Analyse des données clients

L’analyse des données clients est devenue une thématique très prisée par les entreprises, et plus particulièrement par les départements de marketing. Ces analyses peuvent également ap- porter des informations pertinentes pour établir des prévisions de ventes. Les travaux débutés en 2017 avec la thèse de Chandadevi Giri [GIRI,Thèse en cours] ont pour objectifs de :

1. Définir les profils de consommateurs à partir des données de ventes, de réseaux sociaux, de bases de données clients,...,

2. Développer une classification des styles de vêtements à partir de différents attributs (in- cluant les images) et connaissances des stylistes de mode.

Les résultats obtenus pourront ensuite être intégrés dans un système de prévision des ventes et un système de recommandation (figure2.42).

CHAPITRE 2. LA PRÉVISION DES VENTES D’ARTICLES TEXTILES

Des premiers résultats ont été obtenus sur l’analyse des achats des consommateurs [GIRI

et collab.,2018b] et l’analyse des données des réseaux sociaux [GIRIet collab.,2018a].

Nos premiers travaux [GIRIet collab.,2018b] sur l’analyse des achats sont basées sur une seg- mentation des consommateurs par semestre à partir de la date de leur dernier achat. A partir de cet indicateur et de leurs éventuels achats précédents, les clients sont référencés dans une des ca- tégories suivantes : inactifs, peu actifs, actifs, très actifs, nouveaux clients. Enfin, une matrice de transition permet une première analyse temporelle du comportement des consommateurs et du chiffre d’affaire par segment.

Cette étude a été menée sur une base de données réelles composée de 5770844 transactions de 1020923 clients différents entre janvier 2015 et décembre 2016 (14 mois). Les matrices de transi- tions générées à partir de ces données sont représentées en tables2.3et2.4. Ces matrices, com- munément utilisées en marketing, permettent de quantifier les mouvements de clients entre les catégories. Par exemple, nous pouvons constater que 68861 nouveaux clients du semestre 1 de- viennent des clients inactifs sur le second semestre de l’étude.

Semestre 1 / Semestre 2 Inactifs Peu actifs Actifs Très actifs Nouveaux clients

Inactifs 83293 12661 4869 8986 -

Peu actifs 208564 48854 15118 24620 -

Actifs 64694 19288 8322 16226 -

Très actifs 37687 25518 13197 36721 -

Nouveaux clients 64861 14182 5430 9628 -

TABLEAU2.3 – Matrice de transition par catégorie de clients

Semestre 1 / Semestre 2 Inactifs Peu actifs Actifs Très actifs Nouveaux clients

Inactifs 0.758 0.115 0.044 0.081 -

Peu actifs 0.701 0.164 0.051 0.082 -

Actifs 0.596 0.178 0.077 0.149 -

Très actifs 0.333 0.225 0.117 0.324 -

Nouveaux clients 0.689 0.151 0.058 0.102 -

TABLEAU2.4 – Matrice de transition en probabilités

Ainsi, il est possible de donner une vision de l’évolution des différentes catégories clients pour les prochains semestres. La figure2.43présente cette analyse sur les données considérées. Afin de pouvoir exploiter de tels résultats, cette étude préliminaire doit être approfondie en intégrant d’autres paramètres et en mettant en œuvre des techniques d’analyse plus performantes.

liorer les systèmes de prévisions. Plusieurs études sur l’exploitation des réseaux sociaux dans le domaine de la mode sont apparues dernièrement dans la littérature. Par exemple les travaux de

BEHESHTI-KASHIet collab.[2018] proposent un système d’aide aux achats de produits mode à par- tir de l’analyse des données issues des réseaux sociaux. Les réseaux sociaux permettent également une analyse plus approfondie et surtout plus directe des sentiments et des émotions des consom- mateurs [ORTIGOSAet collab.,2014]. Principalement utilisée en marketing, cette approche peut apporter des avantages concurrentiels aux entreprises [HEet collab.,2015b].

Ainsi, afin d’envisager l’utilisation de telles informations pour la prévision des ventes, nous avons mené une étude exploratoire sur le marché de la mode pour acquérir, traiter et analyser des don- nées issues des réseaux sociaux [GIRIet collab.,2018a]. Différentes techniques issues de l’intelli- gence artificielle existent pour analyser les émotions et les sentiments à partir de données issues des réseaux sociaux, comme notamment les "Support Vector Machines" (SVM) [REZWANULet col- lab.,2017]. Cependant, compte tenu du faible nombre de données disponibles pour notre étude exploratoire, nous avons utilisé un classifieur Bayésien naïf.

Notre test a porté sur l’analyse des tweets relatifs aux fameuses marques d’articles de mode "Levis" et "Zara", sur le réseau social Twitter pendant 10 jours. Après une étape indispensable de nettoyage pour éliminer les différents mots et caractères superflus, les tweets sont classifiés dans sept caté- gories d’émotions : “joy”, “sadness”, “anger”, “surprise”, “fear, “disgust” et "unknown". Les résultats obtenus sont illustrés en figures2.44et2.45.

FIGURE2.44 – Le nuage de mots extraits des tweets relatifs aux marques "Zara" et "Levis" et leurs classes émotionnelles

Il apparaît que les techniques utilisées permettent d’extraire des informations concernant les émotions et les sentiments vis à vis d’une marque. Cette approche pourrait être également réa- lisée sur des produits spécifiques et sur des localisations précises. Ces informations sont très in- téressantes pour appréhender le comportement du consommateur et peuvent contribuer à amé- liorer les prévisions de ventes. Néanmoins, cette étude préliminaire montre que de nombreuses données sont classées dans la catégorie "inconnue", et par conséquent, ne sont pas exploitables. L’analyse des sentiments à partir des réseaux sociaux nécessitent la mise en œuvre de techniques de nettoyage, text mining, et de classification plus développées que celles utilisées dans cette pre- mière étude. Cependant, ces premiers résultats nous incitent à explorer plus profondément cette approche dans les travaux futurs. Ainsi, l’acquisition d’informations sur twitter relatives à des ar- ticles textiles actuellement en vente est en cours. Cette future base de données permettra de dé- ployer des techniques plus avancées.

CHAPITRE 2. LA PRÉVISION DES VENTES D’ARTICLES TEXTILES

FIGURE2.45 – Analyse des sentiments des tweets relatifs aux marques "Zara" et "Levis"

2.6.2 Influence de la mode éthique et durable sur le comportement des consomma-