Mobitag Audit — SMS Activity New Caledonia

Dataset d'audit d'activité SMS collecté en Nouvelle-Calédonie, couvrant la période avril 2023 – juin 2026 (~2.46M événements).

Produit par OPT-NC dans le cadre du projet Mobitag, initiative de valorisation des données télécom calédonienne.

📊 Explorer le dataset en live → opt-nc/mobitag-explorer

Contenu

Colonne	Type	Description
date	timestamp	Horodatage de l'événement SMS en UTC
message_length	int32	Longueur du message en caractères
day_name	string	Jour de la semaine en heure locale NC — UTC+11 (Monday…Sunday)
year	int16	Année en heure locale NC
year_month	string	Année-mois en heure locale NC (ex : 2024-07)
month	int8	Mois en heure locale NC (1–12)
hour	int8	Heure de la journée en heure locale NC (0–23)

date est en UTC. Toutes les autres colonnes temporelles sont en heure locale Nouvelle-Calédonie (UTC+11).

Statistiques descriptives

Métrique	message_length
Min	1
Max	164
Moyenne	110.3
Médiane	122
Écart-type	41.4

Activité par jour : forte concentration en semaine (mardi–jeudi), très faible le dimanche.

Heures de pointe (heure locale NC) : 19h–21h (soirée) et 1h–2h (minuit). Activité minimale entre 8h et 17h.

Splits

Split	Période	Lignes
train	2023-04-06 → 2025-11-30	~2 140 000
test	2025-12-01 → 2026-06-04	~321 000

Le split est temporel : les données de test sont postérieures aux données d'entraînement, ce qui reflète un usage réaliste de prévision.

Tâches ML suggérées

1. Régression — prédire message_length

Utiliser les features temporelles (hour, day_name, month, year) pour prédire la longueur d'un SMS.

from datasets import load_dataset

ds = load_dataset("opt-nc/mobitag")
train_df = ds["train"].to_pandas()

X = train_df[["hour", "month", "year", "day_name"]]
y = train_df["message_length"]

2. Prévision de série temporelle — pics d'activité

Agréger par heure et prédire le volume d'activité SMS.

import pandas as pd
from datasets import load_dataset

ds = load_dataset("opt-nc/mobitag")
df = ds["train"].to_pandas()

hourly = (
    df.set_index("date")
    .resample("h")["message_length"]
    .agg(["count", "mean", "sum"])
    .reset_index()
)

Utilisation rapide

from datasets import load_dataset

ds = load_dataset("opt-nc/mobitag")
print(ds)
# DatasetDict({
#     train: Dataset({features: [...], num_rows: ~2191000}),
#     test:  Dataset({features: [...], num_rows: ~270000})
# })

Éthique et provenance

• Les données sont anonymisées : aucun identifiant personnel, numéro de téléphone ou contenu de message n'est présent.
• Seules les métadonnées temporelles et la longueur des messages sont conservées.
• Collecte réalisée par OPT-NC dans le cadre d'un audit d'infrastructure télécom en Nouvelle-Calédonie.
• Le champ date est stocké en UTC. Toutes les colonnes dérivées (hour, day_name, month, year, year_month) sont en heure locale NC (UTC+11). Pour convertir date : df["date"] + pd.Timedelta(hours=11).

Citation

@dataset{optnc_mobitag_2026,
  author    = {OPT-NC},
  title     = {Mobitag Audit — SMS Activity New Caledonia},
  year      = {2026},
  url       = {https://huggingface.co/datasets/opt-nc/mobitag},
  license   = {CC BY-NC 4.0}
}

Licence

Ce dataset est publié sous licence CC BY-NC 4.0 — attribution obligatoire, usage commercial interdit sans accord explicite d'OPT-NC.