Le fil

EDENRED et la dématérialisation des titres-restaurant

Projets - 1 septembre 2018
Inventeur de Ticket Restaurant®, Edenred est le leader mondial des services prépayés aux entreprises. Datastorm les accompagne sur l’analyse des données issues de la dématérialisation des titres-restaurant.

Le contexte

Edenred conçoit et gère des solutions pour les entreprises et des collectivités désireuses d’accorder du pouvoir d’achat, d’optimiser leurs dépenses ou d’accroître la motivation de leurs équipes. L’offre du Groupe est utilisée par 43 millions de salariés de 750 000 organisations différentes au sein d’un réseau d’1,4 million de commerçants affiliés.


Elle se répartit autour de deux lignes de métiers principales :
  • les Avantages aux salariés (Ticket Restaurant®, Ticket Alimentación, Ticket CESU, Childcare Vouchers…
  • la Gestion des frais professionnels (Ticket Log, Ticket Car, UTA, Ticket Clean Way, Repom…).
Edenred propose é:galement des Solutions complémentaires pour gérer des écosystèmes transactionnels : Paiement interentreprises (Edenred Corporate Payment), Motivation et récompenses (Ticket Compliments, Ticket Kadéos) et Programmes sociaux publics.
Coté à la Bourse de Paris, Edenred est présent dans 42 pays avec près de 8 000 collaborateurs. En 2016, Edenred a géré près de 20 milliards d’euros de transactions.


Les enjeux métier

Depuis avril 2014, les titres-restaurant peuvent être émis sur support papier ou sous forme dématérialisée : carte à puce rechargeable ou application sur smartphone.
Les équipes d’Edenred souhaitent savoir si l’exploitation des données issues de la digitalisation pouvait augmenter la proposition de valeur qu’Edenred propose à ses différents interlocuteurs, affiliés et bénéficiaires.
Peut-on segmenter les comportements d’utilisation de la carte ? Existe-t-il des comportements communautaires ? Des leaders au sein de ces communautés ? Les applications en ligne associées à la carte entraîne-t-elle des comportements spécifiques ?…


La solution

Step 1
  • Une analyse massive des données disponibles a été effectuée faisant émerger les premiers éléments clés : 150 000 utilisateurs de la carte, parmi lesquels 100 000 ont effectué un paiement sans contact (NFC). Au total, ce sont plus de 17 millions de transactions qui ont été réalisées dans les restaurants français et commerçants affiliés, avec un pic de 300 transactions par minute à l’heure du déjeuner, pour un montant moyen de 11,4 euros.
  • Une architecture basée sur des données indexées via HBASE et PHOENIX et un moteur de calcul en R ont été mis en place.
  • Une restitution a été proposée à l’aide de R-Shiny et de composants JavaScripts dynamiques.
Step 2
  • Une matrice d’affinité a été construite pour identifier les “leaders” au sein de chaque entreprise. Un leader est un individu qui a tendance à utiliser sa carte au même endroit et au même moment que d’autres individus de la même entreprise.
  • Pour un leader donné, on s’intéresse à l’identification des communautés rattachées : on reprend tous les bénéficiaires ayant co-consommé avec le leader au moins 1 fois. On fait une analyse par graphe ou chaque nœud représente un bénéficiaire et chaque lien un repas pris ensemble. On regroupe les nœuds en groupes de manière à maximiser un critère statistique qui permet de constituer des groupes où les gens ont beaucoup mangé ensemble et peu entre les groupes. On représente le tout graphiquement à l’aide de composants JavaScripts dynamiques.
Step 3
  • Des méthodes économétriques ont été mises en place pour détecter les impacts réels et analyser les clients ayant basculé du papier à la carte entre deux dates.

Une application dédiée a été créée pour analyser l’ensemble des données clients et procéder à des analyses de population.


Les résultats

Les modèles économétriques ont permis de mesurer parfaitement l’impact de la digitalisation sur l’activité d’Edenred.
La mise en place d’algorithmes par graphe a permis de détecter des communautés bénéficiaires et d’identifier des « leaders » semblant drainer avec eux des populations.
Le projet a permis de conclure que la digitalisation de Ticket Restaurant® est bénéfique pour Edenred et lui permet d’ouvrir de nouvelles perspectives.

R&D
Voici shinydrive, le dernier-né des packages Datastorm

Dans la famille des packages shiny de Datastorm, voici le petit dernier : shinydrive. Le package shinydrive a été développé pour répondre à un besoin simple : faciliter le partage de fichiers entre différents utilisateurs d’une application R/shiny.

R&D
Functional Data : un potentiel encore peu exploré

La dernière matinée R&D de Datastorm était notamment consacrée aux données fonctionnelles. Elles peuvent apporter de nouvelles pistes de modélisation pour la prévision ou l’analyse. Le point avec Benoit Ravel, CEO de Datastorm.

Replay webinar : Anticiper les dérives de vos Modèles de Machine Learning grâce au MLOps

La multiplication des projets data et des algorithmes expose les entreprises à un risque aujourd’hui clairement identifié : la baisse de performance des modèles de Machine Learning. Il est pourtant capital d’anticiper les dérives de vos modèles et le Machine Learning Operations (MLOps) peut vous y aider. Dans ce nouveau webinaire, les équipes de Datastorm vous expliquent comment.

Toute l'expertise du Groupe ENSAE-ENSAI

Plateau de Saclay
5 Avenue Henry-Le-Chatelier
91120 PALAISEAU - FRANCE

Paris
24 rue Barbès
92120 MONTROUGE - FRANCE