Place des leads - Laboratoire Génie Industriel

Thèse CIRFE
Modélisation et optimisation multicritère d’une place de
marché de Leads
(adéquation offre/demande)
Candidate
Directeurs de thèse
: Manel MAAMAR
: Vincent MOUSSEAU, Professeur.
: Wassila OUERDANE, Maitre de Conférences.
Organismes d’accueil: LGI, PLACE DES LEADS
1
Réunion équipe2 LGL. ECP
17/01/2013
Plan
1- Formation
2- Place des leads
3- Problématique
4- Modèle proposé
5- Conclusion et perspectives
2
Formation
 Depuis Octobre 2012: Doctorante au Laboratoire Génie Industriel,
Ecole Centrale Paris.
 2011-2012: Master 2 recherche informatique spécialité Algorithmes et
Modèles de l’Information (AMI). Université de Caen.
 2009-2011 : Master 1 et Master 2 informatique option informatique
académique (recherche) .Université de Constantine (Algérie).
 2006-2009: Licence mathématiques et informatique appliqués aux
Sciences (MIAS) option informatique fondamentale. Université de
Constantine (Algérie).
3
Stages
 Mars -Sep 2012: Stage de recherche de Master au laboratoire de
Groupe de Recherche en Informatique, Image, Automatique et
Instrumentation de Caen (GREYC). Jeux stochastiques de
Stackelberg bayésiens partiellement observables : Modèle et
Algorithme.
 Fév - Juin 2011: Stage de recherche de Master au laboratoire de
modélisation et implémentation des systèmes complexes. Réalisation
d’un outil de génération de graphes temporels (Durational Action
Timed Automata) à partir des réseaux de Petri temporellement
temporisé.
 Fév -Juin 2009: Stage de licence au laboratoire de modélisation et
implémentation des systèmes complexes. Conception et réalisation
d’un site web dynamique pour un organisme de e-Learning.
4
Place des leads
 Place des Leads (PdL) est une place de marché de « leads ».
 Traditionnellement utilisé par les forces commerciales pour
désigner un contact qualifié et en phase d’achat.
 Un « lead » peut être défini dans un contexte web plus globalement
comme un contact qualifié et prêt à effectuer une action (achat,
devis, demande de RDV, demande de documentation, abonnement
newsletter, …).
L’objectif technique global est d’optimiser le fonctionnement de
cette place de marché.
5
Problématique
 « l’affection des leads aux clients » c’est-à-dire établir une
correspondance en temps réel entre l’offre et la demande.
 Coté « offre » : PdL reçoit une quantité importante de leads en temps
réel. La topologie de ces leads est définie par les valeurs des différents
champs des formulaires qui ont permis de les créer ( âge, département,
…) ainsi que leur date d’arrivée et leur prix d’achat.
 Coté « demande » : les clients de PdL passent des commandes et peuvent
filtrer les leads qu’ils souhaitent recevoir selon de multiples critères
(ancienneté du lead (< 1h, < 12h, < 24h, …) ; achat en exclusivité ou
non ; nombre de leads souhaités par mois, par jour, par heure ; etc).
6
Problématique
PdL
Client
Déposer des
commandes
extends
extends
extends
Recevoir leads
Fournisseur
Déposer des leads
Affecter les
leads aux
commandes
extends
7
Mode de traitement actuel
 Algorithme Scoring-commandes
Début
Algorithme
Filtrer les commandes
qu’onDistribution
souhaite garder ( Produit, nombre
de leads reste Début
à livrer, type de transmission,…).
Scoring-commandes
Définir un ordre
de priorité ( filtre, dernière livraison).
Pour chaque commande
Fin
Scoring-leads
 Algorithme Scoring-leads
Vérifier quota
Début
Affecter leads selon quota
Filtrer les leads
qu’on souhaite garder ( Produit, filtre apporteur,
Fin
filtre commande,..).
Définir un ordre de priorité ( Score).
Fin
8
Variables à optimiser
 Chiffre d’affaire = prix-vente * volume.
 Satisfaction des commandes (60% du besoin quotidien).
 Satisfaction des fournisseurs.
 Marge = chiffre d’affaire - coût .
 Fraîcheur du lead.
9
Modèle proposé
Données:
 C : ensemble de n commandes (de filtre f i, d’un prix pi, d’un volume
global vgi , d’un volume par heure vhi ,d’un volume par jour vji et d’un
volume par mois vmi pour i ∈{1, ..,n}).
 L : ensemble m leads ( de nombre de reventes rj pour j ∈{1, ..,m}).
Modélisation de l’affectation:
 Codage binaire: xij vaudra 1 si le lead j est affecté à la commande i, ou
xij=0 sinon.
 Une façon d’affecter les leads aux commandes est décrite par un vecteur
X= (x11,….xnm ).
 Modélisation sous forme matricielle:
Lead
commande
1
……..
m
1
x11
……
…….
.
……
xij
……..
n
………
……….
xnm
10
Modèle proposé
Algorithme de prétraitement (Filtre):
Début
∀ ci ∈ C
∀ lj ∈ L
Si lj respecte fi
garder xij
Si ci Commande-exclusive
K  k ∪ {xij}
Sinon
K’  k’ ∪ {xij}
FinSinon
FinSi
Fin
 K ={ xij / ci est une commande exclusive}.
 K’ ={ xij / ci est une commande non exclusive}.
11
Modèle proposé
 Fonction objectif:
Max (CA( xij) = ∑I,j n,m pi xij )
 Contraintes:
Volume:
∑i n xij ≤ min ( vgi, vhi, vji, vmi)
Nombre de reventes et exclusivité:
rj +3 ∑j m / (ij) ∈ K xij + ∑j m / (ij) ∈ K’ xij
≤ 3
12
Conclusion
 Etude bibliographique.
 Modélisation et implémentatin d’un simulateur de la plate
forme place des leads.
 Formalisation du problème (optimisation monocritère).
13
Perspectives
À court terme:
 Implémentation du modèle monocritère ( Cplex et Java).
 Optimisation multicritère .
À long terme:
 Temps réel de l’offre/demande de leads.
 Prise en compte d’un modèle stochastique de l’offre et de la demande
dans la phase d’optimisation.
 Elaboration d’un système de pilotage de la place de marché de Leads.
14
Merci
15