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
- Jarod Vanderlynden (ORCID: https://orcid.org/0009-0003-0374-585X)
- Romain Warlop (ORCID: https://orcid.org/0000-0002-4432-9591)
- Philippe Mathieu
Institutions
- 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)
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