Back
TM_Osmani Bajram.pdf
Master thesis

Développement d’une méthode d’Horizon Scanning/Competitive Intelligence reposant sur l’explication de modèles de Machine Learning prédictifs pour le marché de l’horlogerie de luxe

SONAR|HES-SO

  • Genève : Haute école de gestion de Genève

95 p.

Master of Science HES-SO en Business Administration: HES-SO master - MSc BA, 2022

French Ce travail présente le développement d’une méthode d’Horizon Scanning/Competitive Intelligence, reposant sur des méthodes de Data Mining, ayant pour but l’amélioration des connaissances des préférences des consommateurs et l’identification de signaux faibles de changement de tendances dans le marché de l’horlogerie de luxe. Celle-ci repose sur l’utilisation d’algorithmes de Machine Learning prédictifs appliqué à une base de données contenant 1'493 référence de montres, leurs caractéristiques ainsi que la variation de leur prix de vente sur le marché secondaire par rapport à leur prix catalogue. La base de données utilisée a été récoltée par scraping sur les sites web de marques sélectionnées au préalable. Sur la base des données récoltées, différents algorithmes de Machine Learning ont été utilisés pour créer des modèles de prédictions de la variation du prix d’une montre sur le marché secondaire. Par la suite, des techniques d’interprétation (Features importance, Partial Dépendance plot, Individual Conditonal Exceptation et Shapley values) ont été utilisées sur le modèle ayant eu les meilleurs résultats prédictifs. Ces techniques ont permis d’obtenir des connaissances sur les impacts identifiés par le modèle de certaines valeurs de variables caractéristiques d’une montre de luxe (couleur du cadran, matériaux du boîtier, diamètre, etc.) sur la variation de sa valeur de vente sur le marché secondaire par rapport à son prix catalogue. L’algorithme ayant offert les meilleurs résultats prédictifs dans le contexte de cette étude est Random Forest. La méthode proposée et appliquée dans ce travail offre la possibilité d’obtenir une meilleure compréhension des préférences des consommateurs du marché horloger. Cependant, il est important de prendre en compte le fait que les techniques d’interprétation des modèles de Machine Learning présentent de nombreux défauts pouvant mener des utilisateurs non avertis à des conclusions hâtives ou éronnées. Ainsi, l’utilisation de ce type de méthodes requiert une collaboration entre différents types d’expertises (connaissance des algorithmes utilisés, connaissance des techniques d’interprétabilité utilisées, connaissance de la base de données et connaissance du marché étudié). Si toutes ces expertises ne sont pas présentes dans le développement et l’utilisation de ce type de méthodes, il est possible que celle-ci mène à des conclusions erronées. En plus de l’enrichissement des méthodes d’Horizon Scanning/Competitive Intelligence pour l’industrie horlogère, ce travail a pour ambition de participer au développement de l’utilisation des techniques de Data Mining dans les domaines précités. Notamment grâce à l’utilisation des outils d’interprétation/explication de modèles de Machine Learning prédictifs complexes.
Language
  • French
Classification
Economics
Notes
  • Haute école de gestion de Genève
  • MScBA : orientation Prospective
  • hesso:hegge
Persistent URL
https://sonar.ch/global/documents/321011
Statistics
Document views: 407 File downloads:
  • TM_Osmani Bajram.pdf: 509