Description
Date depot: 23 septembre 2019
Titre: Apprentissage profond pour la prédiction de l'attrition
Directeur de thèse:
Mohamed NADIF (Centre Borelli (EDITE))
Encadrante :
Severine AFFELDT (Centre Borelli (EDITE))
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Intelligence artificielle
Resumé:
Dans le cadre de ce sujet de thèse, nous proposons de développer dans un premier temps un nouveau modèle de prédiction d'attrition 'customer churn model ' capable d'évaluer à la fois le risque de perte des clients i.e., entreprises clientes de 'Brigad' et de départ des travailleurs i.e., professionnels indépendants de Brigad. Afin de limiter le coût des actions préventives réalisées par la plateforme de mise en relation, ce nouveau modèle de prédiction sera de type ciblé, c'est à dire spécifique aux clients et aux professionnels indépendants à risque que l'entreprise souhaite conserver.
Des études récentes ont montré que les réseaux de neurones profonds peuvent être de très bons classifieurs dans le contexte de l'attrition. Un avantage majeur des réseaux profonds est leur capacité à apprendre les caractéristiques ou 'features' d'intérêt pour la classification en même temps que les paramètres du classifieur. Dans le cadre du 'customer churn', cela permet de s'affranchir de l'étape de définition des facteurs à observer qui requière du temps et surtout une connaissance a priori. Par ailleurs, cette étape peut être source d'erreurs car certains facteurs importants peuvent être omis. L'exploitation de réseaux profonds permet de résoudre cette difficulté tout en proposant un modèle de prédiction précis.
Afin de mieux comprendre le comportement d'un client ou d'une entreprise vis-à-vis de la plateforme, notre approche comportera également une analyse multivariée de causalité qui permettra d'identifier les causes directes du 'churn' ainsi que les effets causaux entre les différents facteurs d'influence. Ce type d'analyse, qui a déjà fourni de très bons résultats sur divers systèmes complexes, permettra aussi la découverte des effets indirects susceptibles de provoquer le départ d'un client et donc offrira la possibilité d'améliorer la fidélisation par de nouveaux leviers. Associés à l'analyse de médiation, l'approche proposée fournira à la fois les interactions et la quantification des effets directs et indirects entre les facteurs qui participent au 'churn'.
Doctorant.e: Geiler Louis