Data Science & Machine Learning : Dévéloppement d'une solution de planification Optimisé et Prédiction

[Blessed-joseph]

Étudiant : ASSIGBE Komi Joseph Béni
Encadrant professionnel : Christophe GERALDES PEREIRA,
Structure d'accueil : Assurances du Crédit Mutuel
Période : Février - Août 2025 (6 Mois)
Master Calcul Scientifique et Mathématiques de l’Innovation
Université de Strasbourg

Contexte

---

Mon stage de fin d’études s’est déroulé au sein des Assurances du Crédit Mutuel (ACM), dans le service Pilotage, Études et Statistiques de la Direction des Indemnisations et des Prestations sur le site de Strasbourg.

Première partie du projet : Optimisation de la planification

Cette partie consistait à :

• comprendre le fonctionnement existant et les contraintes opérationnelles,
• traduire ces contraintes en modèles mathématiques,
• proposer une planification adaptée aux besoins métiers et aux réalités du terrain.

Les enjeux majeurs étaient :

• répondre efficacement à un volume important d’appels et de demandes clients,
• intégrer les contraintes opérationnelles (aléas climatiques, accidents, saisonnalité…),
• accompagner la digitalisation et l’automatisation des processus métiers.

Seconde partie du projet : Anticipation et prédiction

Dans un second temps, le projet s’est élargi vers une approche prédictive afin d’améliorer l’anticipation et l’efficacité opérationnelle.
Cette partie s’appuyait sur des méthodes de Machine Learning, permettant de modéliser et de prédire certains comportements à partir des données historiques.

Les objectifs étaient de :

• Prédire le temps d’attente moyen des assurés avant prise en charge,
• Anticiper les périodes de forte affluence afin d’optimiser la gestion des équipes,
• Permettre aux chefs d’équipe d’adapter leur stratégie de traitement des dossiers,
• Améliorer la satisfaction client et l’efficacité opérationnelle.

L’approche Machine Learning a donc permis de transformer les données brutes en connaissances exploitables, ouvrant la voie à une prise de décision plus rapide et plus précise.

Ce projet global s’inscrivait ainsi dans la volonté des ACM d’améliorer la satisfaction client et le confort des collaborateurs grâce à une organisation optimisée, prédictive et adaptée aux besoins futurs.

Méthodologie

---

Outils utilisés :

• Référentiel de Gestion : outil développé en VBA (Visual Basic for Applications) permettant de centraliser les données nécessaires à la planification.
  Il sert à la fois de base de données et d’interface pour consigner et extraire les informations utiles à l’organisation des ressources.

• SAS : exploitation des modules d’analyse statistique et d’optimisation, notamment SAS/OR, utilisé pour la résolution de problèmes d’allocation de ressources, de planification et d’optimisation sous contraintes.

• Datalab : environnement de développement et d’expérimentation mis à disposition par l’entreprise. Il constitue un espace sécurisé pour manipuler les données, développer des modèles et tester des solutions innovantes.

  • Offre un espace de travail collaboratif où les données peuvent être préparées, explorées et analysées.
  • Intègre plusieurs langages de programmation (Python, R, SQL…) ainsi que des bibliothèques spécialisées en machine learning, optimisation et visualisation.
  • Permet de tester rapidement des modèles sur des échantillons de données avant un passage en production.
  • Favorise la réplication et la traçabilité des analyses grâce à la gestion des versions et des environnements.
  • Joue un rôle clé dans l’innovation en permettant de prototyper des solutions sans impacter directement les systèmes de production.

• Pyomo (Python) : librairie open-source de modélisation mathématique permettant de formuler et résoudre des problèmes d’optimisation (linéaire, mixte, non linéaire, etc.).
  Utilisé pour traduire les contraintes métier en modèles mathématiques et tester différents scénarios de planification.

---

Démarches :

Première étape :

1. Recensement des contraintes

   • Étude des règles métier et des besoins des équipes,
   • Identification des contraintes opérationnelles : disponibilité des agents, volumes d’activité, priorités, jours de la semaine, etc.

2. Modélisation mathématique

   • Traduction des contraintes identifiées en un modèle d’optimisation,
   • Définition des variables de décision permettant de formaliser le problème.

Variables de décision

• P : variable binaire qui vaut 1 si une activité est affectée à un agent pour les jours lundi au vendredi, 0 sinon.
• Z : variable binaire qui vaut 1 si une activité est affectée à un agent pour le samedi uniquement, 0 sinon.

Deuxième étape :

Modèle prédictif

• Les données historiques (volumes d’appels, dossiers traités, périodes de l’année, événements spéciaux, etc.) ont été exploitées pour entraîner des modèles supervisés.
• Les algorithmes utilisés comprennent :
  • Régression linéaire pour établir une relation simple entre les variables explicatives et le temps d’attente,
  • Forêts aléatoires (Random Forest) et Gradient Boosting pour capturer des relations non linéaires et interactions complexes.

Évaluation des modèles

Pour mesurer la qualité de la prédiction, deux métriques principales ont été utilisées :

• RMSE (Root Mean Square Error) : permet d’évaluer l’écart moyen entre les valeurs prédites et les valeurs réelles. Plus le RMSE est faible, meilleure est la précision du modèle.
• R² (coefficient de détermination) : indique la proportion de variance expliquée par le modèle. Une valeur proche de 1 signifie que le modèle explique bien la variabilité des données.

Résultats

Figure 1 : Planning individuel d’un collaborateur, workflow automatisé pour la mise en production

Jour	nbapp	taux_décroche	taux_reappel	Tps RF	Tps RL
Lundi	5591	0,61	0,23	12.74	12.97
Mardi	5857	0,67	0,20	10.04	10.29
Mercredi	5419	0,70	0,20	8.99	9.21
Jeudi	5368	0,59	0,23	13.60	13.80
Vendredi	0	0,00	0,00	0	0

Tableau 1 : Exemple de prédictions des temps d’attente moyens par jour

Liens utiles

• 📄 Rapport de stage
• 🎤 Présentation