#11 Prédiction de retards à la SNCF 🚉

Post Mortem

Tous les jours, des millions de voyageurs prennent le train sur le réseau SNCF, mais parfois, un train subit un retard.

Aujourd'hui je reçois Héloïse Nonne, Head of Data Science & Engineering @ eSNCF, pour comprendre comment ce problème est adressé en interne pour améliorer l'information voyageurs.

Après avoir présenté les spécificités d'un projet ML dans un groupe qui opère sur plus de 30 000 km de voies, Héloïse revient sur la modélisation envisagée pour améliorer l'information voyageurs (10'00") avant de faire le bilan sur un projet mis en prod l'été 2019 (27'30").

Ressources

• L'équipe d'Héloïse à rédigé un blog post qui détaille l'approche technique choisie pour la résolution, du feature engineering à l'industrialisation: https://www.digital.sncf.com/actualites/la-data-science-au-service-de-linformation-voyageur
• Pour la contextualisation, on évoque les différentes activités du groupe SNCF: https://www.sncf.com/fr/groupe/profil-et-chiffres-cles/portrait-entreprise/qui-sommes-nous

Infos sur le podcast

• La fréquence de Post Mortem va passer à 1 épisode par mois
• Dans cet épisode, j'utilise des illustrations à certains moments (e.g., 14'11" au sujet de la "météo des retards") dites moi ce que vous en pensez en commentaires sur Apple Podcast ou en DM sur twitter @PodcastMortem 🙏

Chapters

1. Intro (00:00:00)

2. Les entités de la SNCF (00:02:35)

https://www.sncf.com/fr/groupe/profil-et-chiffres-cles/portrait-entreprise/qui-sommes-nous

3. Comment prévoir les retards de trains? (00:10:00)

https://www.digital.sncf.com/actualites/la-data-science-au-service-de-linformation-voyageur

4. La météo des retards ⛅️ (00:14:11)

5. Heatmap des retards (00:26:40)

https://www.digital.sncf.com/system/files/styles/scale_width_820/private/paragraphs/image-caption/visuel_1_0.jpg?itok=0TtAHV7w

6. Un an après la mise en prod; quel bilan ? (00:27:30)

7. Le mot de la fin (00:33:35)

8. ✨ BONUS ✨ Du nouveau dans Post Mortem (00:34:54)