• Langue : Anglais, Français
• Discipline : Science économique
• Identifiant : 2017LIL12016
• Type de thèse : Doctorat
• Date de soutenance : 25/04/2017

Résumé en langue originale

Les systèmes de recommandation sont très étudiés dans la littérature sur l’apprentissage automatique, ce qui a permis la création de nombreux algorithmes. Cette thèse doctorale va au-delà de simples propositions de nouveaux algorithmes en tirant parti des toutes dernières techniques et en étudiant les interactions de ces techniques avec diverses sources de données. Nous nous sommes penchés sur la création de canevas capables d’aider les universitaires et les décideurs du marché dans le cadre du développement des systèmes de recommandation dans le contexte du e-commerce. Concrètement, cette thèse apporte à la littérature de sept manières différentes. Premièrement, nous décrivons et validons dans le chapitre I un cadre devant servir à évaluer les algorithmes de filtrage collaboratif. Deuxièmement, nous proposons dans le chapitre II un cadre destiné à développer et à évaluer des systèmes de recommandation hybrides, que nous validons à partir de données historiques réelles tirées du site de La Redoute. Troisièmement, le chapitre II introduit l’importance des caractéristiques dans la littérature. Quatrièmement, les algorithmes offrant les meilleurs résultats dans les tests hors-ligne sont utilisés dans le chapitre III comme base pour la création de deux systèmes de recommandation pour la maximisation du chiffre d’affaires. Cinquièmement, nous proposons, un cadre pour étudier trois effets des systèmes de recommandation sur les indicateurs tout au long du tunnel d’achat. Sixièmement, nous validons notre cadre par une expérience de terrain à grande échelle, en collaboration avec La Redoute. Enfin, une étude de cas montre la valeur ajoutée des meilleurs systèmes de recommandation.

Résumé traduit

Recommendation systems are a heavily investigated within machine learning literature, resulting in the creation of many algorithms. This doctoral dissertation goes beyond merely proposing new recommendation algorithms by leveraging state-of-the-art techniques and investigating the interaction of these techniques with different data sources having distinct characteristics. The focus lies upon the creation of frameworks guiding both marketers and academics in developing, evaluating, and testing recommendation systems in an e-commerce context. Concretely, this dissertation adds to literature in seven distinct ways. First, a framework evaluating collaborative filtering algorithms is designed and validated on real-life offline data sets of a large European e-tailer, La Redoute. Second, a five-step framework to develop and evaluate hybrid recommendation systems combing different data sources is proposed and validate on real-life historical data in Chapter II. Third, Chapter II introduces feature importance in the recommendation systems literature. Fourth, the best performing algorithms in the offline tests are leveraged to serve as basis for creating two revenue maximization recommendation systems in Chapter III. Fifth, a framework investigating three effects of (revenue maximization) recommendation systems on business metrics throughout the purchase funnel is proposed in Chapter III. Sixth, the framework is validated in a large-scale field experiment executed in collaboration with La Redoute. Finally, a business case shows the added value of the best performing recommendation systems.