Clustering exploratoire pour la segmentation de données clients

Exploratory clustering for customer data segmentation

• Auteur / Autrice : Adnan El Moussawi
• Direction : Arnaud Giacometti
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 25/09/2018
• Etablissement(s) : Tours
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire)
• Partenaire(s) de recherche : Equipe de recherche : Laboratoire d'Informatique Fondamentale et Appliquée de Tours (2012-...)
• Partenaire(s) de recherche : Laboratoire : École polytechnique universitaire (Tours)
• Jury : Président / Présidente : Nacéra Seghouani-Bennacer
• Jury : Examinateurs / Examinatrices : Nicolas Labroche, Philippe De Guis, Christophe Marsala
• Jury : Rapporteurs / Rapporteuses : Julien Velcin, Vincent Lemaire

Mots clés

Mots clés contrôlés

Préférences (économétrie)

Topologie de l'espace métrique

Prédicat (logique)

Systèmes d'affichage

Exploration de données

Clusters Beowulf (informatique)

Mots clés libres

Clustering

Exploration

Interaction

Connaissances

Préférences sur les attributs

Apprentissage de métrique

Interprétation

Segmentation des clients

CRM

Expert marketing

Clustering

Exploration

Interaction

User knowledge

Preferences on the attributes

Metric learning

Interpretation

Customer segmentation

CRM

Expert marketing

Résumé

Les travaux de cette thèse s’intéressent à l’exploration de la multiplicité des solutions de clustering. Le but est de proposer aux experts marketing un outil interactif d’exploration des données clients qui considère les préférences des experts sur l’espace des attributs. Nous donnons d’abord la définition d’un système de clustering exploratoire. Nous proposons ensuite une nouvelle méthode de clustering semi-supervisée qui considère des préférences quantitatives de l’utilisateur sur les attributs d’analyse et qui gère la sensibilité à ces préférences. Notre méthode tire profit de l’apprentissage de métrique pour trouver une solution de compromis entre la structure des données et les préférences de l’expert. Enfin, nous proposons un prototype de clustering exploratoire pour la segmentation des données de la relation client intégrant la nouvelle méthode de clustering proposée, mais aussi des fonctionnalités de visualisation et d’aide à l’interprétation de résultats permettant de réaliser un processus complet de clustering exploratoire.

The research work presented in this thesis focuses on the exploration of the multiplicity of clustering solutions. The goal is to provide to marketing experts an interactive tool for exploring customer data that considers expert preferences on the space of attributes. We first give the definition of an exploratory clustering system. Then, we propose a new semi-supervised clustering method that considers user’s quantitative preferences on the analysis attributes and manages the sensitivity to these preferences. Our method takes advantage of metric learning to find a compromise solution that is both well adapted to the data structure and consistent with the expert’s preferences. Finally, we propose a prototype of exploratory clustering for customer relationship data segmentation that integrates the proposed method. The prototype also integrates visual and interaction components essential for the implementation of the exploratory clustering process.