Avec la data, le PMU fait le pari de la lutte contre l’addiction

Avec la data, le PMU fait le pari de la lutte contre l’addiction

Premier opérateur de paris hippiques en Europe, le PMU a engagé sa transformation numérique plusieurs années auparavant. Impossible – entre autres – de passer à côté du développement des jeux en ligne.

Ainsi, parmi ses 9,9 milliards d’euros d’enjeux, le online représente aujourd’hui 1 milliard d’euros. Pour mener sa transformation, le PMU peut s’appuyer sur une DSI conséquente, qui représente 400 de ses 1 100 collaborateurs.

publicité

Ambition tech : valoriser plus le capital data stratégique

Pour Fiona Ongaro, la chief data officer (CDO) qui intervenait lors d’un événement du Hub Institute, pas de doute, le PMU est « une tech company ». Et cette entreprise technologique manipule d’importants volumes de données, dont celles associées au milliard de transactions traitées chaque année.

Les grands rendez-vous sportifs peuvent générer plus de 2 000 transactions par seconde. Le online génère par ailleurs plusieurs millions de logs web et mobile par heure. Pour assurer ces opérations, la DSI et la technologie constituent donc le « cœur du réacteur ».

La donnée est devenue progressivement une priorité pour celle-ci. L’ambition, comme le confie la CDO, a consisté à « valoriser ce capital stratégique, mais pas n’importe comment. Nous le valorisons pour le business ».

Valoriser « encore plus » ces données, c’est la mission du Data Office du PMU. Et cette valorisation ne passe pas seulement par la création de valeur économique pour l’entreprise. Cette dernière, du fait de son activité, est aussi tenue au respect d’engagements en matière de « jeu responsable ».

Modéliser les comportements à risque et agir

La data et son exploitation sont ainsi mises à contribution pour « protéger les mineurs, mais aussi nos joueurs vis-à-vis du jeu excessif », déclare Fiona Ongaro. Cette politique repose sur différents piliers, dont celui de la détection des comportements à risque.

L’action cible les clients détenteurs de comptes (ne sont pas intégrés les joueurs anonymes utilisateurs des bornes PMU). Pour identifier les utilisateurs « addicts », l’entreprise s’appuie sur ses données, mais aussi des sources externes, dont la liste des interdits de jeux transmise par l’ANJ.

Des variables ont été sélectionnées pour établir une modélisation des joueurs à risque – effectuée à l’échelon individuel. La modélisation tient compte aussi des pratiques de jeu et de la gestion de son compte par le client (approvisionnement, retraits).

Ces étapes permettent d’aboutir à un scoring correspondant pour chaque client titulaire de compte à un niveau de risque. Pour affiner ce score, les équipes Data ont collaboré avec le métier.

Cette collaboration a permis de catégoriser cinq niveaux de risque ou de joueurs. A chacune de ces catégories correspondent des seuils de détection adaptés et une fréquence de détection spécifique.

Une démarche d’amélioration continue

Outre ce travail algorithmique, le PMU s’est rapproché d’associations vers lesquelles sont redirigées les joueurs vulnérables. L’opérateur a aussi formé en points de vente sur les principes du jeu responsable et collaboré avec le régulateur.

Afin de permettre des actions concrètes en cas de détection, le scoring généré par le modèle est partagé dans les outils internes, par exemple ceux du service client. En cas d’appel, le service est donc en mesure d’adapter sa réponse.

« C’est toute une série d’actions que nous allons différencier en fonction du statut du client », indique Fiona Ongaro. « Il est rouge, nous allons moins le soumettre à de la promotion pour ne pas aggraver sa situation (…). »

L’algorithme n’est pas figé. Des actions sont menées pour « suivre son efficacité », via notamment le suivi de l’évolution des catégories de clients. Le développement s’inscrit par ailleurs dans une démarche d’amélioration continue.

Le Data Office prévoit donc d’intégrer de nouvelles données à son modèle et les feedbacks terrain du service client. « La complexité découle de la difficulté à parvenir, via nos data, à concrètement traduire un comportement d’addiction », souligne la CDO.

Leave a Reply

Your email address will not be published. Required fields are marked *