Retour aux cas clients

SNCF

La SNCF souhaitait améliorer le taux de recouvrement des amendes et réduire le coût de traitement en allouant finement ses ressources dans des campagnes de recouvrement, et en exploitant l’historique de comportement des contrevenants.

optimisation processus recouvrement impayés SNCF

Comment optimiser le taux de recouvrement des amendes ?

La lutte anti-fraude est un sujet stratégique au sein de la SNCF. Elle cherche donc en permanence à optimiser le retour sur investissement de cette activité, en particulier le recouvrement des PV émis dans les trains.

La SNCF a confié à hunik group le soin d’utiliser la data pour optimiser tout le processus.

La SNCF prend le train de la data

Exploiter les données comportementales

La SNCF possédait un riche jeu de données de comportements des contrevenants (anonymisés) qu’elle exploitait très peu pour prédire la capacité à payer des nouveaux contrevenants. Elle avait travaillé sur un POC qui montrait la pertinence d’exploiter la valeur de ces données et souhaitait l’industrialiser.

Pour cela, Castelis a enrichi de Machine Learning le système d’information « NEO », utilisé pour gérer le recouvrement (relances écrites et téléphoniques, sms, vms, emails…). Le système NEO avait été développé par le pôle Digital de Castelis.

application contrôleurs SNCF suivi contraventions castelis

Les chiffres clés du projet

2019

mise en service de la solution

225 000

PV traités par mois en moyenne

121

profils possibles de contrevenant

La construction d’un modèle prédictif en machine learning

Castelis a utilisé les technologies de Machine Learning afin de valoriser les données et exploiter des modèles mathématiques permettant d’effectuer des forages de données et de la reconnaissance de patterns dans le but de réaliser de l’analyse prédictive.

  1. Les données disponibles sont utilisées pour construire un modèle
  2. Le modèle appliqué à de nouvelles données permet de prendre des décisions​ (profiling, de groupes ou de profils de contrevenants)
  3. Les résultats finaux obtenus sur les nouvelles données peuvent être réinjectés dans le modèle pour qu’il soit en constante amélioration​

Chaque contrôleur peut également suivre son activité quotidienne grâce au reporting power BI mis en œuvre par Castelis.

Le projet Data NEO a permis à la SNCF d’améliorer significativement les performances du service recouvrement : augmentation du taux de recouvrement, réduction des délais de paiement et réduction des coûts de traitement.

SNCF optimisation paiement contravention Hunik

Témoignages

double arrow left

Un véritable projet de Data Science

Le projet Data-Neo est un véritable projet de Data Science, où la data est au coeur du projet pour être collectée, explorée, exploitée, et déployée. On est au carrefour des connaissances métier de l’informatique et des statistiques, pour extraire de la data la valeur ajoutée qu’elle peut apporter au client. L’exploration d’un côté, et l’industrialisation de l’autre, font intervenir des profils différents et rendent ce type de projet particulièrement excitant pour tous les intervenants.

olivier gosselin castelis

Olivier GOSSELIN

Directeur de projets Pôle Solutions

double arrow right

Une réalisation

envelope
Contactez-nous