Des décisions qui tiennent.
Nous construisons les systèmes qui y mènent.
Haering Solutions est un cabinet de conseil suisse aux racines en recherche opérationnelle et en aide à la décision. Nous construisons les logiciels avec lesquels les entreprises prennent leurs décisions les plus difficiles : tarification, planification, routage, offres énergétiques, conception de réseaux, politiques publiques, outils internes. Parfois cela demande un solveur d'optimisation lourd. Parfois un outil plus léger où l'IA fait une partie du travail. Nous choisissons ce qui convient au problème, et nous livrons là où la bonne réponse vaut des millions et la mauvaise est difficile à défaire.
Partenaires de référence dans l'énergie, la mobilité, la finance et le secteur public
Nous partons de la décision.
La forme d'un mandat dépend du problème. Un moteur de tarification peut demander des mois de réglage de solveur, alors qu'un outil de décision plus modeste se contente d'une prévision propre et d'une interface sensée. Nous sommes à l'aise avec les deux, et la plupart des mandats se situent quelque part entre les deux.
Sur l'interprétabilité
Les clients finissent toujours par poser la même question : pourquoi le système a-t-il choisi cette réponse, et est-elle bonne ? La plupart des systèmes d'apprentissage automatique ne peuvent pas vraiment le dire. Avec l'optimisation que nous construisons, c'est possible. Chaque contrainte est explicite, chaque objectif est formulé en mathématiques, et l'écart à l'optimum vient avec un chiffre.
- 01
Optimisation mathématique, de bout en bout
C'est notre spécialité. Nous construisons des solveurs pour les problèmes difficiles : tarification, routage, planification, offres énergétiques, conception de réseaux. Le travail couvre les formulations mixtes en nombres entiers, non linéaires, stochastiques et robustes — avec une véritable ingénierie algorithmique quand les outils standards atteignent leurs limites. Recherche opérationnelle de niveau PhD, livrée en code de production.
- 02
R&D algorithmique
Quand le solveur sur étagère abandonne, nous écrivons l'algorithme nous-mêmes. Branch-and-Bound, méthodes de décomposition, métaheuristiques, astuces spécifiques au problème. Beaucoup de ce que nous faisons ici a fini par être publié, mais l'objectif est toujours que le temps d'exécution fonctionne en production.
- 03
Prévision & modélisation prédictive
La couche de signal qui alimente l'optimisation. Modèles de choix discrets, prévision de séries temporelles, simulation de la demande, classification — le tout calibré sur vos données, pas sur un benchmark public.
- 04
Outils d'aide à la décision, augmentés par l'IA
Un modèle ne compte que si votre équipe peut l'utiliser. Nous construisons les API, les tableaux de bord et les couches d'intégration autour du modèle. Là où ça vaut la peine, nous ajoutons de l'IA en surface : extraction de documents, requêtes en langage naturel, résumé d'entrées longues. Nous passons par les API des principaux fournisseurs frontiers plutôt que d'opérer notre propre stack LLM.
Trois choses qu'on entend par IA.
L'IA est un mot large qui recouvre des choses vraiment différentes. Nous utilisons des modèles génératifs quand l'entrée est non structurée, comme du texte ou des documents. Nous utilisons des modèles prédictifs pour prévoir et classer. Nous utilisons l'optimisation mathématique quand la décision doit être prouvée bonne. La plupart des mandats utilisent au moins deux des trois.
L'IA qui décide.
Notre spécialité la plus profonde. Nous modélisons la décision métier comme un problème d'optimisation mathématique et nous le résolvons. La sortie est une recommandation avec des garanties solides : un certificat de faisabilité, une liste explicite de contraintes et d'objectifs, et un nombre qui dit à quelle distance de l'optimum se trouve la réponse. La plupart de ce que nous livrons ici a été publié dans des revues de RO à comité de lecture avant d'arriver en production.
Quand la décision a des contraintes, des enjeux et une exigence de qualité.
Des données au signal.
Prévision, modélisation de la demande, choix discrets, classification, extraction de signal. Nous choisissons le modèle qui correspond à vos données, nous le calibrons sur le problème réel et nous traitons sa sortie comme la couche d'entrée du moteur de décision qui suit. Le bon modèle est souvent plus petit que ce que les tendances laissent croire.
Quand il faut savoir ce qui est probable avant de décider quoi faire.
Non structuré en entrée, structuré en sortie.
Nous intégrons des grands modèles de langage là où ils sont rentables : extraction de documents, interfaces en langage naturel au-dessus de systèmes structurés, automatisation du travail de connaissance, colle agentique entre systèmes. Nous travaillons via les API des principaux fournisseurs frontiers. Quand un outil plus simple ferait l'affaire, nous le disons.
Tâches lourdes en documents, interfaces en langage naturel au-dessus de systèmes structurés.
Vous n'avez pas toujours besoin d'un LLM, ni d'un solveur, ni même d'un modèle sophistiqué. Parfois la bonne réponse est une heuristique soignée dans un tableur, et nous le dirons quand ce sera le cas. L'objectif d'un mandat est d'améliorer la décision, pas de maximiser la pile technologique.
Un aperçu des mandats récents.
Travaux dans l'énergie, la mobilité, la finance, la santé publique et le voyage. Des seniors dirigent chaque mandat.
Un optimiseur de portefeuille sur mesure, jusqu'à 40 % plus efficace en risque-rendement que les heuristiques standard
Nous avons construit pour swissQuant un optimiseur de portefeuille sur mesure pour l'allocation sous contraintes de contribution au risque, un problème non convexe que les solveurs MIP standard ne peuvent pas résoudre à l'optimum certifié. Sur des données MSCI World réelles sur cinq ans, l'alternative heuristique est jusqu'à 40 % moins efficace en risque-rendement que notre optimiseur sur des portefeuilles de 33 actifs ; dans le régime le plus non convexe, elle dérive au point de renvoyer un objectif positif là où le véritable optimum est négatif.
Enchères Day-Ahead qui ajoutent +0,9 M€ de profit réalisé sur une centrale de pompage-turbinage de 900 MW
Nous avons co-développé le cadre d'optimisation derrière la stratégie d'enchères Day-Ahead d'Alpiq pour la centrale de pompage-turbinage de 900 MW de Nant de Drance. Sur 4 mois de prix réellement clearés (jan, avr, juin, oct 2022), la version stochastique ajoute 0,9 M€ (+3,2 %) de profit réalisé par rapport à l'approche déterministe que les traders d'Alpiq utilisent aujourd'hui. Avec le curseur CVaR activé, le même moteur échange ~2,5 % de profit attendu contre ~70 % de réduction du risque de queue.
Un planificateur d'activités à l'échelle de la ville qui reproduit le microrecensement suisse sur une pile open-source
Nous avons co-rédigé le cadre de planification activity-based qui transforme la couche temporelle du travail de demande de transport des CFF, passant d'heuristiques basées sur des règles à un véritable problème d'optimisation. Sur une population synthétique lausannoise de 46 970 emplois du temps de travailleurs, les profils d'activité simulés reproduisent toutes les signatures empiriques du microrecensement suisse, pic matinal, creux du déjeuner, rampe de loisirs du soir, sans aucun rapiéçage basé sur des règles.
68 paramètres comportementaux de la flexibilité d'emploi du temps des travailleurs suisses
Nous avons co-rédigé l'article de journal en open access qui estime, à partir de 10 110 emplois du temps réels du microrecensement suisse, à quel point les travailleurs suisses sont réellement flexibles sur le déjeuner, les horaires de travail, les loisirs, les courses et la journée à la maison. Les 68 paramètres comportementaux sont tous statistiquement significatifs à 5 % ; la calibration résultante se branche dans tout modèle activity-based de demande de transport. Un résultat mémorable : les travailleurs sont, par heure, environ 350× plus averses à un déjeuner court qu'à une journée de travail courte.
Un moteur d'itinéraire en direct qui choisit la meilleure tournée de 3 jours parmi 200 M+ de Google Places en moins de 90 secondes
Nous avons architecturé et livré le moteur d'optimisation qui transforme 200 M+ de Google Places et les préférences d'un voyageur en un itinéraire personnalisé de 3 jours en moins de 90 secondes de bout en bout. L'optimiseur ramène un écart initial de 1163 % à moins de 10 % dans cette fenêtre. Moteur, pipeline d'ingestion Google Places et UI de référence vivent tous dans l'application grand public d'Unki — benchmarkés sur Genève, Paris, Londres et Lausanne.
Restrictions pandémiques ciblées qui réduisent ~22 % des infections à coût économique identique
Nous avons livré une frontière de Pareto de 15 politiques de restriction pandémique pour la population synthétique de 814 000 agents du canton de Vaud, chaque politique associée à sa trajectoire épidémique simulée complète sur 60 jours. Le résultat phare : un ciblage par âge plus malin réduit environ 22 % des infections à coût économique identique (72 M vs 69 M CHF) — restreignez la cohorte travail 30–39 et vous contrôlez la propagation ; restreignez la 40–49 et les infections augmentent de 100 000 sur deux mois. Ce type de décision résolue par âge est exactement ce qu'un modèle SEIR grossier ne peut pas livrer, et exactement ce dont une réponse de santé publique a besoin.
Le bout profond de la boîte à outils.
Chaque carte ci-dessous est une capacité méthodologique que nous avons dirigée, co-écrite ou encadrée. Une partie a été publiée dans une revue à comité de lecture, le reste rédigé sous forme de rapport technique. La plupart ont amélioré l'état de l'art antérieur de plusieurs ordres de grandeur. Quand la décision doit être prouvée bonne, c'est le banc de recherche sur lequel nous nous appuyons.
Tarification exacte basée sur les choix, jusqu'à 1,67 million de fois plus rapide que la baseline MILP
Nous avons développé trois algorithmes exacts pour la tarification continue sous tout modèle de choix discret avancé (mixed logit, nested logit, probit, tout ce qui a une utilité linéaire en prix) : un Branch-and-Bound spatial, une variante Branch-and-Benders Decomposition, et un Breakpoint Exact Algorithm en temps polynomial. Sur le benchmark standard de tarification de parking avec demande mixed-logit, le BEA résout 1 000 000 scénarios de demande en 77 secondes — une accélération de 1,67 million de fois sur le MILP de Gurobi et une accélération 300× sur CoBiT, le précédent état de l'art ML-spécifique. Publié dans OR Spectrum.
Une heuristique de tarification avec <0,2 % d'écart d'optimalité et jusqu'à 37 millions × d'accélération sur l'état de l'art
Nous avons introduit le Breakpoint Heuristic Algorithm et son extension Iterated Local Search : une heuristique rapide et scalable pour le problème de tarification capacitée basé sur les choix qui livre un écart d'optimalité moyen sous 0,2 % sur des benchmarks où toute méthode exacte expire. Face au précédent état de l'art capacité (LAG), au moins 79× plus rapide. Face au précédent état de l'art mixed-logit-spécifique (CoBiT), jusqu'à 37 millions × plus rapide — pendant que l'extension ILS atteint chaque optimum connu. Publié en open access dans Computers & Operations Research.
BHAMSLE : +17,2 % de gain de log-vraisemblance sur la mixture mode-choice de Londres, en moitié moins de temps que Multistart Biogeme
Nous avons pris le Breakpoint Heuristic Algorithm développé dans nos travaux de tarification OR Spectrum et l'avons adapté à la Maximum Simulated Likelihood Estimation de modèles de choix discret avancés avec classes latentes et mixtures continues. Sur la mixture discrète-continue London mode-choice, Biogeme initialisé par BHAMSLE atteint une log-vraisemblance 17,2 % meilleure que l'initialisation par défaut (LL = −243,68 vs −294,38), en environ la moitié du temps wall-clock dont Multistart Biogeme avec 20 redémarrages a besoin pour atteindre la même qualité. Soumis à Elsevier.
Un optimiseur de localisation décentralisé qui résout 11× plus de scénarios que le MILP de référence
Nous avons supervisé la conception d'un optimiseur de localisation de facility capacité décentralisé qui intègre la demande de choix discret avancée directement dans le MILP, avec capacité gérée par files de priorité exogènes. Sur le vrai dataset de localisation de Gymnasien de Dresde, la méthode Progressive Scenario Expansion résout des instances de 14 écoles × 558 élèves × 110 scénarios dans une limite de 24 heures — là où le MILP de référence cale au-delà de 10 scénarios. Avec la stack complète de fonctionnalités (inégalités valides de priorité + warm-start complet + ordre par entropie étendue), PSE bat sa configuration de base de jusqu'à 95 % et le RAW MILP de 28 % sur les cas que les deux peuvent résoudre.
Optimisation de covoiturage électrique autonome, 31× plus rapide que la baseline Branch-and-Price publiée avec jusqu'à 11× d'écarts plus serrés
Nous avons encadré la conception d'une formulation mixte événementielle pour le Dial-A-Ride autonome électrique qui bat la baseline Branch-and-Price publiée de Su (2023) de 31× en temps moyen et 11× en écart d'optimalité moyen sur les instances dures. L'heuristique Adaptive Large Neighborhood Search associée fournit une voie de déploiement : 10× plus rapide que la méthode exacte avec moins de 1 % de perte sur la valeur d'objectif. Sur la plus grande instance de benchmark (r8-96, 96 utilisateurs, 8 véhicules), l'ALNS trouve une meilleure solution que la méthode exacte en 9× moins de temps.
Ensembles de choix mode-et-destination conjoints, désormais en production dans le pipeline OASIS de l'EPFL
Nous avons co-rédigé le premier générateur d'ensembles de choix qui traite le couplage mode/destination conjointement et livre un terme de correction de biais en forme close que tout estimateur de modèle activity-based peut brancher. Aujourd'hui le bloc de génération d'ensembles de choix du pipeline de modélisation activity-based OASIS à l'EPFL Transp-OR.
Quand la programmation par contraintes bat le MILP
Nous avons co-encadré un benchmark tête-à-tête entre la programmation par contraintes et la formulation MILP dominante pour la planification activity-based, et construit des variantes CP qui résolvent le problème 750× plus vite sur des instances à 5 activités. La leçon plus profonde : tous les problèmes d'optimisation ne méritent pas le même marteau.
Une équipe expérimentée dirigée par Dr Tom Haering.
Nous sommes un cabinet de conseil aux racines en recherche opérationnelle et en aide à la décision, fondé par Tom Haering après son doctorat à l'EPFL. Nous gardons l'équipe délibérément resserrée — des seniors dirigent chaque mandat, rien n'est délégué à un junior.
Dr Haering a terminé son doctorat en 2025 au Transport and Mobility Laboratory de l'EPFL sous la direction du Prof. Michel Bierlaire, à l'intersection de la modélisation de choix discrets, de l'optimisation mixte en nombres entiers et des algorithmes d'aide à la décision. Ses travaux ont été publiés dans OR Spectrum, Computers & Operations Research et Transportation (Springer).
Avant cela, un master en mathématiques à l'ETH Zurich (Institute for Operations Research), avec une thèse en optimisation de portefeuille menée en coopération avec swissQuant. Avant cela, un cursus de premier cycle en mathématiques et une passion pour construire des choses en code qui ne l'a jamais quitté.
Il a encadré de nombreux projets de master et de semestre en optimisation et modélisation des transports, enseigné les méthodologies d'aide à la décision et évalué pour des revues internationales de transport. L'idée : quand nous disons direction senior, nous le pensons.
Formation
PhD, EPFL · Transport & Mobility Laboratory (2025). MSc Mathématiques, ETH Zürich · Institute for Operations Research.
Publications
Publications évaluées par les pairs dans OR Spectrum, Computers & Operations Research, Transportation. Plus de 7 rapports techniques et articles de conférence.
Enseignement
Assistant à l'EPFL en Méthodologies d'aide à la décision, Optimisation, Modélisation mathématique du comportement et Choix discrets.
Langues
Français · Anglais · Allemand · Python · Gurobi · CP-SAT · Pyomo · OR-Tools · Biogeme.
Localisation
Basé entre Lausanne et Zurich. Mandats à l'international, en remote-first.
Style
Nous concevons autour de la décision réelle. Nous livrons du code qui tourne en production, pas des slides.
On optimise ?
Dites-nous quelle décision vous voulez optimiser. Nous renvoyons un plan concret.
Nous travaillons sur des mandats allant de sprints algorithmiques de deux semaines à des plateformes d'optimisation multi-trimestrielles.
La plupart de nos clients arrivent avec une idée vague de ce qu'ils veulent (« il nous faut une meilleure tarification », « il nous faut un routage plus intelligent »). Nous les aidons à en faire un problème traitable et défendable mathématiquement.
mail@haeringsolutions.ch