Projet sur la Fraude aux péages

Pour approfondir notre compréhension de la fraude aux péages, j'ai entrepris une analyse multidimensionnelle en examinant plusieurs axes, notamment les nationalités, la temporalité, les types de fraudes et les lieux.

Cette analyse a révélé de nombreux éléments pertinents qui ont servi de base à nos prises de décision. Suite à cette première phase d'analyse, nous avons approfondi notre compréhension en nous concentrant spécifiquement sur les récidivistes, afin d'identifier s'il existait des profils types parmi eux.

Afin de suivre de près les activités de fraude de manière quotidienne, j'ai mis en place des rapports et des tableaux de bord sous Tableau, ce qui nous a permis de surveiller en temps réel l'évolution de la fraude.

Enfin, nous avons également entrepris une analyse de prévision de la fraude, où j'ai développé des modèles de prévision pour la fraude par secteur et à un niveau global. Pour évaluer la performance de ces modèles, nous avons mis en place des rapports comparant les prévisions aux données réelles, toujours grâce à Tableau.

Outils Utilisés

	Utilisation pour toute la partie industrialisation (calcul d'indicateurs, nettoyage) avec insertion sur une base PostgreSQL
	Utilisation pour la partie visualisation des données (prévision, reporting)
	Pour toute la partie analyse et compréhension des données, ainsi que pour la partie prévision des fraudes

Fermer

Projet d'analyse sur les transactions de carte de crédit

Pour approfondir notre compréhension des paiments en carte de crédit sur nos bornes de péage, j'ai entrepris une analyse multidimensionnelle en examinant plusieurs axes, notamment les types de paiement, la temporalité, les lieux.

Cette analyse a révélé de nombreux éléments pertinents qui ont servi de base à nos prises de décision et on permis de mettre en place des tableaux de bord de suivi.

Outils Utilisés

	Utilisation pour toute la partie industrialisation (calcul d'indicateurs, nettoyage) avec insertion sur une base PostgreSQL
	Utilisation pour la partie visualisation des données + compréhension des données

Fermer

POC analyse de la corrosion des glissières

Dans le cadre de notre projet visant à évaluer la possibilité de classer des glissières en fonction de leur niveau de corrosion, nous avons réalisé avec succès une preuve de concept (POC) initiale qui consistait à classifier la corrosion en deux stades distincts.

Cette phase POC a rencontré nos attentes, et nous avons par la suite lancé un projet plus ambitieux, où la classification sera élargie pour prendre en compte trois niveaux de corrosion distincts : absence de corrosion, légère corrosion et forte corrosion.

Outils Utilisés

Pour toute la partie analyse, nettoyage, classification des images. Nous avons utilisés la librairie opencv pour toute la partie traitement d'images.

Fermer

Analyse des commentaires Google des aires d'autoroute

Dans le but de mieux comprendre l'utilisation de nos aires d'autoroutes ainsi que les problèmes potentiels, nous avons entrepris l'analyse des commentaires publiés sur Google au sujet de chacune de nos aires.

Pour obtenir une base de données robuste de ces commentaires, nous avons utilisé une méthode de récupération (Scapping) de données à partir des avis affichés sur Google Maps, en utilisant des bibliothèques Python. Cette démarche nous a permis de collecter à la fois les évaluations numériques et les commentaires textuels associés.

En utilisant ces commentaires, nous avons développé une nouvelle méthode de notation grâce à des modèles tels que Flaubert. Cela nous a permis d'apporter une dimension plus nuancée à notre analyse et d'obtenir une compréhension plus précise des commentaires rédigés par les utilisateurs.

Pour rendre l'ensemble de notre travail plus accessible et exploitable, nous avons développé une application web à l'aide de Streamlit. Cette application permet de visualiser les avis sous forme de nuages de mots, de cartes géographiques, et offre même une fonctionnalité de filtrage basée sur des mots-clés, facilitant ainsi l'extraction d'informations pertinentes à partir des commentaires.

Outils Utilisés

	Utilisation pour toute la partie scrapping des commentaire google de nos aires , ainsi que pour la création de notation via Flaubert
	Utilisation pour la partie stockage, nettoyage et enrichissement de nos données.
	Pour la partie applicatif et utilisation de nos données par l'utilisateur final

Fermer

POC appariement véhicules

Avec l'introduction des nouveaux péages à flux libre, de nouveaux systèmes ont été déployés, utilisant la plaque d'immatriculation des véhicules pour suivre le trajet des utilisateurs. Bien que ce système fonctionne de manière efficace, il n'est pas exempt de vulnérabilités. C'est pourquoi nous avons lancé une preuve de concept (POC) visant à explorer la possibilité d'apparier les véhicules sans avoir recours aux données de la plaque d'immatriculation.

Différentes méthodes de deep learning ont été testées dans le cadre de cette démarche, notamment le SIFT, parmi d'autres approches.

Nous avons obtenu un taux de réussite encouregeant sur les véhicules qui n'avaient pas nécessairement été associés par le biais de la plaque d'immatriculation

Outils Utilisés

	Pour toute la partie analyse, nettoyage, classification des images. Nous avons utilisés la librairie Opencv pour toute la partie traitement d'images
	Utilisation pour la partie suivi des expérimentations des différents modèles

Fermer

TDB RH

Migration d'indicateurs étant sur SAP BO et création de nouveaux indicateurs de suivi pour le service RH

Outils Utilisés

	Utilisation pour toute la partie industrialisation (calcul d'indicateurs) avec insertion sur Snowflake.
	Utilisation pour la nettoyage ainsi que la création des tables de fait d'indicateurs.
	Pour toute la partie visualisation des indicateurs pour les utilisateurs

Fermer