Thèse Prédiction de classes de satisfaction clients à partir de données comportementales sur le web et les applications natives F/H

Description de l'offre

about the role

Effectuer un travail de recherche sur la prédiction de classes de satisfaction clients à partir de données comportementales sur le web et les applications natives.

Vous trouverez ci-dessous la description du contexte de ce travail de recherche.

La mission et les principaux objectifs scientifiques seront précisés sous le titre "Entité".

Contexte global du sujet de thèse

Le support après-vente est un des domaines de la relation clients qui en dépit de l'éventail impressionnant de solutions technologiques et méthodologiques, reste critique pour les entreprises. Alors que l'expérience utilisateur a largement pris sa place dans l'appropriation et l'usage d'un produit, le concept d'expérience après-vente reste à réinventer, pour procurer aux utilisateurs l'émotion d'un échange abouti avec le support client de l'entreprise.

Positionnement du sujet vis-à-vis de la stratégie d'entreprise et du programme de recherche

L'enjeu actuel d'avoir une expérience client incomparable est un des objectifs majeurs du plan stratégique Orange essentiels 2020. Cela se traduit par une relation client réinventée à travers la simplification des parcours, une nouvelle expérience en boutique, la simplification des offres l'intégration du digital dans les parcours et la personnalisation.

Beaucoup d'actions sont menées au niveau métier pour atteindre ces objectifs. La technologie numérique a bien sûr un rôle clef à jouer.

Au regard de la personnalisation, sa traduction peut être rendue par différentes applications aujourd'hui outillées : personnalisation des parcours digitaux par extension de la démarche de tests A/B, proposition d'e-chat ou de click to call en fonction du comportement du client et propositions d'offres en fonction de la connaissance client.

Les outils qui supportent ces fonctions ont tous leurs données et souvent un moteur d'intelligence artificielle. Par ailleurs, d'autres outils d'analyse existent qui sont orientés vers l'analyse globale des comportements : les outils de web analyse qui s'étendent aujourd'hui aux applications mobiles natives et les outils dit de « session replay / heat map ».

Les processus prioritaires pour la mise en place de ces outils sont plutôt axés sur la vente.

La connaissance client et l'adaptation de la relation client- entreprise fait donc l'objet de nombreuses innovations.

Ces travaux doivent se placer dans un contexte de respect de la vie privée et prendre en compte notamment les contraintes de la GDPR (General Data Protection Regulation). Ils doivent aussi tenir compte des comportements d'adoption ou de rejet des technologies, en fonction du bénéfice utilisateur perçu et de l'accessibilité (simplicité d'utilisation…).

about you

Formation demandée :

Ingénieur informatique ou master informatique orienté vers les systèmes cognitifs et le machine learning.

Expériences souhaitées :

Technologies du web (HTML, PHP), applications natives mobiles, mise en oeuvre de technologies de machine Learning.
Une formation en sciences cognitives ainsi que la maîtrise des usages des technologies de l'information et de la communication, sera une base essentielle.

Connaissances des méthodes d'évaluations et des sciences cognitives.

Pratique de l'apprentissage ou du machine-learning.

Maîtrise de l'ergonomie des systèmes interactifs.

Pratique des IHM.

additional information

La thèse se déroule au sein de la direction des Solutions pour la relation client dans une équipe en charge des études et des choix de solutions du domaine de la relation client digitale et de la connaissance client. Elle est compétente dans le domaine de l'architecture SI et des solutions dans l'assistance client. L'équipe projet Digital 4 Customer Journey et le projet de niveau 1 Digital 4 Customer Relationship apporteront un soutien par ses travaux sur la relation client et le digital.

Le contexte de réalisation de la thèse est intéressant à plusieurs titres :

1. Environnement Orange avancé en matière de pratiques digitales.

2. Contacts avec d'autres chercheurs à Orange et une équipe pluridisciplinaire.

3. Terrain d'expérimentation client important.

4. Intégration à une équipe ayant une forte expérience en architecture et business analyse.

5. En contact avec un environnement industriel de transfert motivant.

Références :

Exemples d'outils du marché : Azetone, Maxymiser, Optimizely, Liveperson, iAdvize, Genesys, Adobe, SAS, IBM.

department

La thèse se déroule au sein de la direction des Solutions pour la relation client dans une équipe en charge des études et des choix de solutions du domaine de la relation client digitale et de la connaissance client. Elle est compétente dans le domaine de l'architecture SI et des solutions dans l'assistance client.

Objectif scientifique de la thèse :

Le pari scientifique est qu'il est possible de personnaliser l'expérience client en se basant sur une analyse de l'état émotionnel de celui-ci, et de sa séquence ou historique comportemental. Dans cette hypothèse il serait possible d'identifier les critères et indicateurs qui influent sur l'état émotionnel et de prédire cet état du client afin de conduire une contextualisation de son parcours adaptée.

Les verrous majeurs à lever sont :

La prédiction d'états cognitifs d'utilisateurs des indices corrélatifs des états-comportements dans les contextes d'usage considérés, exploitant les masses de données utilisateurs, pose des difficultés par l'approche multi-disciplinaire nécessaire, et la corrélation des données.

La détection d'utilisateurs en « crise »: la non satisfaction peut résulter d'une situation de frustration de l'utilisateur (voie sans issue, complexité ressentie…); la détection de motifs comportementaux signant le type de situation est un problème peu adressé notamment dans le contexte du support aux clients.

Le regroupement de toutes les traces de navigation utilisateur en particulier avec leurs composantes temporelles et son recoupement avec les moments émotionnels de l'utilisateur, afin de repérer les zones d'interface utilisateur à faire évoluer et/ou envisager de proposer un support humain.

Approche méthodologique planning :

La base des travaux consiste à fonder la notion de satisfaction clients par une approche basée sur les travaux en psychologie cognitive et en sciences de gestion. A cette fin, une méthodologie exploitant un focus groupe et une évaluation expérimentale permettra de dégager des données caractéristiques de satisfaction clients ou a contrario de non-satisfaction.

Le deuxième volet de l'approche repose sur des travaux récents relatifs à la découverte de motifs de comportements des utilisateurs de médias sociaux à partir de données d'interactions d'utilisateurs (Tamine et al., 2015 & 2016). Il conviendrait à cette fin, de collecter de grandes masses de données clients utilisateurs en les anonymisant et notamment des logs de navigation grâce à l'extraction et la compression de séquences de navigation (Pitarch et al., 2010). Un échantillon de comportements d'utilisateurs en termes d'interactions sera ainsi analysé avec les outils mis à disposition, et les messages échangés avec des conseillers techniques et commerciaux.

Cette thèse se déroulerait selon les étapes suivantes :

(1) Etude de l'état de l'art scientifique des logiciels du marché́ et caractérisation de leurs limites et les points durs à lever.

(2) Proposition d'une approche de caractérisation de l'état cognitif du client: étude des corrélations entre états et modalités d'accès tels que mouvements de souris, utilisation du scroll, mouvement avant/arrière, dans leur fréquence et leur répétition, et l'équivalent sur les applications mobiles.

(3) Validation de ces patterns de comportements par exemple par des tests utilisateurs que l'on mettrait délibérément dans des situations de stress ou de satisfaction.

(4) Collecte de données comportementales et mesure de la satisfaction (réitération d'appel, sondage...) et élaboration d'un moteur de prédiction de catégories de satisfaction exploitant des algorithmes de machine Learning.

(5) Réalisation d'une maquette de démonstration, bilan quantitatif et qualitatif.

contract

Thesis