Predicting Behaviors with Large Language Model (Llm)-Powered Digital Twins of Customers

Lieu : Salle 3.216 - Campus Grand Paris & en ligne 
Horaire : 12h-13h30

Intervenant : Xin (Shane) Wang, Professor of Marketing – Virginia Tech.

Les jumeaux numériques de clients (DToC) ont émergé comme une approche prometteuse pour simuler la pensée, les émotions et la prise de décision des consommateurs dans des contextes marketing. Cette recherche propose et teste empiriquement un cadre méthodologique qui combine l’ajustement fin (fine-tuning) et la génération augmentée par récupération (RAG) pour construire des jumeaux numériques de clients basés sur des modèles de langage de grande taille (LLM). L’ajustement fin à partir de contenus générés par les utilisateurs permet au modèle d’intérioriser les traits individuels, les préférences et les comportements, tandis que la RAG dote le jumeau d’un accès en temps réel à des informations contextuelles sur les produits. Nous démontrons ce cadre à l’aide de données issues du commerce électronique d’Amazon, en construisant 306 jumeaux numériques personnifiés et en évaluant leur performance dans la prédiction des décisions d’achat et du contenu des avis. Les jumeaux numériques obtenus atteignent une précision élevée dans la prédiction des achats futurs (83 %) et génèrent des avis produits avec une forte correspondance sémantique par rapport aux contenus réels des clients (similarité cosinus supérieure à 0,94). Cette méthode ouvre de nouvelles perspectives pour le marketing personnalisé, les tests de campagnes avant leur déploiement, et la modélisation des consommateurs conforme à la protection de la vie privée. Les résultats contribuent à la littérature émergente sur l’IA générative et les agents synthétiques en marketing, en faisant progresser les bases conceptuelles et techniques pour une simulation client prédictive, interactive et individualisée.

Pour plus d'informations, merci de contacter Margherita Pagani : margherita.pagani@skema.edu