IA predictive yield management transport

Contexte

Compagnie ferroviaire (10 000 employés, 3 Mds€ CA). Yield management basé sur des règles tarifaires simples (saison haute/basse, classe). Taux de remplissage moyen de 72% vs 85% chez les concurrents low-cost. Revenu manqué estimé à 50M€/an. Direction commerciale veut un pricing dynamique IA.

Problème & Défi

→ Yield management basé sur des règles simples - taux de remplissage 72% vs 85% chez les concurrents - Revenu manqué estimé à 50M€/an - marge de progression considérable → Tarification batch J-7/J-30/J-90 : aucune réactivité temps réel à la demande - 200 lignes tarifaires gérées manuellement par 15 revenue managers → Aucune exploitation des données historiques (10 ans, 500M de transactions) pour le pricing - Concurrents low-cost avec pricing dynamique en temps réel, désavantage compétitif croissant

Solution & Livrables

- Modèle ML de yield management livré et opéré (gradient boosting + deep learning) - pricing dynamique en temps réel - Taux de remplissage amélioré de 72% à 82% en 8 mois - trajectoire vers 85% cible - Revenu additionnel de 30M€/an dès la première année - ROI du projet en 3 mois - Pricing automatisé sur les 200 lignes. revenue managers recentrés sur la stratégie - Exploitation des 10 ans d'historique + données météo, événements, concurrence pour l'optimisation - A/B testing continu → amélioration itérative du modèle avec feedback boucle fermée

Technologies