Techniques d'IA axées sur les données destinées au secteur de la mode et de l'habillement

Data-driven AI techniques for fashion and apparel retailing

• Auteur / Autrice : Chandadevi Karunashankar Giri
• Direction : Xianyi Zeng, Ulf Johansson
• Type : Thèse de doctorat
• Discipline(s) : Automatique, productique
• Date : Soutenance le 15/10/2021
• Etablissement(s) : Université de Lille (2018-2021) en cotutelle avec Högskolan i Borås (Suède), Soochow University (Suzhou, China)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : GEMTEX (Roubaix) - Génie et Matériaux Textiles / GEMTEX
• Jury : Président / Présidente : Christine Balagué
• Jury : Examinateurs / Examinatrices : Margherita Pagani, Zhenzhen Zhao, Yan Chen, Sébastien Thomassey
• Jury : Rapporteurs / Rapporteuses : Christine Balagué, Thomas Mullern

Mots clés

Mots clés contrôlés

Gestion des stocks

Ventes -- Promotion

Comportement des consommateurs

Systèmes d'aide à la décision

Apprentissage automatique

Exploration de données

Données massives

Prévision des ventes

Vêtements -- Industrie et commerce

Mots clés libres

Prévision de la demande

Artificial Intelligence

Sales forecast

Big Data

Data Mining

Machine Learning

Consumer's behavior

Résumé

La numérisation a conduit de nombreuses industries à générer d'énormes données à partir de diverses activités commerciales et leur a en outre permis de développer de nouveaux modes d'interaction entre les différentes parties prenantes. L'industrie de la mode et de l'habillement (F&A) subit des transformations importantes en raison de la numérisation accrue et, par conséquent, elle connaît une génération rapide de données en grande quantité à différents niveaux de sa chaîne d'approvisionnement. Ces données générées rapidement pourraient fournir des informations précieuses pour cartographier les incertitudes impliquées dans les processus de prise de décision, identifier les corrélations entre les facteurs de décision clés et modéliser le comportement complexe de différentes actions. En exploitant ces ensembles de données, l'industrie F&A pourrait améliorer sa prise de décision dans différentes chaînes de valeur. La popularité de l'intelligence artificielle (IA) en tant qu'outil avancé pour prendre en charge un large éventail de décisions augmente rapidement. L'IA pourrait être utilisée comme un outil potentiel pour tirer des informations des grands ensembles de données qui sont importants pour résoudre des problèmes de décision complexes dans l'industrie F&A. Malgré sa popularité croissante, les applications de l'IA pour prendre en charge diverses décisions au sein de l'industrie F&A sont limitées. Les principales raisons derrière cela pourraient être le manque de connaissances sur sa portée; la complexité de la mise en œuvre du modèle d'IA sur des données réelles ; et le manque de compréhension de ses avantages monétaires.Le but de cette thèse est d'identifier les défis actuels rencontrés par le secteur de la vente au détail de F&A tout en gérant des problèmes de décision complexes et d'exploiter les données largement générées pour développer une approche basée sur l'IA pour les résoudre.Dans ce contexte, cette thèse étudie d'abord l'impact de l'IA à différentes étapes de la chaîne d'approvisionnement F&A, puis se concentre sur la vente au détail de F&A. Les managers ou décideurs du secteur de la vente au détail F&A doivent analyser les différents types de données pour comprendre leurs clients et prioriser leurs stratégies commerciales. Ainsi, pour traiter de manière appropriée des données aussi massives et complexes, des techniques d'IA pourraient être utilisées pour explorer et modéliser le comportement complexe des clients. Par conséquent, cette thèse exploite trois types différents de données de vente au détail F&A : les données de transaction client, les données de vente et les données de campagne. À l'aide de ces données, trois études ont été menées à l'aide de techniques d'IA pour prédire le comportement des consommateurs, les ventes et le succès des campagnes. Les résultats de ces trois études démontrent comment différents types de données et de techniques d'IA pourraient être utilisés pour développer une nouvelle approche pour améliorer la prise de décision dans le secteur de la vente au détail de F&A.En conclusion, cette thèse, à travers trois études de cas, démontre comment les modèles d'IA basés sur les données permettent aux détaillants F&A de gérer efficacement leurs problèmes de décision. Par conséquent, cette thèse a des implications importantes pour les détaillants F&A pour analyser efficacement leurs données à l'aide de techniques d'IA. Les résultats de cette thèse pourraient les aider à améliorer le processus de prise de décision, à gérer les problèmes de décision urgents tels que la gestion des stocks, les prévisions précises et la réduction des déchets, et ainsi à améliorer l'engagement des clients et les campagnes marketing.

Digitalization has led many industries to generate enormous data from various business activities and further allowed them to develop new ways of interactions among the different stakeholders. The fashion and apparel (F&A) industry is undergoing significant transformations due to increased digitalization, and therefore, it is experiencing rapid generation of data in large quantities at various levels of its supply chain. This rapidly generated data could provide valuable insights to map uncertainties involved in the decision making processes, identify correlations among key decision factors and model the complex behaviour of different actions. By exploiting these datasets, the F&A industry could improve its decision making at different value chains. The popularity of Artificial Intelligence (AI) as an advanced tool for supporting wide range of decisions is rapidly increasing. AI could be used as a potential tool to derive insights from the large datasets that are important for solving complex decision problems in the F&A industry. Despite its growing popularity, the applications of AI for supporting various decisions within the F&A industry are limited. The principal reasons behind it could be the lack of knowledge on its scope; the complexity of AI model implementation on real data; and lack of understanding of its monetary benefits.The purpose of this thesis is to identify the current challenges faced by the F&A retail industry while handling complex decision problems and to exploit the extensively generated data to develop AI-based approach to address them.In this context, this thesis first investigates the impact of AI at different F&A supply chain stages and then focuses on F&A retailing. The managers or decision-makers in the F&A retail industry need to analyze the different types of data to understand their customers and prioritize their business strategies. Thus, to deal with such massive and complex data appropriately, AI techniques could be used to explore and model the complex customer behaviour. Therefore, this thesis exploits three different types of F&A retail data: customer transaction data, sales data, and campaign data. Using these data, three studies were conducted using AI techniques to predict the consumer behaviour, sales and campaign success. The results from these three studies demonstrate how different types of data and AI techniques could be used to develop a novel approach for improving decision making in the F&A retail industry.In conclusion, this thesis, through three case studies, demonstrates how data-driven AI models enable F&A retailers to effectively manage their decision problems. Hence, this thesis serves important implications for the F&A retailers for efficiently analyzing their data using AI techniques. The outcomes of this thesis could help them improve the decision making process, manage pressing decision problems such as inventory management, accurate forecasting and waste reduction, and thereby enhance customer engagement and marketing campaigns.