Mon compte
Ma liste - 0
Catalogue
Ressources numériques
Nouveautés
Liens utiles
Mon compte
Recherche rapide
Recherche avancée
Recherche alphabétique
Historique
Information
Recherche
Auteur
Titre
Sujet
Titre de revue
Collection
Cotes BU
Cotes ENSEA
Cotes IUFM
Modifier la recherche
>
CERGY
Elargir la recherche
Sur le même sujet :
Relations avec la clientèle -- Gestion
Thèses et écrits académiques
Parcourir le catalogue
par auteur:
Sarkar , Mainak , 1990-....
De Bruyn , Arnaud
Öncüler , Ayse
Reutterer , Thomas
Lemmens , Aurélie , 19..-....
CY Cergy Paris Université , 2020-....
École doctorale Économie, Management, Mathématiques, Physique et Sciences Informatiques , Cergy-Pontoise, Val d'Oise
École supérieure des sciences économiques et commerciales , Cergy, Val-d'Oise , 1913-....
Affichage MARC
Auteur :
Sarkar , Mainak , 1990-....
De Bruyn , Arnaud
Öncüler , Ayse
Reutterer , Thomas
Lemmens , Aurélie , 19..-....
CY Cergy Paris Université , 2020-....
École doctorale Économie, Management, Mathématiques, Physique et Sciences Informatiques , Cergy-Pontoise, Val d'Oise
École supérieure des sciences économiques et commerciales , Cergy, Val-d'Oise , 1913-....
Titre :
Trois articles sur l'analyse des bases de données clients avec des méthodes d'intelligence artificielle , Mainak Sarkar ; sous la direction de Arnaud De bruyn
Editeur :
2022
Notes :
Titre provenant de l'écran-titre
Ecole(s) Doctorale(s) : Ecole doctorale Économie, Management, Mathématiques , Physique et Sciences Informatiques (EM2PSI)
Partenaire(s) de recherche : École supérieure des sciences économiques et commerciales (Cergy, Val-d'Oise) (Laboratoire)
Autre(s) contribution(s) : Ayse Öncüler (Président du jury) ; Arnaud De bruyn, Thomas Reutterer, Aurélie Lemmens, V Kumar (Membre(s) du jury) ; Thomas Reutterer, Aurélie Lemmens (Rapporteur(s))
Thèse de doctorat Science de gestion - EM2PSI CY Cergy Paris Université 2022
La thèse se compose de trois essais sur "Modèles d'intelligence artificielle pour la gestion de la relation client". En particulier, les essais sont construits sur de nouveaux algorithmes d'apprentissage en profondeur connus sous le nom de réseaux de neurones à mémoire longue et courte durée (LSTM). Le premier essai montre que les réseaux de neurones LSTM, qui reposent exclusivement sur des données brutes en entrée, peuvent remplacer les modèles basés sur l'ingénierie des fonctionnalités pour prédire le comportement des clients dans le contexte du marketing direct. Dans le deuxième essai, je développe un modèle de réseaux de neurones à double LSTM pour les prédictions de la valeur à vie du client (CLV) qui intègre la politique adaptative de l'entreprise et capture l'attrition latente. Je montre que l'intégration de la politique marketing adaptative de l'entreprise dans les modèles d'évaluation des clients conduit à des trajectoires divergentes de rentabilité future, mettant en évidence des bimodalités et des modes à la queue de la distribution CLV. La présence de bimodalités et de modes à la queue capturée par mon modèle a des implications pour une compréhension plus approfondie du potentiel du client (c'est-à-dire le meilleur scénario par rapport à l'attente CLV traditionnelle) et pour affiner la hiérarchisation des clients. Dans le troisième essai, j'exploite la capacité des états de mémoire des réseaux de neurones LSTM à résumer les informations utiles des données de transaction passées pour développer une nouvelle approche qui répond aux préoccupations de confidentialité des clients dans la gestion de la relation client (CRM).
The dissertation consists of three essays on Artificial Intelligence Models for Customer Relationship Management . In particular, the essays are built on novel deep learning algorithms known as long-short term memory (LSTM) neural networks. The first essay shows that LSTM neural networks, which rely exclusively on raw data as input, can replace feature-engineering based models for predicting customer behavior in the direct marketing context. In the second essay, I develop a dual-LSTM neural networks model for customer lifetime value (CLV) predictions that incorporates the firm's adaptive policy as well as captures latent attrition. I show that integrating the firm's adaptive marketing policy into customer valuation models leads to diverging paths of future profitability, highlighting bimodalities and modes at the tail of the CLV distribution. The presence of bimodalities and modes at the tail captured by my model has implications for a deeper understanding of customer potential (i.e., best-case scenario vs. traditional CLV expectation) and for fine-tuning customer prioritization. In the third essay, I leverage the ability of LSTM neural networks' memory states to summarize useful information from the past transaction data to develop a novel approach that addresses customer privacy concerns in customer relationship management (CRM).
Configuration requise : un logiciel capable de lire un fichier au format : PDF
Sujet :
Relations avec la clientèle -- Gestion
Thèses et écrits académiques
Exemplaires
Pas de données exemplaires
Pour toute question,
contactez la bibliothèque
Horizon Information Portal 3.25_france_v1m© 2001-2019
SirsiDynix
Tous droits réservés.