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.

Abstract

ABSSTRACT : n the manufacturing industry, the process of managing product returns is crucial. Regardless of a company's sales volume, returns are always a problem for merchants as a return costs not only money, but also time. Moreover, in recent years, the accelerated growth of electronic commerce has made the problem even more difficult, especially in the clothing industry. This project is based on a case study in a company that outsources uniform programs. The company provides its customers with an online shopping platform to purchase their clothes. In this paper, supervised and unsupervised learning methods are used to analyze the purchase history and product returns during a specific study period in order to find the customers who are most likely to make returns, as well as problematic products that are often returned. First of all, we had to transform the available data into time series in order to observe the evolution of the morphological measures of our clients over time. Four main metrics were analyzed, taking into account the garments with the highest percentage of orders and returns. Next, we proceeded to look for possible similar behaviors between clients using an unsupervised learning method, segmentation. Segmentation involves grouping a set of objects into subsets of objects called clusters, where each cluster is made up of a collection of objects that are similar to each other, but that are different from objects in other clusters. We used the metric called Dynamic Time Warping because it is the most suitable for comparing time series. Thus, we were able to get groups of customers with similar behaviors. With the results obtained, we proceeded to develop a model that allows us to recognize the characteristics of customers who make returns. In addition, a model capable of showing the specifications of products that are still returned has been developed. Decision tree-based learning algorithms are considered to be one of the best and most widely used supervised learning methods. Decision tree-based methods enhance predictive models with high precision, stability, and ease of interpretation. In our case, we use classification trees, which have a two-step process, a learning step and a prediction step. In the training step, the model is developed on the basis of the training data. While in the prediction step, the model is used to predict whether or not a return will be made. Different tests were carried out on the basis of different methods and algorithms. In addition, we used the processes of “boosting” and “winnowing” in order to improve the performance of our trees. Thanks to the results, we were able to find the characteristics and behaviors of clients who return and it was found that even clients with stable morphological evolution curves may have relatively high return percentages.