Soutenance - Arthur FÉTIVEAU

Soutenance de thèse - Arthur FÉTIVEAUArthur FÉTIVEAU, en vue de l’obtention du grade de Docteur en Mathématiques et Sciences et Technologies de l’Information et de la Communication, spécialité « Mathématiques et leurs interactions », présentera ses travaux intitulés : « Modélisation et prédiction des indicateurs de performance d’entreprises : analyse des « atypiques » le 8 novembre à Vannes.

Date 08/11

Résumé

Modélisation et prédiction des indicateurs de performance d’entreprises : analyse des "atypiques".

Cette thèse de doctorat est consacrée au développement d'un cadre statistique d'apprentissage automatique pour piloter les objectifs de l'entreprise. Pour ce faire, les données de ventes sont utilisées pour cibler efficacement les enjeux ou les opportunités par un classement. Le choix du modèle a été étudié et décrit en fonction de certaines propriétés que nous souhaitions inclure. Nous implémentons un modèle basé sur les permutations en utilisant des modèles de Mallows généralisés traitant des valeurs quantitatives, considérant qu'un classement est une permutation. L'avantage de la version généralisée est la possibilité de différencier le coût de déplacement de chaque élément de la permutation. Dans notre modèle, nous différencions le coût d'une inversion dans la permutation en utilisant la valeur de l'écart entre les deux éléments. Nous proposons des estimateurs des paramètres du modèle et nous illustrons notre procédure d'estimation sur des données simulées et sur une application réelle.

Dans un second temps, nous nous intéressons particulièrement à la question de la dépendance dans les modèles de Mallows. Nous introduisons ici une approche basée sur une fonction de coût minimisant l'impact de la dépendance entre les critères. Des études de simulation ont été menées. Enfin, nous discutons de la création d'indicateurs de performance que nous utilisons comme entrée de l'algorithme de classement.

Mot clés : apprentissage statistique, dépendance, distance de Kendall, modèles de Mallows, statistique computationnelle, indicateurs de performance

Abstract

Modelisation and prediction of company indicators: study of anomalies.

This PhD thesis is devoted to the development of a machine learning statistical framework to drive company's objectives. To this end, their sales data are used to target efficiently the issues or opportunities by a ranking. The model choice was studied and described accordingly to some properties we wanted to include. We implement a permutation-based model using generalized Mallows models dealing with quantitative values, considering that a ranking is a permutation. The advantage of the generalized version is the possibility to differentiate the cost to move each element in the permutation. In our model, we differentiate the cost of an inversion in the permutation by using the gap value between the two elements. We propose model parameters estimators and we illustrate our estimation procedure on simulated data and on a real application. In a second time, we are particularly interested in the question of dependence in Mallows models. Here, we introduce an approach based on a cost function minimizing the impact of the dependence between criteria. Simulation studies were conducted. Finally, we discuss about the creation of some performance indicator that we use as an input of the ranking algorithm.

Keywords: machine learning, dependence, Kendall distance, Mallows' models, computational statistics, performance indicators

Membres du jury

• Pr Ernest FOKOUÉ, Professeur des Universités, rapporteur, Rochester Institute of Technology, New-York USA
• Pr Léo GERVILLE-RÉACHE, rapporteur, Professeur des Univesités, Université de Bordeaux, IMS Bordeaux
• Pr Gilles DURRIEU, directeur de thèse, Professeur des Univesités, Université Bretagne Sud, LMBA CNRS UMR 6205
• Pr Emmanuel FRÉNOD, co-directeur de thèse, Professeur des Universités, Université Bretagne Sud, LMBA CNRS UMR 6205
• Dr Jean-Baptiste AUBIN, membre du jury, Maître de Conférences, INSA Lyon, DEEP UR 7429
• Pr Sophie LAMBERT-LACROIX, membre du jury, Professeure des Universités, Université Grenoble-Alpes, TIMC UMR CNRS 5525

Membre du jury invité

• M. Claude-Henri MELEDO, membre du jury invité, ALDECIS

Les travaux sont dirigés par Gilles DURRIEU.

École doctorale MathSTIC Bretagne Océane N°644.

Informations pratiques

Vendredi 8 novembre à 14h

Amphithéâtre 104

Bâtiment Simone Veil

Vannes

Crédit photographique : ©Université Bretagne Sud. Service Communication