Présentation d’Artefact
Artefact est une société française spécialisée dans le déploiement de technologies d’IA et de solutions data dont la mission est d’accélérer l'adoption des données et de l'IA afin d’avoir un impact positif sur les individus et les organisations.
Spécialiste en transformation data et en digital & data marketing, Artefact transforme la donnée en impact business et délivre des résultats tangibles sur l’ensemble de la chaîne de valeur des entreprises. L’approche unique d’Artefact, qui fait le pont entre la donnée et le business, allie le meilleur de l’expertise technologique et de l’excellence opérationnelle, permettant ainsi à ses clients de devenir des champions de l’IA et d’atteindre leurs objectifs business de façon dédiée et efficace.
La raison d’être d’Artefact “We accelerate data and AI adoption to positively impact people and organizations” s’inscrit dans une vision plus large que l’entreprise souhaite porter en façonnant un futur dans lequel l'IA est non seulement un outil puissant, éthique et transparent mais également adapté aux besoins des individus et des entreprises.
Forts de dix ans d’expérience, plus de 300 entreprises internationales ont accordé leur confiance à Artefact depuis sa création. Couvrant l’Europe, l’Asie, l’Amérique du Nord, l’Amérique Latine et l’Afrique grâce à notre implantation locale dans 24 bureaux, nous travaillons avec des marques internationales de premier rang, telles que Orange, Samsung, L’Oréal, ou Sanofi à travers le monde.
Contexte de stage
Ce stage de recherche débutera en Septembre 2024, au sein du tout nouveau research center d’Artefact. Il s'inscrit dans une collaboration avec trois professeurs de CentraleSupélec Paris-Saclay, de l'INSEAD et de la London Business School, avec lesquels le stagiaire aura l'opportunité d'échanger.
L'étudiant intégrera l'équipe de doctorants du research center, composée de 10 membres dédiés à la recherche scientifique, travaillant sur des modèles d'apprentissage machine appliqués à des données réelles pour les rendre plus maîtrisables, transparents et robustes. Dans cet environnement stimulant, l'étudiant aura pour mission d'enrichir le savoir-faire interne sur un sujet à la pointe de la technologie et en constante évolution, et contribuera au rayonnement externe, avec pour objectif la publication des résultats lors d'une conférence internationale en fin de stage.
Sujet de recherche : optimiser l’assortiment des produits en supermarché
Dans un contexte où un supermarché standard propose environ 20 000 produits et où un distributeur peut gérer un catalogue de plus de 150 000 références, l'enjeu est de taille : sélectionner avec discernement les produits qui trouveront leur place dans les rayons de chaque point de vente. Loin des méthodes traditionnelles, souvent manuelles et basées sur l'expérience, nous nous orientons vers une exploitation stratégique des données, notamment celles issues des habitudes d'achat des consommateurs, pour révéler les préférences et les synergies entre produits.
L'objectif : définir un assortiment optimal qui maximise un critère spécifique, qu'il s'agisse du chiffre d'affaires, de la marge ou du volume de ventes hebdomadaires [1]. Cette démarche stratégique s'articule autour de deux phases essentielles. La première consiste à évaluer l'attractivité d'un produit au sein d'un assortiment, en tenant compte des dynamiques de substitution et de cannibalisation, ainsi que des préférences des clients. La seconde phase est celle de la concrétisation, où nous proposons un ensemble de produits judicieusement choisis en fonction de leur utilité estimée, tout en intégrant les contraintes opérationnelles des responsables de catégories et de la chaîne logistique.
Nous offrons l'opportunité de s'engager dans un projet où analyse de données avancée et rigueur scientifique convergent pour transformer la sélection de produits en une démarche précise et éclairée, au service d'une performance commerciale optimisée.
Méthodologie et objectifs du stage : Deep Learning
Les approches historiques utilisent une représentation linéaire de l'utilité du client [2]. Des travaux récents [3] montrent que l'introduction de fonctions non linéaires permet de mieux représenter l'hétérogénéité des clients dans la fonction de décision.
Les réseaux de neurones ont démontré un grand succès dans la compréhension des interactions entre mots ou pixels. En particulier, Word2Vec [4][5] a créé des représentations sémantiques de mots significatives avec une architecture très simple. Plus récemment, les Transformers [6][7] ont porté le traitement du langage à un nouveau niveau, avec une capacité extraordinaire à traiter et générer des textes de plus en plus longs.
Dans ce contexte, nous cherchons à utiliser les données relatives aux tickets d'achat pour mieux comprendre les interactions entre les produits. Avec des milliers de clients par jour, un supermarché possède des ensembles de données à très grande échelle reflétant les préférences d'achat.
Nous avons montré qu'en utilisant les données des paniers d'achat, nous sommes en mesure d'obtenir une intégration significative des produits. L'objectif du stage sera d'approfondir ces résultats et d'utiliser des modèles récents d'apprentissage profond pour construire des fonctions de décision pour les clients. Ces fonctions de décision nous permettront de comprendre comment la présence ou l'absence d'un produit influence le client et comment construire un assortiment optimal.
Références bibliographiques:
[1] Rooderkerk, Robert P., Harald J. Van Heerde, and Tammo HA Bijmolt. “Optimizing retail assortments.” Marketing Science 32.5 (2013): 699-715. [2] McFadden, Daniel. “Conditional logit analysis of qualitative choice behavior.” (1973). [3] Aouad, Ali, and Antoine Désir. “Representing random utility choice models with neural networks.” arXiv preprint arXiv:2207.12877 (2022). [4] Mikolov, Tomas, et al. “Efficient estimation of word representations in vector space.” arXiv preprint arXiv:1301.3781 (2013). [5]Ruiz, Francisco JR, Susan Athey, and David M. Blei. “SHOPPER: a probabilistic model of consumer choice with substitutes and complements.” (2020): 1-27. [6] Vaswani, Ashish, et al. “Attention is all you need.” Advances in neural information processing systems 30 (2017). [7] Hanzhao Wang, Xiaocheng Li, Kalyan Talluri, “Transformer Choice Net: A Transformer Neural Network for Choice Prediction”, arXiv(2023)
