Prédictions de comportements d'achats par techniques de Deep learning

Prediction of purchasing behavior using Deep learning techniques

• Auteur / Autrice : Kodjo Agbemadon
• Direction : Raphaël Couturier, David Laiymani
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 15/12/2022
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : FEMTO-ST : Franche-Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies (Besançon) - Franche-Comté Électronique Mécanique- Thermique et Optique - Sciences et Technologies (UMR 6174) / FEMTO-ST
• Partenaire(s) de recherche : Site de préparation : Université de Franche-Comté (1971-....)
• Jury : Président / Présidente : Pierre Spitéri
• Jury : Rapporteurs / Rapporteuses : Stéphane Chrétien, Flavien Vernier

Mots clés

Mots clés contrôlés

Apprentissage profond

Séries chronologiques

Comportement des consommateurs

Mots clés libres

Commerce de détail

Prédiction du comportement d'achat

Prédiction des abandonnistes

Prédiction du surstock

Classification des séries temporelles

Deep learning

Retail industry

Purchasing behavior prediction

Churn prediction

Overstock prediction

Time series classification

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). Les LSTM ont surpassé les autres approches du fait qu'ils ont été conçus pour être capables d'apprendre la dépendance d'ordre.2) L'application de modèles d'apprentissage automatique pour prédire le sur-stockage et le gaspillage des produits à date limite de consommation réduite, notamment les produits frais et les produits laitiers. Au total, 5 modèles d'apprentissage automatique ont été comparés dans cette étude, dont le gradient boosting, le LSTM, le Transformer, l'Informer et l'Autoformer. Ce dernier a su donner les meilleurs résultats grâce à son concept de décomposition des composantes tendancielles et saisonnières des séries temporelles.3) Nous avons également travaillé à l’intégration de données météorologiques futures connues à l'avance à différents modèles d’apprentissage automatique (Gradient Boosting, LSTM et Autoformer) afin d’améliorer la prédiction de consommation. Dans chaque cas de figure testé, les algorithmes modifiés donnent toujours de meilleurs résultats que leurs versions originales.Les travaux présentés dans cette thèse ont été le fruit d’une collaboration entre la société de la grande distribution Colruyt France et le département d'informatique des systèmes complexes (DISC) du laboratoire FEMTO-ST dans le cadre d'un contrat CIFRE.

Recently, large retail companies often have the same suppliers, although some focus more on their own private label. The competitiveness of the retail sector relies, in part, on anticipating consumer reaction and optimising the supply chain.The receipts generated during purchases produce a large volume of data. The processing of these data can allow numerous analyses and predictions, particularly on purchasing behavior and supply chain improvement.The objective of this thesis is to predict purchasing behavior. To achieve this, we propose machine learning methods to detect the factors that lead to a change in purchasing behavior.More precisely, we have worked on the following challenges:1) The application of machine learning models on sales dataset to identify customers at risk of no longer buying in stores. This is known as "churn". This study uses linear regression as a baseline to compare machine learning models such as gradient boosting, MLP (Multilayer perceptron) and LSTM (Long Short Term Memory). LSTM outperformed the other approaches due to the fact that they were designed to be able to learn order dependence.2) The application of machine learning models to predict overstocking and wastage of short-life products, including fresh and dairy products. A total of 5 machine learning models were compared in this study, including gradient boosting, LSTM, Transformer, Informer, and AutoFormer. The latter was able to give the best results thanks to the time series decomposition into trend and seasonality components.3) We have also worked on feeding different machine learning models (Gradient Boosting, LSTM and Autoformer) with priori-known future weather data, in order to improve demand forecasting. In each case tested, the modified algorithms always perform better than their original versions.The work presented in this thesis was the result of a collaboration between the retail company Colruyt France and the department of computer science of complex systems (DISC) of the FEMTO-ST laboratory under a CIFRE contract.