Kodjo AGBEMADON : "Prédictions de comportements d'achats par techniques de Deep learning"

Résumé : De nos jours, toutes les grandes entreprises de vente au détail ont bien souvent les mêmes fournisseurs, même si certains se concentrent davantage sur leur propre marque de distributeur. La compétitivité du secteur de la vente au détail repose, entre autres, sur l'anticipation de la réaction des consommateurs et l'optimisation de la chaîne d’approvisionnement. Les tickets de caisse générés lors des achats produisent un grand volume de données, dont le traitement peut permettre de nombreuses analyses et prédictions notamment sur le comportement des clients et l’amélioration de la chaîne d'approvisionnement. L'objectif de cette thèse est de prédire le comportement d’achats des consommateurs. Pour y parvenir nous proposons des méthodes d’apprentissage automatique permettant de détecter les facteurs engendrant un changement de comportement client. Plus précisément, nous avons travaillé sur les problématiques suivantes : 1) L'application de modèles d'apprentissage automatique sur les données de vente afin d'identifier les clients risquant de ne plus acheter dans les magasins. On parle de clients “abandonnistes". Cette étude utilise la régression linéaire comme base de référence pour comparer les modèles d'apprentissage automatique comme le gradient boosting, le MLP (Multilayer perceptron) et le LSTM Long Short Term Memory).[...]

Composition du jury :

1. Raphaël COUTURIER, Professeur, Université Bourgogne Franche-Comté, Directeur de thèse
   M. David LAIYMANI, Maître de conférences, Université Bourgogne Franche-Comté, Co-directeur de thèse
   M. Stéphane CHRÉTIEN, Professeur, Université Lumière Lyon 2, Rapporteur
   M. Pierre SPITÉRI, Professeur ENSEEIHT, Examinateur
   M. Flavien VERNIER, Maître de conférences, Universite Savoie Mont Blanc, Rapporteur

Localisation : UFC - IUTBM 19, avenue du Maréchal Juin 90000 BELFORT Salle : E206