis et Socket.io derrière son VPC.

L’architecture en un schéma

┌─────────────────────────────────────────────────────┐
│                  Next.js Frontend                    │
│  ┌──────────┐  ┌──────────────┐  ┌───────────────┐   │
│  │ Member   │  │    Staff     │  │  Admin Portal │   │
│  │ App /app │  │ Dash /staff  │  │    /portal    │   │
│  └────┬─────┘  └──────┬───────┘  └───────┬───────┘   │
└───────┼────────────────┼──────────────────┼──────────┘
        ▼                ▼                  ▼
┌─────────────────────────────────────────────────────┐
│              Express API + Socket.io                 │
│  ┌────────┐ ┌────────┐ ┌────────┐ ┌──────────────┐   │
│  │  Auth  │ │  RBAC  │ │ Audit  │ │ Rate Limiter │   │
│  └────────┘ └────────┘ └────────┘ └──────────────┘   │
│  ┌──────────────────────────────────────────────┐    │
│  │           AI Service · Claude API             │    │
│  └──────────────────────────────────────────────┘    │
└──────────┬───────────────────────────┬───────────────┘
           ▼                           ▼
     ┌──────────┐               ┌──────────┐
     │PostgreSQL│               │  Redis   │
     │    16    │               │  cache   │
     └──────────┘               └──────────┘

Où nous en sommes et où nous allons

Liftline est un produit développé en privé par SEYSO. Le socle applicatif à trois portails, l’état du matériel en temps réel, la gestion des files et la chaîne de signalements classés par traitement du langage naturel fonctionnent dans notre environnement de développement. La maintenance prédictive et la prévision du temps d’attente sont les prochaines étapes.

Nous échangeons activement avec des chaînes de salles et des exploitants indépendants au sujet d’un petit nombre de déploiements pilotes fondateurs — installés chez vous dans le cadre d’une coconception, sans frais de développement, en contrepartie de l’utilisation de vos données opérationnelles pour entraîner les paramètres par défaut de la plateforme. Si cela vous intéresse, contactez-nous ci-dessous.

Pourquoi le moment est bien choisi

Le secteur du fitness s’est reconstruit entre 2020 et 2024. Les attentes des membres sont désormais façonnées par les logiciels — réservation de cours, appareils de musculation intelligents, objets connectés — mais le cœur opérationnel de la plupart des salles reste une planchette à pince. Liftline est la couche opérationnelle qui respecte le comportement réel des membres en salle et donne aux propriétaires les données pour prendre des décisions objectives sur le personnel, l’agencement et les achats.