Fiabiliser la facturation d’un réseau de transport à très forte fréquentation grâce à l’IA et à la Data

CE QU’IL FAUT RETENIR

• La SNCF doit transmettre à Île-de-France Mobilités des données exhaustives, fiables et auditables pour assurer une facturation conforme à l’usage réel du réseau.

• Un chantier national de structuration, de réconciliation et d’industrialisation des données a été mené pour produire un référentiel certifié des passages facturables.

• Résultat : une chaîne de facturation fiabilisée, traçable, explicable et exploitable, capable d’identifier la moindre anomalie.

  
  

Les enjeux financiers et contractuels d’un réseau de transport massif

Dans un réseau de transport aussi dense que celui d’Île-de-France, la facturation ne repose pas uniquement sur des volumes agrégés. Elle exige une traçabilité fine, une réconciliation rigoureuse des données et une capacité permanente à justifier chaque passage facturable.

La SNCF doit transmettre à Île-de-France Mobilités (IDFM) des données exactes concernant les flux de voyageurs : nombre de passages, nature des titres de transport, zones tarifaires, périodes, cas particuliers (échanges, remboursements, incidents).

Dans un tel environnement :

• une erreur marginale peut représenter des montants significatifs,

• une donnée non traçable peut devenir un risque contractuel,

• une incohérence peut déclencher un audit ou un litige.

La fiabilisation de la chaîne de facturation devient alors un enjeu stratégique, financier et réputationnel.

Un système de données hétérogène et difficile à consolider

Avant le projet, plusieurs défis majeurs limitaient la fiabilité du système :

• Multiplicité des sources : billetterie, systèmes de validation, supports physiques et numériques, historique SAV.

• Données hétérogènes, parfois incomplètes ou redondantes.

• Doublons, validations manquantes, titres non correctement associés.

• Gestion complexe des statuts (remboursements, échanges, régularisations).

• Difficulté à reconstituer précisément certains trajets en cas d’audit.

L’absence d’un référentiel unifié rendait difficile la production d’un décompte certifié des passages facturables.

Objectif : construire un référentiel national des passages facturables

Quatre objectifs structurants ont été définis :

1. Construire un référentiel centralisé des passages facturables.

2. Réconcilier la chaîne “validation – titre – contrat/support”.

3. Industrialiser le suivi sur l’ensemble du réseau.

4. Produire des jeux de données stables, documentés et exploitables sous Power BI.

L’enjeu n’était pas uniquement technique : il s’agissait de produire un socle data capable de résister à un audit et d’expliquer chaque agrégat de facturation.

Architecture Data mise en œuvre

Collecte et stockage dans un Data Lake

Les données ont été centralisées dans un Data Lake Azure (ADLS Gen2) afin d’assurer :

• un stockage brut sécurisé,

• une historisation complète,

• une traçabilité des versions.

Transformation et normalisation via Delta Lake et Databricks

L’ingestion et la transformation des données ont été réalisées via Delta Lake et Azure Databricks, en suivant une architecture en médaillon :

• Bronze : stockage des données brutes issues des différentes sources.

• Silver : nettoyage, déduplication, standardisation et rapprochement des données.

• Gold : tables de faits consolidées et agrégats de facturation prêts à l’exploitation.

Cette approche en architecture médaillon est également déployée dans le pilotage national de stations d’épuration, où la consolidation multi-sites et la standardisation des indicateurs sont clés.

Gouvernance et sécurité

La gouvernance s’est appuyée sur :

• Azure AD + RBAC pour le contrôle des accès,

• Unity Catalog pour la gestion des métadonnées et la traçabilité,

• Des procédures de contrôle qualité systématiques.

Chaque donnée facturable devient explicable, traçable et historisée.

Réconciliation et contrôle des anomalies

Un moteur de rapprochement a été développé pour :

• associer chaque validation à un titre de transport,

• relier le titre à un contrat ou un support,

• identifier les doublons,

• intégrer les remboursements et échanges,

• qualifier les cas non facturables.

Cette approche permet de reconstituer la trajectoire complète d’un passage et de déterminer de manière fiable son statut.

Ce type d’architecture data industrielle est également mobilisé dans d’autres contextes métiers, comme l’optimisation de la performance commerciale en grande distribution, où la structuration des données terrain permet d’améliorer la prise de décision.

Résultats : une facturation fiable, explicable et industrialisée

Une fois déployée, la solution a permis :

• Un taux de rapprochement extrêmement élevé.

• Une réduction drastique des anomalies non expliquées.

• Une capacité accrue à justifier chaque écart.

• Des exports mensuels normalisés et certifiables pour IDFM.

• Un pilotage plus fin par zone géographique, type de titre et période.

La facturation repose désormais sur un socle data robuste, capable de résister à un audit et d’expliquer précisément chaque agrégat.

Au-delà de la technique : un levier stratégique

Dans les environnements à forte volumétrie transactionnelle, la performance ne repose pas uniquement sur la rapidité de traitement. Elle repose sur la capacité à :

• expliquer chaque donnée,

• garantir la cohérence contractuelle,

• sécuriser les flux financiers,

• industrialiser les processus.

La data devient un actif stratégique au service de la fiabilité financière.

Conclusion – Sécuriser la chaîne de valeur par l’architecture data

Fiabiliser un système de facturation à l’échelle d’un réseau de transport massif ne relève pas uniquement d’un chantier IT. C’est un projet de structuration, de gouvernance et de maîtrise des risques.

Lorsqu’une organisation traite des millions de transactions et doit en garantir la parfaite cohérence, seule une architecture data robuste, industrialisée et gouvernée permet de transformer la complexité en pilotage maîtrisé.

Prendre le temps d’évaluer la solidité de sa chaîne de facturation et la maturité de son socle data constitue souvent une première étape décisive pour sécuriser durablement ses flux financiers.

On retrouve des problématiques similaires dans la gestion des infrastructures critiques, notamment dans les réseaux d’eau potable où l’IA permet de détecter les anomalies et de prioriser les interventions.