Contexte & Enjeux

Cette entreprise du domaine énergétique gère des centaines de milliers de systèmes de suivi de consommation partout en France. Ces compteurs sont à la base de la facturation des particuliers, entreprises et services publiques. Néanmoins, ces compteurs sont sujets à divers types d’anomalies :

• dysfonctionnements

• tentatives de fraude

• problèmes de facturation

Ces anomalies représentent des dizaines de millions d’euros de pertes annuelles pour l’entreprise au travers les pertes de facturation, des interventions tardives et des dédommagements pour les clients.

Méthodologie / Solution

L’intervention a résulté sur la mise en place d’un outil d’aide à la priorisation pour les équipes d’intervention. Cet outil leur permet quotidiennement de choisir les compteurs prioritaires à aller vérifier, en tenant compte de :

• un score de suspicion d’anomalie

• un rendement estimé correspondant aux coûts évités grâce à une intervention rapide

• un regroupement facilité des compteurs en fonction de la similarité de l’anomalie estimée, facilitant ainsi la prise de décision des équipes

Un deuxième outil leur permet ensuite d’analyser plus précisément les informations des compteurs les plus suspicieux, afin de décider d’une possible intervention.

Afin de mettre en place un score de suspicion, nous avons adopté une approche machine learning hybride, combinant :

• un modèle de machine learning supervisé (forêt d’arbre de décision), capable de détecter et de classifier assez précisément les types d’anomalies connues

• un modèle non-supervisé (auto-encodeur), permettant de détecter des types d’anomalie jusqu’alors inconnus

Résultats obtenus

L’outil développé a été pleinement adopté par les équipes, leur permettant à la fois de gagner beaucoup de temps sur l’analyse préalable aux interventions, mais aussi d’augmenter le taux de succès des intervention (le pourcentage d’interventions amenant à la découverte et à la correction d’une anomalie effective).

Cela s’est aussi traduit par un impact économique fort, avec une augmentation significative du nombre d’anomalies corrigées et une diminution encore plus forte des pertes potentielles liées audites anomalies.