Développement d'un modèle de prédiction de retours de vêtements en fonction des caractéristiques des clients et des produits

RÉSUMÉ : Dans l'industrie manufacturière, le processus de gestion des retours de produits est crucial. Quelque soit le volume des ventes d'une entreprise, les retours sont toujours un problème pour les commerçants puisqu'un retour coûte non seulement de l'argent, mais aussi du temps. De plus, ces dernières années, la croissance accélérée du commerce électronique a rendu le problème encore plus difficile, en particulier dans l'industrie du vêtement. Notre projet est basé sur une étude de cas au sein d'une entreprise qui se charge de la sous-traitance des programmes d'uniformes. L'entreprise fournit à ses clients une plateforme d'achat en ligne pour acheter des pièces d'uniformes. Dans ce mémoire, on utilise des méthodes d'apprentissage supervisées et non supervisées pour analyser l'historique d'achat et de retours de produits au cours d'une période d'étude spécifique afin de trouver les clients qui sont les plus susceptibles d'effectuer des retours, ainsi que des produits problématiques qui sont souvent retournés. Tout d'abord, il a fallu transformer les données disponibles en séries chronologiques pour pouvoir observer l'évolution des mesures morphologiques des clients dans le temps. Quatre mesures principales ont été analysées, en tenant compte des vêtements avec le pourcentage le plus élevé de commandes et de retours. Ensuite, nous avons procédé à chercher de possibles comportements similaires entre les clients en utilisant une méthode d'apprentissage non supervisée, la segmentation. La segmentation consiste à regrouper un ensemble d'objets en sous-ensembles d'objets appelés clusters, où chaque cluster est constitué d'une collection d'objets qui sont similaires les uns aux autres, mais qui sont différents des objets des autres clusters. On a utilisé la métrique appelée Dynamic Time Warping car elle est la plus adaptée pour comparer des séries temporelles. De cette façon, nous avons été capables d'obtenir des groupes de clients ayant des comportements similaires. Avec les résultats obtenus, on a procédé à l'élaboration d'un modèle qui nous permet de reconnaître les caractéristiques des clients qui effectuent des retours. De plus, un modèle capable de montrer les spécifications des produits qui sont toujours retournés a été développé. Les algorithmes d'apprentissage basés sur des arbres de décision sont considérés comme l'une des méthodes d'apprentissage supervisé les meilleures et les plus largement utilisées. Les méthodes basées sur les arbres de décision renforcent les modèles prédictifs avec une précision, une stabilité et une facilité d'interprétation élevées. Dans notre cas, on utilise les arbres de classification, qui possèdent un processus en deux étapes, une étape d'apprentissage et une étape de prédiction. Dans l'étape d'apprentissage, le modèle est développé sur une base des données d'entraînement. Tandis que dans l'étape de prédiction, le modèle est utilisé pour prédire si un retour sera effectué ou non. Différents tests ont été effectués sur la base de différentes méthodes et algorithmes, de plus on a utilisé des processus de « boosting » et « winnowing » pour améliorer les performances de nos arbres. Grâce aux résultats, on a été en mesure de trouver les caractéristiques et comportements de clients qui font des retours et on a constaté que même les clients avec des courbes d'évolution morphologique stables peuvent avoir des pourcentages de retours relativement élevés.