Retour à la bibliothèque

Question clé Nouveau

Traité par IA · Validé par l'auteur

Comment les entreprises peuvent-elles distribuer des coupons promotionnels de manière plus rentable sans susciter le rejet des clients ?

Theory-Informed Dynamic Coupon Distribution via Graph-Augmented Offline Reinforcement Learning
Juntao Wu, Hongfei Bao · International Conference on Information Systems (ICIS) · 2026
Illustration pour : Comment les entreprises peuvent-elles distribuer des coupons promotionnels de manière plus rentable sans susciter le rejet des clients ?

Charge le lecteur Spotify ; Spotify peut déposer des cookies. Cet appareil mémorise votre choix.

Principaux résultats

  • Le cadre proposé a atteint un taux d'utilisation de 19,05 % et un retour sur investissement (ROI) de 0,615, démontrant des améliorations statistiquement significatives des taux d'utilisation et de correspondance par rapport à neuf méthodes de référence (p < 0,01).
  • Le cadre a surpassé de manière statistiquement significative huit des neuf modèles de référence en matière de retour sur investissement (p < 0,05 ou p < 0,001), tout en affichant une différence de ROI positive mais non significative par rapport à la méthode de référence d'échantillonnage préférentiel pondéré par décision (p = 0,30).
  • Des régressions d'ablation sur plusieurs fenêtres de test ont confirmé que la décomposition Q à double objectif, qui sépare la conversion de la durabilité à long terme, a apporté la plus grande contribution marginale à la réduction de l'erreur de test (p < 0,01).
  • L'entraînement conjoint de bout en bout et les plongements textuels guidés par la théorie comportementale ont également permis des réductions d'erreur statistiquement significatives par rapport aux approches génériques orientées prédiction (p < 0,01).

Ce que cela implique pour vous

DSI / Dirigeant IT

Allocate budget to initiate an offline reinforcement learning pilot (such as the GRACE framework) that merges transactional, relational, and LLM-derived customer review data instead of relying solely on standard short-term predictive conversion models.

Responsable informatique

Audit existing customer data pipelines to ensure transactional, graph relational structures, and text-based review profiles can be ingested jointly for graph attention network and offline RL model training.

Stratège d'entreprise

Restructure current promotional guidelines away from simple volume-driving discounts toward a dual-objective metric that explicitly balances immediate sales conversion against long-term brand equity and customer psychological resistance.

Chercheur

Investigate how behavioral theory-guided text embeddings and dual-objective Q-decomposition can be adapted to mitigate consumer manipulation fatigue and improve long-term ROI in offline RL setups.

Décideur public

Draft guidelines requiring retailers to transparently disclose how customer review data and relational profiles are utilized by algorithmic pricing and dynamic coupon targeting systems to protect consumer privacy.

Résumé

Cette étude développe GRACE, un cadre d'apprentissage par renforcement hors ligne pour le ciblage dynamique de coupons qui intègre des données transactionnelles, relationnelles et d'avis clients. Le système combine des réseaux d'attention sur graphes, le profilage psychologique par grand modèle linguistique et la décomposition de valeur à double objectif afin d'équilibrer la conversion immédiate des ventes et le capital de marque à long terme. L'approche est évaluée sur un ensemble de données empiriques comprenant 2,68 millions d'enregistrements de coupons provenant d'une grande chaîne de vente au détail de boissons à base de thé.

Problématique

La plupart des promotions dans le commerce de détail échouent parce que les coupons ne sont pas utilisés ou subventionnent inutilement des achats que les clients auraient effectués de toute façon. De plus, les modèles conventionnels de recommandation et d'apprentissage par renforcement se concentrent uniquement sur les gains économiques à court terme, sans tenir compte de la résistance psychologique des consommateurs face à une manipulation perçue ni du risque d'éroder la valeur de la marque par des rabais excessifs.

Transcription
Host: Bonjour à tous et bienvenue dans A.I.S. Insights — powered by Living Knowledge. Je suis Anna Ivy Summers. Aujourd'hui, nous analysons une étude intitulée « Distribution dynamique de coupons guidée par la théorie via l'apprentissage par renforcement hors ligne augmenté par des graphes », menée par Juntao Wu et Hongfei Bao, et présentée à l'ICIS 2026. Cette étude développe GRACE, un cadre décisionnel pour le ciblage dynamique de coupons qui intègre des données transactionnelles, relationnelles et d'avis clients. Pour décrypter ce travail, j'accueille notre analyste, Alex Ian Sutherland. Bonjour Alex.
Expert: Bonjour Anna.
Host: Alex, les promotions et les rabais constituent un levier commercial courant, mais cette étude rappelle qu'ils posent d'importantes difficultés de rentabilité. Quel est le problème fondamental auquel font face les distributeurs ?
Expert: Dans la pratique, la majorité des promotions échouent pour deux raisons : soit les coupons ne sont jamais utilisés, ce qui représente un coût opérationnel sans retour, soit ils subventionnent des achats que les clients auraient effectués de toute façon au prix standard. De plus, les algorithmes de recommandation conventionnels optimisent presque exclusivement le gain financier immédiat. Ils ignorent la réactance psychologique des consommateurs, c'est-à-dire le sentiment d'être manipulé par des sollicitations excessives, ainsi que le risque de détériorer le capital de marque par des rabais constants.
Host: Face à cette tension entre le chiffre d'affaires à court terme et la perception de la marque, quelle approche l'étude propose-t-elle ?
Expert: L'étude recourt à l'apprentissage par renforcement hors ligne, ce qui permet d'entraîner et d'évaluer le système sur des données historiques sans perturber l'expérience client en magasin. La méthode est testée sur 2,68 millions d'enregistrements de coupons issus d'une grande chaîne de vente de boissons à base de thé. Techniquement, elle combine trois éléments : des réseaux d'attention sur graphes pour modéliser les relations entre clients et produits, des grands modèles linguistiques pour déduire le profil psychologique des clients à partir de leurs avis textuels, et une décomposition de valeur à double objectif. Cette dernière sépare la probabilité de conversion immédiate de la préservation du capital de marque à long terme.
Host: Quels résultats empiriques les auteurs ont-ils mesurés avec cette configuration ?
Expert: Sur le plan quantitatif, le cadre atteint un taux d'utilisation des coupons de 19,05 % et un retour sur investissement de 0,615. L'évaluation montre une amélioration statistiquement significative des taux d'utilisation et de correspondance par rapport aux neuf méthodes de référence testées, avec une valeur p inférieure à 0,01.
Host: Qu'en est-il du retour sur investissement comparé aux autres modèles ?
Expert: Le modèle surpasse huit des neuf méthodes de référence de manière statistiquement significative, avec p inférieur à 0,05 ou à 0,001 selon les cas. En revanche, comparé à la méthode d'échantillonnage préférentiel pondéré par décision, la différence de retour sur investissement est positive mais non statistiquement significative, avec un p mesuré à 0,30.
Host: L'étude précise-t-elle quels composants influencent le plus cette performance ?
Expert: Oui, des régressions d'ablation sur plusieurs fenêtres d'évaluation indiquent que la décomposition à double objectif est la composante qui réduit le plus l'erreur de test, avec p inférieur à 0,01. Par ailleurs, l'entraînement conjoint de bout en bout et l'utilisation de représentations textuelles guidées par la théorie comportementale génèrent également des réductions d'erreur statistiquement significatives par rapport à des approches prédictives standard, également à p inférieur à 0,01.
Host: Concrètement, qu'est-ce que les professionnels du commerce et du marketing peuvent tirer de cette étude ?
Expert: La principale implication est méthodologique : optimiser une politique de réduction ne doit pas reposer uniquement sur la probabilité d'achat immédiat. En dissociant la conversion ponctuelle de la valeur de marque future, les gestionnaires peuvent limiter l'érosion des marges. De plus, exploiter les avis textuels pour identifier la sensibilité psychologique aux remises offre une base pour calibrer la fréquence des offres, évitant ainsi d'induire une lassitude promotionnelle. Enfin, l'utilisation de l'apprentissage hors ligne permet d'optimiser ces règles d'attribution directement sur les bases de données existantes avant tout déploiement commercial.
Host: Cette étude offre ainsi un cadre mesurable pour allier ciblage promotionnel et protection de la marque. Merci pour cet éclairage, Alex.
Expert: Merci Anna.
Host: Merci à tous de nous avoir suivis sur A.I.S. Insights — powered by Living Knowledge. À bientôt pour un prochain épisode.
Artificial Intelligence & Automation Information Systems & Management Human-Computer Interaction Data Analytics & Big Data Digital Transformation & Strategy Cybersecurity & Privacy Cloud & Infrastructure E-Commerce & Digital Platforms Operations & Supply Chain Sustainability & Green IS

dynamic coupon distribution, promotion reactance theory, graph neural networks, offline reinforcement learning, theory-informed analytics, customer targeting