Effets de contexte et simulation multi-agents calibrée

Pour améliorer leurs ventes, les entreprises commerciales mettent en place différentes stratégies pour influencer le comportement des clients. Parmi ces différentes stratégies, les effets de contexte sont un levier important pour ces entreprises. Dans cet article, nous proposons un modèle capable d’analyser trois effets de contexte bien connus du domaine : l’effet de leurre, l’effet de compromis et l’effet de similarité. À travers différents exemples, nous montrons comment fixer les prix pour influencer le comportement des clients. Ensuite nous proposons de calibrer précisément les paramètres du modèle à l’aide de données empiriques issues de différentes sources : deux ans de tickets de caisse d’une grande enseigne de distribution (correspondant à 5 millions de produits vendus) et les données sur les revenus de la population française fournies par l’INSEE. Après validation du modèle, qui reproduit fidèlement les distributions observées dans les données réelles, nous montrons qu’il est capable de fournir des recommandations pertinentes sur les stratégies de tarification. Ce système offre ainsi la possibilité d’optimiser les prix des produits existants et de prédire les prix à appliquer lors de l’introduction de nouvelles offres, en se basant uniquement sur l’historique des ventes et une description synthétique des clients.

Authors

Institutions

Publication Details

Journal
Revue Ouverte d Intelligence Artificielle
Published
2026-11-20
DOI
https://doi.org/10.5802/roia.105
Primary Topic
Consumer Market Behavior and Pricing
Type
article
Field-Weighted Citation Impact
0.00
Controls
|||
ALL TIME
JAN
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
NOV
article

Effets de contexte et simulation multi-agents calibrée

Jarod Vanderlynden, Romain Warlop, Philippe Mathieu
1 links
Revue Ouverte d Intelligence Artificielle
Consumer Market Behavior and Pricing
article

Effets de contexte et simulation multi-agents calibrée

Jarod Vanderlynden, Romain Warlop, Philippe Mathieu
article en

Abstract

Pour améliorer leurs ventes, les entreprises commerciales mettent en place différentes stratégies pour influencer le comportement des clients. Parmi ces différentes stratégies, les effets de contexte sont un levier important pour ces entreprises. Dans cet article, nous proposons un modèle capable d’analyser trois effets de contexte bien connus du domaine : l’effet de leurre, l’effet de compromis et l’effet de similarité. À travers différents exemples, nous montrons comment fixer les prix pour influencer le comportement des clients. Ensuite nous proposons de calibrer précisément les paramètres du modèle à l’aide de données empiriques issues de différentes sources : deux ans de tickets de caisse d’une grande enseigne de distribution (correspondant à 5 millions de produits vendus) et les données sur les revenus de la population française fournies par l’INSEE. Après validation du modèle, qui reproduit fidèlement les distributions observées dans les données réelles, nous montrons qu’il est capable de fournir des recommandations pertinentes sur les stratégies de tarification. Ce système offre ainsi la possibilité d’optimiser les prix des produits existants et de prédire les prix à appliquer lors de l’introduction de nouvelles offres, en se basant uniquement sur l’historique des ventes et une description synthétique des clients.

Revue Ouverte d Intelligence ArtificielleVol. 7(1-2)
Centre National de la Recherche Scientifique (FR), Université de Lille (FR), Centre de Recherche en Informatique, Signal et Automatique de Lille (FR), École Centrale de Lille (FR)
Consumer Market Behavior and Pricing
AI Navigator

Ask Laika to Summarize, Analyze, and Connect papers live on the map.

Summarize Papers & Methodologies

Extract key findings, datasets, and comparative methods across publications.

Benchmark Rankings & Visual Analytics

Rank top research institutions, authors, funders, topics, and journals by Field-Weighted Citation Impact (FWCI) and paper volume with instant charts.

Connect Distant Disciplines

Bridge topological clusters on the map to find hidden collaborative intersections.

Laika access coming soon
Effets de contexte et simulation multi-agents calibrée — Jarod Vanderlynden, Romain Warlop, et al. · Revue Ouverte d Intelligence Artificielle (2026) | TGRS Research Map | TGRS