Détection de tendances et prévision de la demande d’articles de mode par les données massives et l’intelligence artificielle

Trend detection and demand forecasting of fashion items using big data and artificial intelligence

• Auteur / Autrice : Rita Sleiman
• Direction : Sébastien Thomassey, Kim Phuc Tran
• Type : Thèse de doctorat
• Discipline(s) : Automatique, génie informatique, traitement du signal et des images
• Date : Soutenance le 15/12/2022
• Etablissement(s) : Centrale Lille Institut
• 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 : Abdessamad Kobi
• Jury : Examinateurs / Examinatrices : Denis Hamad, Kim Phuc Tran
• Jury : Rapporteurs / Rapporteuses : Imed Kacem, Thi Le Hoa Vo

Mots clés

Mots clés contrôlés

Prévision des ventes

Données massives

Analyse des données

Intelligence artificielle

Industries textiles

Mots clés libres

Analyse des données

Détection des tendances

Intelligence Artificielle

Prévision de la demande

Données massives

Industrie de la mode

Data Analysis

Trends' detection

Artificial Intelligence

Demand forecasting

Big Data

Fashion industry

Résumé

Sur le marché de la mode, l'émergence de l'Internet et des données massives ont profondément modifié l’environnement concurrentiel et les relations avec les clients. En effet, à l'ère du Big Data, les réseaux sociaux, les applications mobiles et les divers technologies récentes permettent de collecter des quantités massives de données en temps réel à faible coût. Il est donc devenu crucial pour les enseignes de mode d’optimiser l’exploitation de ces données, issues de leurs systèmes d’information ou des réseaux sociaux, afin d’extraire des informations pertinentes pour les différentes prises de décision telles que l’optimisation de l’assortiment des collections et des quantités à réapprovisionner en magasin.Plus précisément dans le cadre de cette thèse, les données massives et les outils issus de l’intelligence artificielle sont utilisés pour répondre aux problématiques de détection des tendances de mode et de prévision de ventes, dans différents contextes. Le modèle proposé s’appuie sur différents types de données pour prédire les tendances et les demandes à court terme : (i) Les données internes à l’entreprise telles que les données transactionnelles historiques et les données relatives aux collections précédentes, et (ii) les données externes à l’entreprise, données issues des réseaux sociaux, telles que les images et les textes provenant de différentes sources. La méthodologie développée est composée de trois étapes. Premièrement, l’extraction et le traitement de données issues des réseaux sociaux permet d’identifier et quantifier les tendances de mode les plus pertinentes. Deuxièmement, les données transactionnelles historiques internes à l'entreprise permettent d’établir des prévisions de ventes en prenant en compte l’influence des facteurs maitrisés par l’entreprise tels que les actions commerciales, les variations de prix, les périodes de ventes, etc. Enfin, les tendances de mode détectées sont intégrées aux prévisions de ventes établies précédemment afin de prévoir plus précisément les demandes futures, et par conséquent, évaluer l’utilité de l’analyse des données hétérogènes pour la prévision de la demande de mode. Le modèle proposé peut être utilisé pour prévoir les réapprovisionnements des magasins en produits actuels et/ou pour générer un approvisionnement à court terme de nouveaux produits. Le modèle proposé est mis en œuvre et évalué sur des données réelles d’une enseigne de prêt à porter Française

In the fashion market, the emergence of the Internet and Big Data has profoundly changed the competitive environment as well as the relationships with clients. Indeed, in the era of Big Data, social networks, mobile applications, and various recent technologies allow the collection of massive amounts of data in real-time at a low cost. It has therefore become crucial for fashion retailers to optimize the exploitation of this data, extracted from their information systems or from social networks, in order to retrieve relevant information for the various decision-making processes such as the optimization of the assortment of collections and the quantities to be restocked in stores.More precisely, within the scope of this thesis, massive data and artificial intelligence tools are used to answer the problems of fashion trends detection and sales forecasting, in different contexts. The proposed model relies on different types of data to predict short-term trends and demands: (i) Internal company data such as historical transactional data and data from previous collections, and (ii) External data from social networks, such as images and texts from different sources. The methodology developed is composed of three steps. First, the extraction and processing of data from social networks allow the identification and quantification of the most relevant fashion trends. Secondly, historical transactional data from within the company is used to establish sales forecasts by taking into account the influence of factors controlled by the company such as commercial actions, price variations, sales periods, etc. Finally, the detected fashion trends are integrated with the previously established sales forecasts in order to more accurately predict future demands, and consequently, evaluate the usefulness of heterogeneous data analysis for fashion demand forecasting. The proposed model can be used to forecast store replenishments of current products and/or to generate a short-term supply of new products. The proposed model is implemented and evaluated on real data from a French ready-to-wear retailer