• Langue : Français
• Discipline : Informatique et applications
• Identifiant : 2025ULILB037
• Type de thèse : Doctorat
• Date de soutenance : 25/11/2025

Résumé en langue originale

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.

Résumé traduit

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.