Vous avez demandé, nous avons livré!

Lignes, la société de fret ferroviaire en Europe, a un cycle de maintenance à mi-vie obligatoire pour toutes ses locomotives. Ils ont un total de 200 locomotives. Ils ne servent pas tous les mêmes routes ou ne remplissent pas les mêmes fonctions; certains sont utilisés pour la manœuvre, tandis que d'autres parcourent des itinéraires courts ou longs.

Sur la base des données collectées à partir de plus de 200 capteurs sur chaque locomotive, générant des milliards d'enregistrements, nous avons réussi à compiler un modèle qui suggère le temps après lequel chaque locomotive devait subir son cycle de maintenance «à mi-vie».

En faisant la moyenne des résultats, nous avons réussi à allonger le cycle de vie par locomotive de 15%. En conséquence, les économies générées sont considérables.

Lagardere Travel, qui fait partie du groupe Lagardere, propriétaire de plus de 270 boutiques hors taxes à travers l'Europe, nous a approchés pour maximiser leurs ventes dans les mêmes magasins.

Après nous être connectés à leur système de point de vente et à leur ERP, ce qui nous a permis de collecter des données en direct, nous avons pu découvrir des opportunités pour eux:

1. Optimiser l'assortiment à travers les terminaux
2. Accroître la pénétration dans les principaux segments de clientèle
3. Améliorez le taux de conversion des magasins
4. Améliorer le service client (optimisation du personnel)
5. Responsables des magasins avec des analyses prédictives et en temps réel jusqu'au niveau des articles (SKU).

Toutes ces mesures combinées ont entraîné une augmentation de 6.5% de leur chiffre d'affaires sur une période de 90 jours seulement /

Proximus, le plus grand opérateur de télécommunications en Belgique, a eu du mal à identifier les problèmes sur son réseau. Dans la plupart des cas, pour résoudre un problème donné, ils doivent envoyer un technicien sur place qui effectue la procédure de dépannage standard. Si ce technicien ne pouvait pas identifier / résoudre le problème, il devait envoyer une équipe qui devait creuser un tout sur la route et mener une procédure de dépannage physique.

Nous avons développé un modèle, qui a assemblé des milliers de points de données par seconde et les a traités. Cela nous a permis de prédire correctement quel technicien est requis pour résoudre le problème, nous empêchons des dizaines de milliers d'interventions inutiles par an. De la rétroaction de terrain, l'algorithme est même un meilleur prédicteur que les diagnostics des techniciens.