El Hassan LAACHACH a soutenu sa thèse le 25 septembre juin 2025, intitulée « Essai de prédiction de l’achat impulsif en ligne par machine learning » et dirigée par Camal GALLOUJ.
Le jury était composé de :
Pr. Pauline De Pechpeyrou, IAE, Université Paris Est Créteil — présidente de jury
Pr. Abdelmajid Amine, IAE, Université Paris Est Créteil — rapporteur
Pr. Camal Gallouj, Université Sorbonne Paris Nord — directeur de thèse
Pr. Pascale Ezan, Université Le Havre Normandie — rapporteur
Pr. Benoît Desmarchelier, Université Sorbonne Paris Nord — examinateur
Résumé
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
Mots-clés : Achat impulsif en ligne, Comportement du consommateur, Machine learning
————–
Abstract
Online impulsive buying represents a complex consumer behavior shaped by cognitive, emotional, and situational dimensions. This research aims to model and anticipate such behavior using machine learning techniques, within the broader context of expanding e-commerce ecosystems and increasing availability of behavioral data. Existing literature on impulsive buying has increasingly shifted focus toward digital environments. While dominant approaches rely on explanatory models rooted in bounded rationality, planned behavior theory, or personality traits, studies dedicated to online impulsive behavior remain fragmented. Few have leveraged machine learning as a predictive tool based on real-world behavioral data. This study adopts a mixed-methods design grounded in abductive reasoning. Using the U.S. as a research setting, it first employs structured survey data to train and optimize classification algorithms. These models are subsequently tested on external transactional datasets from various e-commerce platforms. A series of semi-structured interviews complements the quantitative phase, offering interpretive insights into the most discriminant behavioral variables identified by the models. Findings demonstrate a high level of accuracy in distinguishing impulsive purchases from planned ones. The integration of primary, secondary, and qualitative data enables the development of a modular explanatory framework. This adaptive structure can evolve alongside new data inputs and supports dynamic interpretation of online impulsive buying behaviors.
Keywords : Online impulse buying, Consumer behavior, Machine learning