Clustering exploratoire pour la segmentation de données clients
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-...) |
Laboratoire : École polytechnique universitaire (Tours) | |
Jury : | Président / Présidente : Nacéra Seghouani-Bennacer |
Examinateurs / Examinatrices : Nicolas Labroche, Philippe De Guis, Christophe Marsala | |
Rapporteurs / Rapporteuses : Julien Velcin, Vincent Lemaire |
Mots clés
Mots clés contrôlés
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.