POINTS CLES<\/strong><\/span><\/p>\n<\/div><\/div>
<\/div>
L’\u00e9quipe de D3S a d\u00e9velopp\u00e9 des algorithmes pour pr\u00e9dire les retards de paiement \u00e0 partir du comportement ant\u00e9rieur des clients,<\/strong> y compris les risques quasi syst\u00e9miques (pays, secteur, taille, p\u00e9riode, etc.). Le mod\u00e8le est connect\u00e9 \u00e0 SaP pour fournir des alertes en temps quasi r\u00e9el. Il est utilis\u00e9 par 30 personnes dans plusieurs pays.<\/p>\n<\/div><\/div>
<\/div>
DONN\u00c9ES ET STACK TECHNIQUE
\n<\/strong><\/span><\/p>\n<\/div><\/div>
<\/div>
Nous avons d\u00e9marr\u00e9 le projet avec les donn\u00e9es transactionnelles des trois derni\u00e8res ann\u00e9es, extraites du processus order-to-cash et des syst\u00e8mes de gestion de la relation client (CRM). Cela repr\u00e9sentait plus d’un million de factures \u00e0 analyser, avec diverses complexit\u00e9s dans les m\u00e9canismes de compensation. Toutes les donn\u00e9es ont \u00e9t\u00e9 collect\u00e9es au format .csv et t\u00e9l\u00e9charg\u00e9es dans une base de donn\u00e9es PostgreSQL avant d’\u00eatre trait\u00e9es.<\/p>\n
Notre Stack technologique : Python, SKL, PostreSQL et API en temps quasi r\u00e9el vers SaP via BW.<\/p>\n<\/div>
<\/div>
<\/div>
CONTEXTE ET APPROCHE<\/span><\/strong><\/p>\n<\/div><\/div>
<\/div>
Une entreprise industrielle du CAC40, avec plus de 100 000 clients, est confront\u00e9e \u00e0 des retards de paiement. Au cours des derni\u00e8res ann\u00e9es, un processus de recouvrement efficace a \u00e9t\u00e9 mis en place, avec 30 ETP appelant les clients industriels et professionnels pour limiter les retards de paiement. Le responsable du risque de cr\u00e9dit souhaitait exploiter les donn\u00e9es disponibles pour r\u00e9duire les cr\u00e9ances impay\u00e9es.<\/p>\n
Nous avons men\u00e9 18 entretiens avec des experts du monde entier, afin de comprendre la structure des donn\u00e9es et les usages de cette activit\u00e9. Les data scientists ont d\u00e9velopp\u00e9 un pipeline de traitement pour pr\u00e9parer les donn\u00e9es, et con\u00e7u l’algorithme pour apprendre automatiquement les habitudes des clients dans un contexte sp\u00e9cifique<\/strong> (secteur de la client\u00e8le, taille, historique des paiements, taux de change, jours f\u00e9ri\u00e9s, mod\u00e8le de facturation, etc.)<\/p>\nLa solution propos\u00e9e a \u00e9t\u00e9 valid\u00e9e pour GoLive par les dirigeants et connect\u00e9e \u00e0 SaP.<\/strong><\/p>\n<\/div><\/div>
<\/div>
R\u00c9SULTATS<\/strong><\/span><\/p>\n<\/div><\/div>
<\/div>
Des gains de productivit\u00e9 de +20% ont \u00e9t\u00e9 d\u00e9montr\u00e9s<\/strong> par rapport \u00e0 la m\u00e9thodologie usuelle de priorisation des efforts de collecte. Le mod\u00e8le peut pr\u00e9dire les factures \u00e0 risque d\u00e8s leur date de comptabilisation, afin de hi\u00e9rarchiser les appels en tenant compte des comportements ant\u00e9rieurs de chaque client.<\/p>\nLes r\u00e9actions des \u00e9quipes ont \u00e9t\u00e9 excellentes,<\/strong> avec moins de temps consacr\u00e9 \u00e0 des t\u00e2ches \u00e0 faible valeur ajout\u00e9e et un taux de r\u00e9ussite plus \u00e9lev\u00e9 pour les actions de pr\u00e9-relance. La solution industrielle a \u00e9t\u00e9 enti\u00e8rement transf\u00e9r\u00e9e au d\u00e9partement informatique et int\u00e9gr\u00e9e \u00e0 SaP.<\/p>\n<\/div><\/div>\n\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>
\n\t\t\t\t\t
\n\t\t\t\t\t\t
<\/div>\n\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div><\/div><\/div><\/p>\n","protected":false},"excerpt":{"rendered":"
Une entreprise industrielle du CAC40, avec plus de 100 000 clients, est confront\u00e9e \u00e0 des retards de paiement. La solution pr\u00e9dictive fournie permet de cibler les efforts de recouvrement, en apprenant \u00e0 partir du comportement historique et de toutes les caract\u00e9ristiques disponibles.<\/p>\n","protected":false},"author":3,"featured_media":2049,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false},"categories":[32,21],"tags":[],"_links":{"self":[{"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/posts\/2298"}],"collection":[{"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/comments?post=2298"}],"version-history":[{"count":7,"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/posts\/2298\/revisions"}],"predecessor-version":[{"id":2384,"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/posts\/2298\/revisions\/2384"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/media\/2049"}],"wp:attachment":[{"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/media?parent=2298"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/categories?post=2298"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/d3s.ai\/fr\/wp-json\/wp\/v2\/tags?post=2298"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"\"](\"http:\/\/d3s.ai\/wp-content\/uploads\/2017\/12\/light3.jpg\")
<\/a><\/span>