A Data-driven Approach to Revenue Management Problem with Behavioral Considerations

RÉSUMÉ: Cette thèse porte sur l'étude de diverses méthodes avancées et orientées données pour résoudre la problématique de gestion de revenu plus souvent désigné par “Revenue Management” (RM). Nous nous intéressons à deux sous-problèmes du RM que sont la prévision de demande et le contrôle d'inventaire, poursuivons avec une revue de la littérature suivi d'une synthèse des contributions de la thèse. Nous commençons par une introduction générale sur la métodologie usuelle pour traiter la prédiction de la demande et les politiques optimales de contrôle d'inventaire. Nous présentons dans les trois chapitres suivants, nos travaux sur ces problématiques, chacun correspondant à un article soumis dans une revue internationale. Finalement nous concluons par des remarques sur le travail actuel et une discussion sur les possibles futurs travaux. Nous présentons maintenant brièvement les trois articles. Dans le premier article, nous nous intéressons à la prévision de la demande pour une importante compagnie ferroviaire. Pour cela, nous explorons diverses approches de prétraitement, apprentissage machine et sélection de caractéristiques des données. Comme cette prévision est utilisée pour différents objectifs, nous travaillons sur deux niveaux d'agrégation différents. La solution devant être industrialisable, nous mettons l'emphase sur la rapidité, la simplicité et la robustesse. Nous combinons alors des méthodes de l'état de l'art avec des techniques innovantes de construction des caractéristiques des données pour arriver à des résultats prometteurs. Bien que nous traitons la prévision de demande pour le domaine ferroviaire, nos résultats s'appliquent également aux autres domaines de transport et à l'hôtellerie. Dans le second article, nous considérons le problème du contrôle d'inventaire du RM sous comportement d'achat pour le domaine aérien avec une méthode d'apprentissage par renforcement du type “Deep Q-Network” (DQN). Par rapport aux approches traditionnelles en RM, DQN ne dépend pas d'une prévision de la demande pour retourner de bonnes décisions de contrôle. Il fonctionne en utilisant des données historiques et/ou une interaction directe avec les clients. Nous nous concentrons essentiellement sur l'aspect comportemental de notre modèle. Nous entraînons et évaluons notre solution avec des données synthétiques puis la comparons avec des méthodes tradionelles de RM sur des instances aériennes fournies par la littérature. Dans le troisième article, nous abordons des instances de taille plus importante pour des problèmes de RM que l'on retrouve en pratique. Nous proposons un algorithme “Action Generation” (AGen) à intégrer au DQN pour étendre son utilisation à des problèmes de plus grande taille de RM sans trop augmenter le coût de calcul. La motivation derrière cette approche vient d'une analyse des offres optimales à travers l'horizon de réservation qui montre qu'elles sont souvent les mêmes, nous les appelons alors “offres efficaces”. À partir de cette information nous pouvons considérablement réduire le temps de calcul dans les cas pratiques. AGen est un algorithme heuristique de type glouton qui mimique la génération de colonnes dans le but de générer ces “offres efficaces”. La combinaison de DQN et AGen donne des résultats prometteurs sur les problèmes de plus grandes tailles.