Soutenance de thèse : Jean-Christophe Ricklin

Jean-Christophe Ricklin soutient sa thèse “Modèles de prédiction et d’optimisation dynamiques des stratégies tarifaires” le 9 février 2026 à l’ENSEA Cergy.

Résumé

Cette thèse porte sur la prévision des ventes et l’optimisation des stratégies tarifaires dans le secteur de la grande distribution. Elle cherche à répondre à la question centrale : Comment concevoir des modèles de prévision capables d’anticiper les ventes tout en intégrant les relations causales entre produits, afin de guider les décisions commerciales (prix, promotions) dans un contexte d’interdépendances complexes ?

Pour répondre à cette problématique, la thèse s’articule autour de trois axes méthodologiques progressifs : les modèles univariés locaux, les modèles univariés globaux fondés sur des regroupements causaux, et les modèles multivariés intégrant explicitement les interactions inter-produits. La solution proposée explore l’intersection entre la découverte causale en données observationnelles et l’apprentissage automatique sur graphes.

Les principales contributions de ce travail comprennent : (i) une méthodologie de gestion des modèles en production combinant optimisation des hyperparamètres et tests statistiques de validation, (ii) un cadre de clustering causal regroupant les produits selon leurs leviers communs plutôt que selon leurs similarités de ventes, et (iii) un modèle multivarié exploitant un graphe issue d’une étape de découverte causal inter-produits via des Graph Neural Networks sensibles aux communautés. Enfin, une validation expérimentale sur données réelles démontre la pertinence de l’approche et ouvre des perspectives d’extension à d’autres nomenclatures et études de promotions.

Abstract

This thesis focuses on sales forecasting and pricing strategy optimization in the retail sector. It seeks to address the central question: How can we design forecasting models capable of anticipating sales while integrating causal relationships between products, in order to guide commercial decisions (pricing, promotions) in a context of complex interdependencies?

To answer this question, the research is structured around three progressive methodological axes: local univariate models, global univariate models based on causal clustering, and multivariate models explicitly integrating inter-product interactions. The proposed solution explores the intersection of causal discovery from observational data and graph-based machine learning.

The main contributions of this work include: (i) a methodology for model management in production combining hyperparameter optimization and statistical validation tests, (ii) a causal clustering framework grouping products according to their common drivers rather than sales similarities, and (iii) a multivariate model exploiting an inter-product graph learned by causal discovery through community-aware Graph Neural Networks. Finally, experimental validation on real-world data demonstrates the relevance of the approach and opens perspectives for extension to other product categories and promotional studies.

Composition du jury

• Richard CHBEIR, Université de Pau et des Pays de l’Adour, Rapporteur
• Faicel CHAMBOUKHI, Université de Caen Normandie, Rapporteur
• Mourad KHAYATI, Université de Fribourg, Examinateur
• Bernd AMANN, Sorbonne Université, Examinateur
• Raid MANSI, BOOPER, Invité
• Hajer BAAZAOUI, CY Cergy Paris Université, Directrice
• Vassilis CHRISTOPHIDES, ENSEA, Co-Directeur

Lieu et date

• ENSEA Cergy, Curium (6 avenue du Ponceau 95014 Cergy Cedex)
• 9 février 2026 à 10h00

La participation par visio est possible via le lien teams : https://teams.microsoft.com/l/meetup-join/19%3ameeting_ZTQ3NDQ0NzAtYjVjMy00MWNiLWFmZTMtZjM0ZjNlZjdlYzk5%40thread.v2/0?context=%7b%22Tid%22%3a%22880ce9c2-08e7-4138-93cf-b49659115304%22%2c%22Oid%22%3a%22b882676b-d059-4657-93e7-39ec09dac6e0%22%7d
Modèles de prédiction et d’optimisation dynamiques des stratégies tarifaires | Réunion-Joindre | Microsoft Teams