Développement d'un outil de segmentation des comportements d'achat des clients en se basant sur leurs données morphologiques

L'analyse des marchés commerciaux est actuellement un processus aussi bien scientifique qu'industriel. Il consiste à recueillir et explorer des informations reliées aux clients en vue de mieux comprendre leurs comportements, habitudes et intérêts. Cette analyse est fortement utilisée par les entreprises afin de les guider dans leurs décisions opérationnelles et stratégiques. Ce mémoire présente un des outils d'analyse des marchés les plus utilisés dans la littérature, qui est la segmentation. Cette approche vise à diviser un ensemble d'individus hétérogènes, en groupes plus homogènes, en se basant sur des critères prédéterminés. La segmentation des marchés est employée dans plusieurs domaines, et vise à diviser un ensemble de clients en plus petits groupes ayant des comportements similaires. Elle peut être employée pour l'amélioration de l'impact et des revenus des produits et services existants ou pour préparer l'introduction de nouveaux produits sur les marchés. Dans notre cas, la segmentation des clients est basée sur l'évolution de tailles des vêtements qu'ils commandent, ou ce qu'on appellera leurs données morphologiques. Les clients font leurs achats sur une plateforme d'achat en ligne fournie par notre partenaire industriel. Notre partenaire est une entreprise qui se charge de la sous-traitance des programmes d'uniformes pour ses clients. Dans ce travail, nous avons utilisé des méthodes de « data mining » pour analyser l'historique des données d'achat d'un des clients de notre partenaire pour une durée d'étude déterminée. Les analyses sont par la suite concentrées sur le type de vêtements le plus commandé, soit les chemises. Des séries chronologiques des tailles commandées pour chaque client sont construites. Ces séries chronologiques permettent d'étudier l'évolution des tailles dans le temps. La segmentation est par la suite appliquée sur ces séries chronologiques afin d'obtenir des groupes ayant des comportements similaires. La similarité entre les clients est basée sur une métrique appelée le Dynamic Time Warping. Cette distance a été choisie parce qu'elle est la plus adaptée pour comparer les séries temporelles en se basant sur leurs formes et en ne tenant pas compte du décalage sur l'axe temporel. Plusieurs tests basés sur différentes méthodes et algorithmes ont eu lieu. Aussi plusieurs structures et variantes des séries temporelles ont été testées. Les séries temporelles retenues sont des séries exprimées en fonction de la variation des mensurations dans le temps. Elles ont été normalisées avec la norme z. Deux segmentations avec des nombres de groupes égaux à six et à dix ont été réalisées. Finalement, une évaluation et une analyse des résultats de la segmentation ont été effectuées pour valider les résultats recueillis. En premier lieu, l'évaluation s'est basée sur la visualisation des groupes obtenus et sur le critère de silhouette. Ce critère permet de mesurer la qualité d'une segmentation donnée, en se basant sur l'homogénéité intragroupe et l'hétérogénéité inter-groupe. Nous avons trouvé que la segmentation en dix groupes a permis d'avoir de meilleurs groupes. Dans un second temps, pour chacun des cas, l'analyse des groupes nous a permis de comprendre la structure et les caractéristiques de ces derniers. Nous avons trouvé que la majorité des clients ont des courbes d'évolution croissante. Nous avons aussi constaté que les groupes ayant des courbes d'évolution stables, ont des pourcentages de retour relativement élevés par rapport à leurs pourcentages d'achat. La répartition des hommes et des femmes dans les groupes est semblable à celle du groupe de clients initial. Cependant, les groupes ayant un pourcentage de femme plus important que les autres ont des moyennes de tailles plus petites.