Soutenances de thèse

L’achat impulsif en ligne constitue un comportement de consommation complexe, influencé par des dimensions cognitives, émotionnelles et situationnelles. L’objectif de cette recherche est de modéliser et d’anticiper ce phénomène à l’aide de méthodes de machine learning, dans un contexte de croissance du commerce électronique et de disponibilité de données massives. La littérature existante sur l’achat impulsif est marquée par un switch en volume historiquement visualisé vers les environnements numériques. Les approches dominantes mobilisent des modèles explicatifs fondés sur la rationalité limitée, la théorie du comportement planifié ou les traits de personnalité. Toutefois, les recherches dédiées à l’achat impulsif en ligne demeurent fragmentées, et peu exploitent les potentialités du machine learning pour la prédiction à partir de données comportementales réelles. Cette recherche adopte une méthodologie mixte, fondée sur une logique abductive. Sur les USA comme terrain, elle mobilise d’abord des données primaires issues d’un questionnaire structuré, sur lesquelles des algorithmes de classification sont entraînés et optimisés. Ce modèle est ensuite appliqué à des données secondaires transactionnelles de plusieurs sites e-commerce, dans une logique de test externe. Enfin, une série d’entretiens semi-directifs permet d’interpréter les mécanismes à l’origine des variables les plus discriminantes, identifiées dans les phases précédentes. Les résultats indiquent la possibilité de distinguer les achats impulsifs des achats planifiés avec un degré de précision élevé. Le croisement des données quantitatives et qualitatives permet de générer un schéma explicatif intégratif. Ce cadre modulaire offre une capacité d’adaptation à de nouveaux jeux de données et une ouverture à l’interprétation évolutive des comportements d’achat impulsif en ligne.