Analysis of customer behavior on an e-commerce website
Analyse des comportements des clients sur un site marchand en ligne
Résumé
In recent years, electronic (e)-commerce has revolutionized retail by changing the way customers shop. The user’s choices are no longer limited by the availability of products in stores in his or her area. Today, they can search and purchase products from any international store, anywhere, anytime, using e-commerce sites. However, e-merchants have some difficulty understanding the behavior of their customers: Why does a customer choose one product over another? Why do they prefer one brand over another? Why does he visit the same product more often? Why is the purchase made during the lunch break? What factors influence their choice and purchases? These behaviors are very complex because they are influenced by (1) factors internal to the e-commerce site such as prices, product availability, delivery times, product ratings, user opinions, etc., (2) and external factors, such as international events (e.g. Black Friday), holidays, the customer’s budget, etc., (3). To learn more about consumer behavior, a more in-depth analysis is required. A fine analysis of the customer’s behavior consists of understanding his or her path on the web site. These behaviors help e-merchants to understand and discover customer needs. As a result, e-merchants can recommend relevant products to their customers, anticipate future purchases and ensure product availability. Their main tasks are more focused on identifying and understanding the abandonment and purchase process, from the customer’s first stimulus to their decision. To achieve this objective, user actions could be tracked. These actions are known as ”clickstreams”. To analyze them and extract useful information from them, several operating tools have been developed. They aim to analyze the user’s path and discover their hidden behaviors. Some well-known data mining and machine learning techniques are pattern mining, trend discovery, customer grouping and classification, collaborative filtering in recommendation systems, and purchase prediction. In this thesis, we present two new models of user behaviors. The first model, called ”frequent behavior”, represents behaviors that are similar between several user sessions. To model them, we propose a new representation of frequent and temporal patterns, and to extract them we propose the pattern detection algorithm called SEPM (Sequential Event Pattern Mining) based on this new representation. The second pattern, called ”interesting behavior”, represents behaviors that are similar in the evolution of their characteristics over time. We model them by multivariate time series and we propose the GCBag framework (Generative time series Clustering with Bagging) to detect them. In addition to these two models, we present the complete analysis process of these models starting from the preparation of the data, through the application of the algorithms and up to the analysis of the resulting behaviors
Au cours des dernières années, le commerce électronique a révolutionné le commerce de détail en modifiant la manière dont les clients achètent. Les choix de l’utilisateur ne sont plus limités par la disponibilité des produits dans les magasins de sa région. Aujourd’hui, il peut chercher et acheter des produits dans n’importe quel magasin dans le monde, n’importe où et n’importe quand, à travers les sites de e-commerce. Cependant, les commerçants en ligne ont quelques difficultés à comprendre le comportement de leurs clients : Pourquoi un client choisit-il un produit plutôt qu’un autre ? Pourquoi préfère-t-il une marque à une autre ? Pourquoi visite-t-il le même produit plus souvent ? Pourquoi l’achat est-il effectué pendant la pause déjeuner ? Quels sont les facteurs qui influencent son choix et ses achats ? Ces comportements sont très complexes car ils sont influencés par (1) des facteurs internes au site d’e-commerce tels que les prix, les disponibilités des produits, les délais des livraisons, les notations des produits, les opinions des utilisateurs, etc., (2) et des facteurs externes, tels que les événements internationaux (par exemple, le Black Friday), les vacances, le budget du client, etc. Pour en savoir plus sur le comportement du consommateur, une analyse plus approfondie est nécessaire. Une analyse fine du comportement du client consiste à comprendre son parcours sur le site. L’analyse des comportements aident les commerçants en ligne à comprendre et à découvrir les besoins des clients. Par conséquent, les commerçants en ligne peuvent recommander des produits pertinents à leurs clients, prévoir les futurs achats et s’assurer de la disponibilité des produits. Leurs tâches principales seront davantage axées sur l’identification et la compréhension des processus d’abandon et d’achat, depuis le premier stimulus du client jusqu’à sa décision. Pour atteindre cet objectif, les actions des utilisateurs pourraient être retracées. Ces actions sont connues sous le nom de ”flux de clics”. Pour les analyser et en extraire des informations utiles, plusieurs outils d’exploitation ont été développés. Ils visent à analyser le parcours de l’utilisateur et à découvrir ses comportements cachés. Certaines techniques d’exploration de données bien connues sont : l’exploration de modèles, la découverte de tendances, le regroupement et la classification des clients, le filtrage collaboratif dans les systèmes de recommandation et la prédiction d’achat. Nous présentons dans cette thèse deux nouveaux modèles de comportements utilisateurs. Le premier modèle, appelé ”comportement fréquent”, représente les comportements qui sont similaires entre plusieurs sessions d’utilisateurs. Pour les modéliser, nous proposons une nouvelle représentation de motif fréquent et temporel et pour les extraire nous proposons un algorithme de détection de motifs appelé SEPM (Sequential Event Pattern Mining) basé sur cette nouvelle représentation. Le deuxième modèle, appelé ”comportement intéressant”, représente les comportements qui se ressemblent dans l’évolution de leurs caractéristiques dans le temps. Nous les modélisons par des séries temporelles multi-variées et nous proposons un framework appelé GCBag (Generative time series Clustering with Bagging) pour les détecter. En plus de ces deux modèles, nous présentons le processus d’analyse complet de ces modèles partant de la préparation des données, passant par l’application des algorithmes et jusqu’à l’analyse des comportements résultants
Origine : Version validée par le jury (STAR)