• Langue : Français, Anglais
• Discipline : Sciences économiques
• Identifiant : 2024ULILA008
• Type de thèse : Doctorat
• Date de soutenance : 14/06/2024

Résumé en langue originale

Parmi l'intensification de la concurrence, les relations client solides sont un moteur clé pour acquérir un avantage concurrentiel. Les entreprises ont investi considérablement dans le développement de stratégies de gestion de la relation client (CRM) ces dernières années. Théoriquement, le CRM se compose de plusieurs initiatives différentes, dont chacune peut être classée en quatre dimensions différentes : (i) l'alignement organisationnel, (ii) la gestion des clients, (iii) la technologie et (iv) la mise en œuvre de la stratégie CRM. La première dimension, l'alignement organisationnel, fait référence à la refonte et à l'alignement des processus existants, dans le but ultime de placer les clients au centre. La deuxième dimension, la gestion des clients, fonctionne selon le principe de traiter les clients différemment, en s'adaptant à leurs besoins, préférences et priorités. La troisième dimension, la technologie, englobe le degré auquel les applications CRM analytiques, opérationnelles et collaboratives sont mises en œuvre pour collecter des informations clients à travers les points de contact et faciliter la diffusion et l'analyse d'informations. Enfin, la dimension de mise en œuvre de la stratégie CRM implique la nécessité de définir une stratégie claire orientée client avec un soutien de la haute direction, des mesures de performance orientées client et une vue complète du client dans l'ensemble de l'organisation avec un traitement central des données client incluant différents points de contact.Une mise en œuvre réussie des stratégies CRM aborde simultanément ces quatre dimensions. Cependant, ces dernières années, des avancées technologiques spectaculaires ont eu lieu, notamment en matière d'intelligence artificielle (IA), de réseaux de neurones (NN) et de modèles du deep learning (DL). Ces changements soulignent la nécessité pour les entreprises de se tenir au courant de l'évolution du paysage, afin de conserver un avantage concurrentiel durable. Cette thèse se concentre fortement sur la dimension technologique des stratégies CRM, en proposant des applications innovantes basées sur les données pour le secteur des services financiers, en utilisant de nouvelles sources de données, en déployant des méthodologies de pointe pour la modélisation prédictive et en utilisant des techniques avancés d'analyse interpretable et centrés sur le client.L'innovation est particulièrement importante dans le secteur des services financiers. Il s'agit d'un secteur dans lequel il est très difficile d'attirer de nouveaux clients, tandis que la fidélité des clients existants fluctue en raison de facteurs externes, qui à leur tour ont un impact sur leurs préférences et priorités de consommation. Ainsi, comprendre les préoccupations et les intérêts des clients peut, par exemple, aider à identifier les problèmes qui auront un impact plus important sur les décisions d'achat futures. Des exemples de ces facteurs externes incluent les événements géopolitiques, les tendances du marché ou les changements dans leur vie, entre autres. Le domaine financier est confronté à d'énormes défis en matière d'allocation des ressources et du CRM efficace, qui à leur tour ont un impact sur les performances de l'entreprise. L'amélioration constante des relations client-entreprise est un objectif important du CRM, qui peut être atteint avec un suivi du comportement des clients.Dans ce contexte, cette thèse explore différentes voies de recherche appliquée, exploitant les données séquentielles pour différentes tâches : prédiction du prix du pétrole, prédiction des moments de vie et systèmes de recommandation. Trois contributions clés sont apportées : l'incorporation de nouvelles sources de données pour améliorer les performances prédictives, l'application de méthodologies de pointe pour optimiser l'utilisation des données séquentielles et le déploiement de techniques d'explicabilité pour explorer comment les données séquentielles contribuent à une tâche prédictive.

Résumé traduit

Amid rising competition intensity, the skill to develop strong customer relationships is considered a key driver for gaining a competitive edge, with companies investing significantly in the development of customer relationship management (CRM) strategies in recent years. Theoretically, CRM consists of several different initiatives, each of which can be classified into four different dimensions: (i) organizational alignment, (ii) customer management, (iii) technology, and (iv) CRM strategy implementation. The first dimension, organizational alignment, refers to the redesigning and aligning of existing processes, with the ultimate objective of placing customers at the center. The second dimension, customer management, operates under the principle of treating customers differently, by adapting to their needs, preferences, and priorities. The third dimension, technology, encompasses the degree to which analytical, operative, and collaborative CRM applications are implemented to collect customer information across the touch points and to facilitate information dissemination and analysis. Finally, the CRM strategy implementation dimension implies a need for defining a clear customer-oriented strategy with top management support, customer-oriented performance metrics, and a comprehensive view of the customer across the entire organization with central customer data processing that includes different touch points.Ideally, a successful implementation of CRM strategies addresses all four dimensions simultaneously. However, during the last few years spectacular technological advances have occurred, particularly in terms of artificial intelligence (AI), or neural networks (NN) and deep learning (DL) models. These changes highlight the need for companies to keep up to date with the changing landscape, to maintain a sustained competitive advantage. As such, this thesis strongly focuses on the technology dimension of CRM strategies, by proposing innovative data-driven applications for the financial services industry, using novel sources of data, deploying state-of-the art methodologies for predictive modeling, and implementing advanced interpretability techniques for customer-centric analysis.Innovation for keeping a competitive edge is particularly important in the financial services industry. This is because it is an industry where it is highly difficult to attract new clients, while simultaneously, the loyalty of existing customers fluctuates due to external factors, which in turn impact their consumption preferences and priorities. Thus, understanding customers' concerns and interests can, for example, help to identify which issues will have a bigger impact on future purchase decisions. Examples of these external factors include geopolitical events, market trends, or changes in their lives, among others. The financial domain faces enormous challenges for resource allocation and effective CRM, which in turn impact business performance. Constant improvement of customer-firm relationships is an important objective of CRM, which can be achieved by monitoring customer behavior.In this context, this thesis explores different avenues of applied research, harnessing sequential data for different tasks: oil price prediction, life event prediction, and recommendation systems. Three key contributions are made: incorporating novel data sources to improve predictive performance, applying state-of-the-art methodologies to optimize the use of sequential data, and deploying explainability techniques to explore how sequential data contributes to a predictive task.