Problématiques client
La direction générale des TER de SNCF Voyageurs souhaite mesurer précisément l’impact d’éventuelles augmentations tarifaires sur la fréquentation des trains régionaux. Les décisions de pricing doivent prendre en compte la diversité des trajets et des profils voyageurs (jeunes, abonnés, occasionnels, tout public), ainsi que plusieurs hypothèses d’évolution des prix.
Le défi : les premières projections statistiques, basées sur des données restreintes (volumes voyageurs par profil), ont révélé des incohérences et un manque de granularité. Il était nécessaire d’intégrer des données comportementales plus fines pour fiabiliser les estimations d’élasticité et sécuriser les décisions stratégiques.
Objectifs
Estimer l’élasticité prix par profil et par trajet
Mesurer la sensibilité à la hausse tarifaire selon les catégories d’usagers et les types de trajets.
Simuler plusieurs hypothèses d’augmentation
Projeter l’impact sur la fréquentation et les recettes selon différents scénarios tarifaires.
Fiabiliser les projections
Intégrer des données enrichies issues d’une enquête voyageurs afin d’améliorer la précision des modèles.
Dégager du temps pour les décisions stratégiques
Fournir des analyses chiffrées, compréhensibles et exploitables par la direction.
Les contraintes du projet
Notre approche pour SNCF
01
Analyse exploratoire et premières projections
Nous avons conduit une analyse statistique approfondie des données historiques disponibles (volumes voyageurs par profil et par trajet) afin d’estimer une première élasticité prix. Cette phase a permis d’identifier les limites structurelles des données, les incohérences dans certaines projections et les zones de forte incertitude. Elle a également servi à formuler les hypothèses économiques à tester dans les phases suivantes.
02
Enrichissement des données via enquête voyageurs
Afin d’affiner la compréhension des comportements, la SNCF a mené une enquête terrain ciblée auprès des usagers TER. Nous avons intégré ces données déclaratives (profil détaillé, fréquence d’usage, réaction à différents scénarios d’augmentation tarifaire) dans une base enrichie, permettant d’introduire une dimension comportementale jusque-là absente des modèles.
03
Modélisation économétrique et Machine Learning
À partir de ce socle enrichi, nous avons développé de nouveaux modèles combinant approche économétrique et techniques de Machine Learning. Ces modèles permettent d’estimer l’élasticité différenciée par profil et par type de trajet, d’intégrer des variables comportementales fines et de simuler plusieurs scénarios tarifaires en mesurant leur impact sur la fréquentation et les recettes.
04
Restitution et datavisualisation décisionnelle
Les résultats ont été restitués sous forme de projections chiffrées, graphiques comparatifs et cartographies d’impact par segment et par territoire. Chaque scénario tarifaire a été présenté avec ses effets attendus sur la fréquentation et les recettes, afin de permettre à la direction d’arbitrer de manière éclairée et objectivée.
Nos résultats
Impact global
La SNCF dispose désormais d’une vision segmentée et robuste de l’élasticité prix des usagers TER. Les décisions d’augmentation tarifaire s’appuient sur des projections fiables intégrant comportements réels et intentions déclarées, permettant d’arbitrer plus finement entre recettes et maintien de la fréquentation.
