Note ABES Modélisation multi-agents des comportements clients pour une stratégie marketing efficace Multi-agent modeling of customer behavior for an effective marketing strategy Intelligence Artificielle Simulation Systèmes multi-Agents Marketing Comportement client Artificial intelligence Simulation Aent based model Marketing Consumer behaviour Comportement des consommateurs Modèles mathématiques Marketing informatisé Intelligence artificielle répartie Marketing comportemental Grande distribution Cette thèse examine l'apport des systèmes multi-agents (SMA) pour l'analyse et la compréhension du comportement des consommateurs en marketing. En mettant l'accent sur la transparence, la calibration et l'interprétabilité. Trois contributions structurent le travail.La première porte sur l'estimation du nombre d'acheteurs par catégorie de produits. Une méthodologie fondée sur la génération de populations synthétiques, l'optimisation combinatoire et l'extrapolation est proposée. Appliquée à des données de supermarché, elle permet par exemple d'anticiper le nombre hebdomadaire de clients dans un rayon donné, même lorsque les tickets de caisse ne sont pas rattachés à des identifiants de fidélité.La deuxième contribution concerne la modélisation du choix de consommation en intégrant les effets de contexte tels que l'effet de leurre, de similarité et de compromis. Un cadre basé sur l'utilité et les biais cognitifs est développé puis calibré sur données empiriques. Ce modèle explique comment l'introduction d'un produit « leurre » peut modifier la préférence entre deux marques concurrentes, et prédit des transferts de parts de marché.La troisième contribution explore l'impact des promotions appliquées à la grande distribution. Cette modélisation révèle des phénomènes émergents comme la cannibalisation, l'inertie des clients ou la fatigue promotionnelle. Mais surtout, elle offre un outil pour tester des scénarios alternatifs : comparer la rentabilité de promotions fréquentes face à des campagnes plus ciblées, évaluer si une opération attire de nouveaux clients ou se limite à avancer des achats déjà prévus, ou encore anticiper les risques de guerre des prix.L'ensemble montre que le comportement des consommateurs peut être décomposé en modèles modulaires et interprétables, capables de reproduire faits stylisés et régularités réelles. Les SMA fournissent ainsi des perspectives concrètes, à la fois prédictives et explicatives : prévoir l'afflux de clients sous pression promotionnelle, expliquer les changements de préférences lors d'un repositionnement d'assortiment, ou encore estimer les conséquences de stratégies tarifaires concurrentielles sur le long terme. This work investigates the use of agent-based modeling (ABM) to analyze and explain consumer behavior in marketing contexts. By emphasizing transparency, calibration, and interpretability, ABM is positioned as a powerful alternative to other approaches, capable of linking individual decision-making with collective market outcomes.The research is structured around three main contributions. The first addresses the estimation of the number of buyers within product categories. A methodology based on synthetic population generation, combinatorial optimization, and extrapolation techniques is introduced. Applied to supermarket data, it reconstructs purchasing frequencies and realistic consumer distributions, enabling demand forecasts such as estimating the number of weekly customers for a specific product segment when loyalty card data is incomplete.The second contribution concerns consumer choice modeling, with a focus on context effects such as the decoy, similarity, and compromise effects. A utility-based framework incorporating cognitive biases is developed and calibrated with empirical data. This model reproduces observed regularities in purchasing behavior and explains how subtle assortment changes—such as introducing a decoy product—can significantly shift customer preferences. It also provides predictive insight into price elasticity, for example anticipating the share transfer between competing brands after a 10% price drop.The third contribution explores the impact of promotions using ABM. Simulations of retail environments reveal emergent phenomena such as temporary boosts in sales, cannibalization effects, repeated promotion fatigue, loyalty dynamics, and price wars. Beyond describing these patterns, the model can be used to test alternative strategies virtually: for instance, comparing the long-term profitability of frequent discounts versus fewer, more targeted campaigns, or estimating whether a promotion attracts new customers or only shifts purchase timing among loyal ones.Taken together, these contributions demonstrate that consumer behavior can be decomposed into modular, interpretable models that reproduce both stylized facts and real-world patterns. The results show that ABM provides concrete predictive and explanatory perspectives: forecasting customer inflows under promotional pressure, explaining preference shifts under assortment redesign, and assessing long-term risks of competitive pricing strategies. Electronic Thesis or Dissertation Text fr PDF 7365458 https://pepite-depot.univ-lille.fr/LIBRE/EDMADIS/2025/2025ULILB037.pdf https://theses.fr/2025ULILB037/abes https://theses.hal.science/tel-05575464 https://theses.hal.science/tel-05575464 https://theses.hal.science/tel-05575464 Vanderlynden Jarod Vanderlynden 1999-06-10 FR 295901551 https://theses.fr/2025ULILB037 2025ULILB037 https://doi.org/10.70675/14dec79bzcc4bz42b9z8e1az56e1d163c74d 2025-11-25 Informatique et applications Université de Lille (2022-....) 259265152 Doctorat Docteur es non oui Mathieu Philippe MADS_DIRECTEUR_DE_THESE_1 114030626 Warlop Romain MADS_DIRECTEUR_DE_THESE_2 234172223 Jourdan Laetitia MADS_PRESIDENT_DU_JURY 076925161 Pinson Suzanne MADS_MEMBRE_DU_JURY_1 027074595 Sabouret Nicolas MADS_RAPPORTEUR_1 070373736 Picault Sébastien MADS_RAPPORTEUR_2 153064668 École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) MADS_ECOLE_DOCTORALE_1 258621362 Centre de Recherche en Informatique, Signal et Automatique de Lille MADS_PARTENAIRE_DE_RECHERCHE_1 410272 18388695X Association nationale de la recherche et de la technologie (France) MADS_PARTENAIRE_DE_RECHERCHE_2 026468735 Fifty-five MADS_PARTENAIRE_DE_RECHERCHE_3 276983882 ddc:004 Mathieu Philippe Warlop Romain Jourdan Laetitia Pinson Suzanne Sabouret Nicolas Picault Sébastien École graduée Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....) Centre de Recherche en Informatique, Signal et Automatique de Lille Association nationale de la recherche et de la technologie (France) Fifty-five PDF 7365458