Chandadevi Giri

Techniques d'IA axées sur les données destinées au secteur de la mode et de l'habillement: La numérisation a conduit de nombreuses industries à générer d'énormes données à partir de diverses activités commerciales et leur a en outre permis de développer de nouveaux modes d'interaction entre les différentes parties prenantes. L'industrie de la mode et de l'habillement (F&A) subit des transformations importantes en raison de la numérisation accrue et, par conséquent, elle connaît une génération rapide de données en grande quantité à différents niveaux de sa chaîne d'approvisionnement. Ces données générées rapidement pourraient fournir des informations précieuses pour cartographier les incertitudes impliquées dans les processus de prise de décision, identifier les corrélations entre les facteurs de décision clés et modéliser le comportement complexe de différentes actions. En exploitant ces ensembles de données, l'industrie F&A pourrait améliorer sa prise de décision dans différentes chaînes de valeur. La popularité de l'intelligence artificielle (IA) en tant qu'outil avancé pour prendre en charge un large éventail de décisions augmente rapidement. L'IA pourrait être utilisée comme un outil potentiel pour tirer des informations des grands ensembles de données qui sont importants pour résoudre des problèmes de décision complexes dans l'industrie F&A. Malgré sa popularité croissante, les applications de l'IA pour prendre en charge diverses décisions au sein de l'industrie F&A sont limitées. Les principales raisons derrière cela pourraient être le manque de connaissances sur sa portée; la complexité de la mise en œuvre du modèle d'IA sur des données réelles ; et le manque de compréhension de ses avantages monétaires.Le but de cette thèse est d'identifier les défis actuels rencontrés par le secteur de la vente au détail de F&A tout en gérant des problèmes de décision complexes et d'exploiter les données largement générées pour développer une approche basée sur l'IA pour les résoudre.Dans ce contexte, cette thèse étudie d'abord l'impact de l'IA à différentes étapes de la chaîne d'approvisionnement F&A, puis se concentre sur la vente au détail de F&A. Les managers ou décideurs du secteur de la vente au détail F&A doivent analyser les différents types de données pour comprendre leurs clients et prioriser leurs stratégies commerciales. Ainsi, pour traiter de manière appropriée des données aussi massives et complexes, des techniques d'IA pourraient être utilisées pour explorer et modéliser le comportement complexe des clients. Par conséquent, cette thèse exploite trois types différents de données de vente au détail F&A : les données de transaction client, les données de vente et les données de campagne. À l'aide de ces données, trois études ont été menées à l'aide de techniques d'IA pour prédire le comportement des consommateurs, les ventes et le succès des campagnes. Les résultats de ces trois études démontrent comment différents types de données et de techniques d'IA pourraient être utilisés pour développer une nouvelle approche pour améliorer la prise de décision dans le secteur de la vente au détail de F&A.En conclusion, cette thèse, à travers trois études de cas, démontre comment les modèles d'IA basés sur les données permettent aux détaillants F&A de gérer efficacement leurs problèmes de décision. Par conséquent, cette thèse a des implications importantes pour les détaillants F&A pour analyser efficacement leurs données à l'aide de techniques d'IA. Les résultats de cette thèse pourraient les aider à améliorer le processus de prise de décision, à gérer les problèmes de décision urgents tels que la gestion des stocks, les prévisions précises et la réduction des déchets, et ainsi à améliorer l'engagement des clients et les campagnes marketing.

Compared to other industries, fashion apparel retail faces many challenges in predicting future demand for its products with a high degree of precision. Fashion products’ short life cycle, insufficient historical information, highly uncertain market demand, and periodic seasonal trends necessitate the use of models that can contribute to the efficient forecasting of products’ sales and demand. Many researchers have tried to address this problem using conventional forecasting models that predict future demands using historical sales information. While these models predict product demand with fair to moderate accuracy based on previously sold stock, they cannot fully be used for predicting future demands due to the transient behaviour of the fashion industry. This paper proposes an intelligent forecasting system that combines image feature attributes of clothes along with its sales data to predict future demands. The data used for this empirical study is from a European fashion retailer, and it mainly contains sales information on apparel items and their images. The proposed forecast model is built using machine learning and deep learning techniques, which extract essential features of the product images. The model predicts weekly sales of new fashion apparel by finding its best match in the clusters of products that we created using machine learning clustering based on products’ sales profiles and image similarity. The results demonstrated that the performance of our proposed forecast model on the tested or test items is promising, and this model could be effectively used to solve forecasting problems.

Managing campaigns and promotions effectively is vital for the fashion retail industry. While retailers invest a lot of money in campaigns, customer retention is often very low. At innovative retailers, data-driven methods, aimed at understanding and ultimately optimizing campaigns are introduced. In this application paper, machine learning techniques are employed to analyze data about campaigns and promotions from a leading Swedish e-retailer. More specifically, predictive modeling is used to forecast the profitability and activation of campaigns using different kinds of promotions. In the empirical investigation, regression models are generated to estimate the profitability, and classification models are used to predict the overall success of the campaigns. In both cases, random forests are compared to individual tree models. As expected, the more complex ensembles are more accurate, but the usage of interpretable tree models makes it possible to analyze the underlying relationships, simply by inspecting the trees. In conclusion, the accuracy of the predictive models must be deemed high enough to make these data-driven methods attractive.

The enormous impact of artificial intelligence has been realized in transforming the fashion and apparel industry in the past decades. However, the research in this domain is scattered and mainly focuses on one of the stages of the supply chain. Due to this, it is difficult to comprehend the work conducted in the distinct domain of the fashion and apparel industry. Therefore, this paper aims to study the impact and the significance of artificial intelligence in the fashion and apparel industry in the last decades throughout the supply chain. Following this objective, we performed a systematic literature review of research articles (journal and conference) associated with artificial intelligence in the fashion and apparel industry. Articles were retrieved from two popular databases “Scopus” and “Web of Science” and the article screening was completed in five phases resulting in 149 articles. This was followed by article categorization which was grounded on the proposed taxonomy and was completed in two steps. First, the research articles were categorized according to the artificial intelligence methods applied such as machine learning, expert systems, decision support system, optimization, and image recognition and computer vision. Second, the articles were categorized based on supply chain stages targeted such as design, fabric production, apparel production, and distribution. In addition, the supply chain stages were further classified based on business-to-business (B2B) and business-to-consumer (B2C) to give a broader outlook of the industry. As a result of the categorizations, research gaps were identified in the applications of AI techniques, at the supply chain stages and from a business (B2B/B2C) perspective. Based on these gaps, the future prospects of the AI in this domain are discussed. These can benefit the researchers in academics and industrial practitioners working in the domain of the fashion and apparel industry.