Point and Interval forecasting for Interval Time Series with Recurrent

Neural Networks

Rommel DJEUDJO TCHINDA ([Link]@[Link])

Supervised by: Prof. Paulo Canas Rodrigues

10 February 2025
Submitted in Partial Fulfillment of a Cooperative Masters Degree at AIMS-Cameroon
Abstract

Keywords :

Declaration

I, the undersigned, hereby declare that the work contained in this essay is my original work, and that any
work done by others or by myself previously has been acknowledged and referenced accordingly.

Rommel DJEUDJO TCHINDA, 18 May 2024.

i
Table des matières

Abstract i

List of Figures iii

List of Tables iv

1 Introduction 1
1.1 Problem statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Thesis organisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2 Literature Review 3

3 Methodology 4
3.1 Data presentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

4 Experiment and Results 5

5 Conclusion 6

Acknowledgements 7

References 8

ii
Table des figures
3.1 Donnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

iii
Liste des tableaux

iv
1. Introduction
Aujourd’hui, avec le développement rapide du numérique, les banques dans le monde et plus preciement
en Afrique changent leur façon de travailler pour répondre aux besoins des clients. De plus en plus
de banques se tournent vers la technologie pour proposer des services plus simples, plus rapides et
personnalisés a leur clientele. En Afrique, bien que de plus en plus de gens aient accès aux banques, ce
n’est pas encore aussi répandu que dans d’autres régions du monde. Il est donc essentiel que les banques
offrent des services faciles d’accès pour attirer et fidéliser les clients.
Dans ce contexte, les réclamations des clients c’est-à-dire leurs plaintes ou questionsQue ce soit des soucis
techniques, des retards de transactions ou des frais peu clairs, les plaintes, sont une source précieuse
d’information pour les banques. Les réclamations montrent souvent ce qui ne fonctionne pas bien ou ce
qui pourrait être amélioré dans les services proposés ou encore montre au banque les difficulter ques clients
rencontre avec leur service et egelement les service quil aimerais avoir encore. Cependant, aujourd’hui,
la gestion de ces réclamations reste souvent lente et peu optimisée. Cela limite la capacité des banques
à comprendre rapidement les attentes des clients et à y répondre efficacement.
Pour répondre à ces défis, créer une application dédiée à la gestion des réclamations et à l’analyse des
retours clients pourrait être une solution efficace. Cette application aurait deux avantages majeurs :
elle permettrait aux clients de déposer des réclamations, poser des questions et consulter des solutions
adaptées à leurs besoins, et elle offrirait aux banques une vue d’ensemble des tendances en matière de
réclamations, facilitant l’identification des points à améliorer. Grâce à cette analyse des données, les
banques pourraient affiner la qualité de leurs services, personnaliser leurs offres et même recommander
des produits spécifiques en fonction des besoins des clients.

1.1 Problem statement

L’objectif des banques aujourd’hui est de pouvoir attirer et fidéliser davantage de clients afin d’amé-
liorer leur profit. Pour cela, elles doivent d’abord recueillir des données sur les problèmes ou difficultés
rencontrés par les clients, ainsi que visualiser des informations utiles qui leur permettront d’améliorer
l’expérience client. Avec une clientèle en augmentation, il devient également difficile de gérer ou de ré-
pondre rapidement aux réclamations des clients. Il est donc crucial pour les banques de promouvoir leurs
produits de manière efficace.
À cet effet, nous avons été contactés par une banque souhaitant améliorer l’expérience de ses clients.
Actuellement, le système de chatbot ou de réponse automatique qu’elle utilise se limite à recueillir
des informations sur les plaintes des clients sans pouvoir leur apporter de solutions immédiates. Par
conséquent, le client doit attendre qu’un agent prenne en charge sa demande, ce qui entraîne parfois
des délais de réponse, voire des situations où l’agent ne répond pas du tout. La banque souhaiterait
également mettre en place un système qui lui permettrait de suivre et d’avoir des informations précises
sur les plaintes des clients afin de pouvoir améliorer son système et faciliter la gestion des demandes
clients.

1
Section 1.2. Objectifs Page 2

1.2 Objectifs

L’objectif de ce projet est de développer une application bancaire qui aiderait les clients à gérer leurs récla-
mations facilement et qui permettrait aussi aux banques de mieux analyser ces retours. Cette application
aurait deux objectifs : d’un côté, elle permettrait aux clients de poser leurs questions, d’envoyer leurs
plaintes, et de trouver des réponses adaptées à leurs situations ; de l’autre, elle donnerait aux banques
une vision plus claire des tendances des réclamations. Grâce à ces informations, les banques pourraient
améliorer leurs services, proposer des produits mieux adaptés et offrir des solutions sur mesure aux clients,
en fonction de leurs besoins et problèmes spécifiques.

1.3 Thesis organisation

Cette thèse est structurée comme suit : dans le chapitre 1, nous réaliserons une revue de la littérature
en lien avec nos travaux, en particulier les méthodes ou modèles tels que l’allocation de Dirichlet latente
(LDA) et l’analyse sémantique latente (LSA), qui ont été utilisés pour la construction de systèmes de
réponse intelligente. Ensuite, au chapitre 2, nous présenterons de façon plus détaillée les modèles que
nous utiliserons dans nos travaux, ainsi qu’une description approfondie de nos données et du traitement
qui leur a été appliqué. Enfin, dans le chapitre 4, nous exposerons les résultats de nos analyses, ainsi que
le système de chatbot mis en place pour répondre de manière plus efficace et rapide aux réclamations
des clients.
2. Literature Review

3
3. Methodology
Introduction

Dans ce chapitre, nous allons d’abord présenter la structure initiale des données dont nous disposons.
Ensuite, nous détaillerons les différentes étapes de traitement des données que nous avons suivies pour
les préparer. Une fois ce traitement terminé, nous décrirons les données finales prêtes à être utilisées dans
notre analyse. Après cela, nous expliquerons les principes mathématiques derrière les modèles que nous
avons choisis, pour mieux comprendre leur fonctionnement. Enfin, nous montrerons comment nous avons
appliqué notre modèle aux données pour obtenir des résultats concrets.

3.1 Data presentation

Les données dont nous disposons proviennent de fils de discussion entre des clients et un chatbot. Dans
certaines conversations, un agent humain intervient également.
Chaque fil de discussion est stocké dans un fichier Excel (voir figure 3.1) structuré avec les colonnes
suivantes :
— ID : identifiant unique de la conversation.
— [Link] : nom de l’agent, si un agent humain a participé à l’échange.
— Date et Heure : date et heure d’envoi de chaque message.
— [Link] : texte de chaque message échangé.

Nous possédons les données de discussion de janvier 2022 à octobre 2023, avec un total de 33 240 fichiers
Excel : 13 703 fichiers pour l’année 2022 et 19 537 pour 2023.

Figure 3.1 – Donnes

4
4. Experiment and Results

5
5. Conclusion

6
Acknowledgements

7
References