Abstracts Category : Other

Personalization in e-commerce : a procedure to create and evaluate business relevant recommendation systems : La personnalisation des sites e-commerce : une procdure pour crer et valuer les systmes de recommandations pertinents pour les entreprises

by Stijn Geuens

Les systmes de recommandation sont trs tudis dans la littrature sur lapprentissage automatique, ce qui a permis la cration de nombreux algorithmes. Cette thse doctorale va au-del de simples propositions de nouveaux algorithmes en tirant parti des toutes dernires techniques et en tudiant les interactions de ces techniques avec diverses sources de donnes. Nous nous sommes penchs sur la cration de canevas capables daider les universitaires et les dcideurs du march dans le cadre du dveloppement des systmes de recommandation dans le contexte du e-commerce. Concrtement, cette thse apporte la littrature de sept manires diffrentes. Premirement, nous dcrivons et validons dans le chapitre I un cadre devant servir valuer les algorithmes de filtrage collaboratif. Deuximement, nous proposons dans le chapitre II un cadre destin dvelopper et valuer des systmes de recommandation hybrides, que nous validons partir de donnes historiques relles tires du site de La Redoute. Troisimement, le chapitre II introduit limportance des caractristiques dans la littrature. Quatrimement, les algorithmes offrant les meilleurs rsultats dans les tests hors-ligne sont utiliss dans le chapitre III comme base pour la cration de deux systmes de recommandation pour la maximisation du chiffre daffaires. Cinquimement, nous proposons, un cadre pour tudier trois effets des systmes de recommandation sur les indicateurs tout au long du tunnel dachat. Siximement, nous validons notre cadre par une exprience de terrain grande chelle, en collaboration avec La Redoute. Enfin, une tude de cas montre la valeur ajoute des meilleurs systmes de recommandation. Recommendation systems are a heavily investigated within machine learning literature, resulting in the creation of many algorithms. This doctoral dissertation goes beyond merely proposing new recommendation algorithms by leveraging state-of-the-art techniques and investigating the interaction of these techniques with different data sources having distinct characteristics. The focus lies upon the creation of frameworks guiding both marketers and academics in developing, evaluating, and testing recommendation systems in an e-commerce context. Concretely, this dissertation adds to literature in seven distinct ways. First, a framework evaluating collaborative filtering algorithms is designed and validated on real-life offline data sets of a large European e-tailer, La Redoute. Second, a five-step framework to develop and evaluate hybrid recommendation systems combing different data sources is proposed and validate on real-life historical data in Chapter II. Third, Chapter II introduces feature importance in the recommendation systems literature. Fourth, the best performing algorithms in the offline tests are leveraged to serve as basis for creating two revenue maximization recommendation systems in Chapter III. Fifth, a framework investigating three effects of (revenue maximization) recommendation systems on business metrics throughout the purchaseAdvisors/Committee Members: Coussement, Kristof (thesis director), De Bock, Koen W. (thesis director).